知识卡片
视觉注意的两种显著图
视觉注意模型通过计算显著图来预测人眼注视点或标出感兴趣区域,分为两类。
自底向上属数据驱动,源于 Koch 的神经生物学模型与 Treisman 的特征整合理论:先按亮度、朝向、颜色等初级特征在不同尺度上生成各自的显著图,再融合为总显著图,竞争获胜的区域获得注意。Itti 首次完整实现该框架;GBVS 用图论在特征图上做马尔可夫随机游走;Achanta 提出全分辨率方法以保留边界。 自顶向下属任务驱动,显著性定义为与特定目标相似度高的区域,受先验知识与目标期望调制:可用目标的先验特征调控检测过程以提高检出率,也可先建图像库、检索与目标最相似的图像来生成显著图,或结合机器学习先学目标特征再确定感兴趣区。
共同局限是大多针对可见光图像设计。红外图像背景复杂、对比度低,目标显著性本就不突出,噪声反而容易形成伪显著峰,直接套用会造成误检。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第1章 概述
原书出处 · 1 处
- 第1章 概述 · 查看原书依据
自顶向下的视觉显著图模型属于任务驱动型,在该类模型中,显著性被认为是与特定对象相似性较高的对象,这类显著性会受到先验知识和目标期望等的影响
参考来源
- 位置:《基于类脑计算的目标检测与跟踪技术》第1章 概述(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt001.html)
- 结论依据:视觉注意模型通过计算显著图来预测人眼注视点或标出感兴趣区域,分为两类。
- 原始内容:自顶向下的视觉显著图模型属于任务驱动型,在该类模型中,显著性被认为是与特定对象相似性较高的对象,这类显著性会受到先验知识和目标期望等的影响