显著性整合：一种仲裁者模型

显著性整合在统一多个显著性模型的显著性图方面引起了广泛关注。以往的离线整合方法通常面临两个挑战：1. 若大多数候选显著性模型对某幅图像的显著性做出误判，整合结果将严重偏向那些低劣的候选模型；2. 缺乏对真实显著性标签的认知，导致难以估计每个候选模型的专长。为解决这些问题，本文提出一种用于显著性整合的仲裁者模型（AM）。首先，我们将多个显著性模型的共识与外部知识结合到一张参考图中，以有效纠正候选模型带来的误导。其次，我们在无真实标签情况下对显著性模型专长估计方法的探索催生了两种不同的在线模型专长估计方法。最后，我们推导了一个贝叶斯整合框架，以调和具有不同专长的显著性模型与参考图。为广泛评估所提出的AM模型，我们在四个数据集上以各种组合测试了27个最先进的显著性模型，涵盖传统模型与深度学习模型。评估结果表明，无论选用何种候选显著性模型，AM模型相比现有最先进的整合方法均大幅提升了性能。