相对显著性与排序：模型、度量、数据与基准
计算机视觉与模式识别
2019-09-17 v2
摘要
显著目标检测是一个已被详细研究且提出诸多解决方案的问题。在本文中，我们认为迄今为止的工作所解决的问题相对不适定。具体而言，当询问多个观察者时，对于什么构成显著目标并不存在普遍共识。这意味着某些目标比其他目标更可能被判定为显著，并意味着显著目标之间存在相对排序。首先，我们提出一种基于相对显著性的层次表示与分阶段精炼的新型深度学习方案。此外，我们给出面向显著目标排序问题的数据、分析与基线基准结果。我们提出了导出合适排序显著目标实例的方法，以及适于度量算法性能的度量指标。另外，我们展示了派生数据集如何被连续精炼以提供干净结果，这些结果在特性上及用于训练与测试模型的价值上与原始真值高度相关。最后，我们在解决显著目标排序或检测的流行算法间进行比较，以建立初始基线，为未来解决该问题的研究提供比较基础。源代码与数据已通过我们的项目页面公开：\textrm{\href{https://ryersonvisionlab.github.io/cocosalrank.html}{ryersonvisionlab.github.io/cocosalrank}}
引用
@article{arxiv.1810.02426,
title = {Relative Saliency and Ranking: Models, Metrics, Data, and Benchmarks},
author = {Mahmoud Kalash and Md Amirul Islam and Neil D. B. Bruce},
journal= {arXiv preprint arXiv:1810.02426},
year = {2019}
}
备注
Accepted to Transaction on Pattern Analysis and Machine Intelligence. arXiv admin note: substantial text overlap with arXiv:1803.05082