Deep Gaze I：利用在 ImageNet 上训练的特征图提升显著性预测
计算机视觉与模式识别
2015-04-10 v4 神经元与认知
应用统计
摘要
近期结果表明，最先进的显著性模型在预测注视点方面表现远非最优。这种性能缺失归因于无法建模高级图像特征（如物体）的影响。将深度神经网络应用于物体识别等任务的近期开创性进展表明，它们能够捕捉此类结构。然而，训练这些网络所需的巨大数据量使其难以直接应用于显著性预测。我们提出了一种新颖的方法，即在注视点预测模型中复用已在物体识别任务上预训练的现有神经网络。利用 Krizhevsky 等人 (2012) 的知名网络，我们提出了一种新的显著性模型，其在 MIT Saliency Benchmark 上的表现显著优于所有最先进模型。我们表明，该网络的结构为注视选择的心理物理学及其潜在的神经实现提供了新见解。为了训练我们的网络，我们基于近期将显著性建模为点过程的工作。
引用
@article{arxiv.1411.1045,
title = {Deep Gaze I: Boosting Saliency Prediction with Feature Maps Trained on ImageNet},
author = {Matthias Kümmerer and Lucas Theis and Matthias Bethge},
journal= {arXiv preprint arXiv:1411.1045},
year = {2015}
}