通过概率分布预测的端到端显著性映射
计算机视觉与模式识别
2018-04-06 v1 人工智能
摘要
大多数显著性估计方法旨在显式建模低层显著线索（如边缘或团块），并可能额外结合使用人脸或文本检测的自上而下线索。利用眼动注视数据训练显著性模型的数据驱动方法日益流行，尤其是随着大规模数据集和深度架构的引入。然而，后一范式中的当前方法使用为分类或回归任务设计的损失函数，而显著性估计是在地形图上评估的。在本文中，我们引入了一种新的显著性图模型，其将图表述为广义伯努利分布。然后我们训练一个深度架构，使用新颖的损失函数来预测此类图，这些损失函数将 softmax 激活函数与用于计算概率分布间距离的量度配对。我们在四个公开基准数据集上的大量实验显示了此类损失函数相对于标准损失函数的有效性，并展示了相对于最先进（SOTA）显著性方法的性能提升。
引用
@article{arxiv.1804.01793,
title = {End-to-End Saliency Mapping via Probability Distribution Prediction},
author = {Saumya Jetley and Naila Murray and Eleonora Vig},
journal= {arXiv preprint arXiv:1804.01793},
year = {2018}
}