知识卡片

普通读书笔记卡 · 9597.n · 生成模型:DeepSeek-V4.1-Flash

先验由显著图给出

理解等级:高级

常规贝叶斯显著性方法用经验知识设定先验,背景复杂、对比度低时先验与实际情况不符,显著图随之失真。DL模型的改法是让先验由数据给出:从初级显著图提取N个特征点S1…SN,对任意像素A计算它与这些特征点的平均相似度,作为属于目标的先验P(T);相似度同时计入灰度距离与空间距离,距离越小相似度越高;像素只可能属于目标或背景,故P(B)=1−P(T)。

似然函数同样用相似度构造:在初级显著图估计的目标区域中找灰度中位数像素Tmd,用A与Tmd的灰度距离和空间距离算P(A|T);背景区域通常较分散,找中位数像素Bmd后只算灰度距离、不计空间距离,避免把远处背景像素误判为相似。最后由P(T)、P(B)、P(A|T)、P(A|B)算后验P(T|A),逐像素得到最终显著图。

价值是把“经验”换成“图像自身的统计”,代价是先验质量继承初级显著图,初级图有偏时后验同样有偏。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《基于类脑计算的目标检测与跟踪技术》第5章 人脑视觉系统的视觉注意机制及其应用(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt005.html) - 结论依据:常规贝叶斯显著性方法用经验知识设定先验,背景复杂、对比度低时先验与实际情况不符,显著图随之失真。 - 原始内容:然而,常规贝叶斯公式通常基于经验知识进行先验概率的计算,对于背景复杂、对比度较低的图像,其显著图计算的准确性较低。针对这一问题,本章改进了贝叶斯模型,根据特征提取层中获得的初级显著图计算先验概率,而非经验知识