视觉注意:深度稀有特征
计算机视觉与模式识别
2021-09-24 v1 机器学习
图像与视频处理
摘要
人类视觉系统在工程领域被建模,提供了特征工程方法,用于检测图像中对比强烈/令人惊讶/不寻常的数据。这类数据对人类而言“有趣”,并催生了大量应用。深度学习(DNNs)大幅提升了主流基准数据集上的算法效率。然而,基于 DNN 的模型反直觉:令人惊讶或不寻常的数据因其低出现概率而本质上难以学习。实际上,DNN 模型主要学习自上而下特征,如人脸、文本、人物或动物等通常吸引人类注意力的内容,但在提取图像中令人惊讶或不寻常的数据方面效率低下。本文提出一种称为 DeepRare2019(DR)的模型,它结合了 DNN 特征提取的能力与特征工程算法的通用性。DR 1)无需任何训练,2)在仅用 CPU 时每幅图像耗时不到一秒,3)我们在三个差异很大的眼动追踪数据集上的测试表明,DR 具有通用性,且在所有数据集与指标上均位居前 3 模型,而其他模型无一展现出如此的规律性与通用性。DeepRare2019 代码见 https://github.com/numediart/VisualAttention-RareFamily
引用
@article{arxiv.2005.12073,
title = {Visual Attention: Deep Rare Features},
author = {Matei Mancas and Phutphalla Kong and Bernard Gosselin},
journal= {arXiv preprint arXiv:2005.12073},
year = {2021}
}
备注
6 pages, double-colmun, accepted to IVPR2020