原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
通过概率分布预测实现端到端显著性映射
SaumyaJetley牛NailaMurrayXRCEEleonora
VigXRCE∗梅耶兰，
津大学牛津，英国梅耶兰，法国法国
sjetley@robots.ox.ac.uknaila.murray@
eleonora.vig@dlr.de
大多数显著性估计方法旨在显式建模低级显著性
线索，如边缘或斑点，并可能使用面部或文本检测等自
上而下的线索。基于数据的方法越来越受欢迎，特别是
图1.样本图像（左）与显著（中）和我们PDP方法预
随着大规模数据集和深度架构的引入，这些方法利用眼
测的图（右）。
动数据训练显著性模型。然而，当前在此范式下的方法
使用为分类或回归任务设计的损失函数，而显著性估计
型范式涉及使用数据驱动的方法来学习补丁级别的分
是在地形图上进行评估的。在这项工作中，我们介绍了
类器，这些分类器为局部图像补丁赋予“显著性分数”
一种新的显著模型，该模型将地图表述为广义伯努
[19,18],利用眼动数据来推导训练。出现了
利分布。然后，我们使用新颖的损失函数训练深度架构
一种趋势，这种趋势结合了这两种范式：使用分层模型
来预测此类地图，这些损失函数将softmax激活函数
来提取显著，模型权重以监督方式学习。特别是，
与计算概率分布之间距离的度量配对。我们在广泛的
端到端或“深度”架构，这些架构已在语义标记任务
实验中展示了这种损失函数在四个公共基准数据集上的
（如分类或对象定位）中成功应用，已被重新用于注意
有效性，并证明了其性能优于最先进的显著性方法。
力模型。[23,33]这一趋势得益于通过新颖的眼动收集
范式创建的大规模视觉注意力数据集的引入。[16,43]
然而，尽管这些深度方法专注于设计适合提取显著
的架构，它们仍然使用为语义任务（如分类或回归损
1.引言
失）适应的损失函数。
这项工作关注于视觉注意力预测，特别是，当给
定输入图像时，预测一个地形视觉显著。视觉注
意力在计算机视觉中传统上被用作预处理步骤，以便在这项工作中，我们提出了一种新的显著预
将后续处理集中在图像中的区域，这随着视觉模测方法，将其作为概率分布预测任务。该图被化
型和数据集的规模不断增大而变得越来越重要。显著为广义伯努利分布，并基于概率距离度量提出了几种
预测在诸如自动图像裁剪[39],内容感知图像缩放新的损失函数。我们展示了使用这些损失函数训练深
[1],图像缩略图[29],对象识别[7],
文档评论（0）