重访显著性度量：最远邻曲线下面积
计算机视觉与模式识别
2020-02-26 v1
摘要
显著性检测因其在各种视觉应用中的重要作用而被广泛研究，但由于每种度量都有其自身的偏差，难以评估显著性系统。本文中，我们首先重新审视在现代卷积神经网络（CNNs）上应用广泛使用的显著性度量的问题。我们的研究表明，显著性数据集是基于不同的参数选择构建的，且 CNN 被设计用于拟合特定于数据集的分布。其次，我们表明洗牌曲线下面积（S-AUC）度量仍然受到空间偏差的影响。我们基于 AUC 性质提出了一种新的显著性度量，旨在采样更具方向性的负集用于评估，记为最远邻 AUC（FN-AUC）。我们还提出了一种策略来衡量所采样负集的质量。我们的实验表明，FN-AUC 比 S-AUC 能更有效地度量空间偏差（中心与周边），且不会惩罚注视点位置。第三，我们提出了一种全局平滑函数，以克服计算 AUC 度量时取值级数过少（输出量化）的问题。与随机噪声相比，我们的平滑函数能够在不丢失相对显著性关系的情况下创建唯一值。
引用
@article{arxiv.2002.10540,
title = {Revisiting Saliency Metrics: Farthest-Neighbor Area Under Curve},
author = {Sen Jia and Neil D. B. Bruce},
journal= {arXiv preprint arXiv:2002.10540},
year = {2020}
}
备注
Accepted to CVPR 2020