视觉感知正反馈的显著性检测

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

摘要：目的 人类视觉系统性能远超当前机器视觉，模拟人类视觉机制改进当前算法是有效研究途径，为此提出一种视觉感知正反馈模型，通过循环迭代、重复叠加视觉刺激生成更符合人类感知的视觉显著性图。方法 首先用多种常规方法检测图像显著度，模拟人类视觉多通道特性，再组合这些显著图为综合显著图；利用显著度大的像素构建初始注视区。其次借助集成RVFL（随机向量功能网络）模拟人脑神经网络产生视觉刺激，对注视与非注视区内像素在线“随机采样—学习建模”，图像像素经模型分类获得新注视区。对新注视区与非注视区，可重复迭代进行“随机采样—学习建模—像素分类”；迭代中若注视区连续相同，则表明感知饱和，迭代终止。若将每次像素分类结果看做是一种视觉刺激，则多次视觉刺激输出叠加，可生成新的图像显著性图。最终的像素分类结果就是图像分割目标。结果 将本文算法与现有方法在标准图像数据库上进行对比评测，包括通过对6种算法在ECSSD、SED2和MSRA10K 3个图像数据库上的P-R曲线，F-measure值和平均绝对误差（MAE）值上进行定量分析，对6种模型生成的显著性图作定性比较。数据表明，本文算法在SED2和MSRA10K图象数据库中性能最好，在ECSSD图象数据库中稍低于BL（bootstrap learning）和RBD（robust background detection）算法。本文算法的显著图与人类视觉感知更接近。且算法的正反馈迭代过程一般可迅速饱和，并未显著增加算法负担。实验结果表明，本文方法可作为一种有效的后处理手段，显著提升常规显著性检测算法的性能。结论 提出了一种模拟人类视觉机制的数据驱动显著性检测算法，无需图像先验知识和事先的标记样本。面对多目标，背景复杂等情况，本文方法具有相对好的鲁棒性和适用性，并且能够较好

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：正反馈 Background Bootstrap detection Learning 视觉显著性检测 注视眼动 机器学习 正反馈 视觉感知饱和