利用众包感知判断学习显著性评价度量
计算机视觉与模式识别
2018-06-28 v1
摘要
在人类注视点预测领域，已提出数十种计算显著性模型，以在不同假设与定义下揭示某些显著性特征。因此，显著性模型基准测试常需多个评价度量同时从多视角评估显著性模型。然而，大多数计算度量并非设计用于直接度量显著性图的感知相似性，致使评价结果有时与主观印象不一致。为解决该问题，本文首先开展广泛主观测试，探明人类如何感知显著性图之间的视觉相似性。基于这些测试中收集的众包数据，我们总结出评估显著性图的若干关键因素，并量化现有度量的性能。受这些因素启发，我们提出基于双流卷积神经网络、利用众包感知判断学习显著性评价度量。具体而言，众包数据中每对图像的相对显著性得分被用于训练过程中对网络的正则化。通过捕捉不同受试者在比较显著性图时共享的关键因素，所学度量更好地与人类对显著性图的感知对齐，成为现有度量的良好补充。实验结果验证所学度量可泛化至新图像、新数据集、新模型和合成数据的显著性图比较。由于所学度量的有效性，它也可用于促进新注视点预测模型的开发。
引用
@article{arxiv.1806.10257,
title = {Learning a Saliency Evaluation Metric Using Crowdsourced Perceptual Judgments},
author = {Changqun Xia and Jia Li and Jinming Su and Ali Borji},
journal= {arXiv preprint arXiv:1806.10257},
year = {2018}
}