RecSal：面向视觉显著性预测的深层递归监督
计算机视觉与模式识别
2020-09-01 v1 机器学习
摘要
最先进的显著性预测方法基于模型架构或损失函数进行开发，同时训练以生成一张目标显著性图。然而，公开可用的显著性预测数据集可被用于为每个刺激创建多于最终聚合显著性图的信息。若以受生物学启发的方式利用此信息，可在不使用参数量巨大模型的情况下提升预测性能。有鉴于此，我们提出提取并使用（a）区域特定显著性与（b）注视时间顺序的统计量，为我们的网络提供额外上下文。我们表明，利用空间或时间序列注视的额外监督可取得更好的显著性预测性能。此外，我们还设计了利用此额外信息的新颖架构，并表明其相较无额外监督的基模型具有更优性能。我们展示最佳方法以少50–80%的参数优于先前最先进方法。我们还表明，与先前方法不同，我们的模型在所有评估指标上均表现稳定良好。
引用
@article{arxiv.2008.13745,
title = {RecSal : Deep Recursive Supervision for Visual Saliency Prediction},
author = {Sandeep Mishra and Oindrila Saha},
journal= {arXiv preprint arXiv:2008.13745},
year = {2020}
}
备注
to appear in BMVC 2020