SID4VAM：用于视觉注意建模的合成图像基准数据集
计算机视觉与模式识别
2019-10-30 v1
摘要
本文提供了一个基于合成图像数据集的显著性模型性能基准。模型性能通过显著性指标以及模型启发性与对人类心理物理的一致性来评估。SID4VAM 由 230 张已知显著区域的合成图像组成，图像以目标-干扰物弹出型合成模式由 15 种不同类型的低级特征(如朝向、亮度、颜色、尺寸等)生成。我们采用了自由观看与视觉搜索任务指令，并对每类特征使用 7 种特征对比。我们的研究表明，最先进的深度学习显著性模型在合成图案图像上表现不佳，相反，具有频谱/傅里叶启发性的模型在显著性指标上优于其他模型，且与人类心理物理实验更为一致。本研究提出了一种在后续文献中评估显著性模型的新途径，即考虑具有独特低级特征语境的合成图像，有别于此前的眼动追踪图像数据集。
引用
@article{arxiv.1910.13066,
title = {SID4VAM: A Benchmark Dataset with Synthetic Images for Visual Attention Modeling},
author = {David Berga and Xosé R. Fdez-Vidal and Xavier Otazu and Xosé M. Pardo},
journal= {arXiv preprint arXiv:1910.13066},
year = {2019}
}
备注
10 pages, 8 figures, 3 tables, conference paper (ICCV 2019), http://openaccess.thecvf.com/content_ICCV_2019/papers/Berga_SID4VAM_A_Benchmark_Dataset_With_Synthetic_Images_for_Visual_Attention_ICCV_2019_paper.pdf