聚类显著性预测

我们提出一种图像显著性预测的新方法——聚类显著性预测。该方法基于受试者的个人特征及其已知显著性图将受试者划分为聚类，并生成以聚类标签为条件的图像显著性模型。我们在一个公开的个人化显著性图数据集上测试了我们的方法，并使用所选个人特征因子的权重对受试者聚类。我们提出了多域显著性迁移模型，其利用图像刺激和通用显著性图来预测每个聚类的显著性图。为获取通用显著性图，我们应用了多种最先进的方法，DeepGaze IIE、ML-Net和SalGAN，并比较了它们在我们的系统中的有效性。我们表明我们的聚类显著性预测技术优于通用显著性预测模型。此外，我们通过将使用我们算法所得聚类的聚类显著性预测结果与一些基线方法比较，证明了我们聚类方法的有效性。最后，我们提出一种将新用户分配至最合适聚类的方法，并在实验中证明其有用性。