WEPSAM：弱预训练显著性模型
计算机视觉与模式识别
2016-05-05 v1
摘要
视觉显著性检测试图模仿集中于自然图像中稀疏重要区域的人类视觉心理。显著性预测研究传统上基于对比度、边缘等低层特征。近期显著性预测研究的推进是利用地面真值眼动固定数据集学习高层语义。本文中，我们提出WEPSAM：弱预训练显著性模型(WEakly Pre-Learnt Saliency Model)，作为使用在ImageNet上的领域特定预训练进行显著性预测的先驱性努力，采用轻量级CNN架构。本文提出两步分层学习，第一步是在缺乏人类眼动固定图的大规模数据集（如ImageNet）上开发弱预训练框架。第二步在有限的地面真值固定集上精调预训练模型。对iSUN和SALICON数据集上的损失分析表明，预训练网络比随机初始化网络收敛快得多。WEPSAM在具有挑战性的MIT300数据集上也优于一些近期最先进的显著性预测模型。
引用
@article{arxiv.1605.01101,
title = {WEPSAM: Weakly Pre-Learnt Saliency Model},
author = {Avisek Lahiri and Sourya Roy and Anirban Santara and Pabitra Mitra and Prabir Kumar Biswas},
journal= {arXiv preprint arXiv:1605.01101},
year = {2016}
}