1、显著目标检测介绍

显著性检测最近几年成了研究热点，从计算机视觉三大会议（ICCV, CVPR, ECCV）上的文章数量就可以看出，大概每届会议都有10来篇的样子，一个这么小的topic，10来篇数量已经很多了。如果你看一看这些文章就会发现，显著目标检测的占了大部分，眼动点预测的很少，大概就一两篇。看到这，有些人也许还不明白显著目标检测和眼动点预测区别。其实，显著目标检测就类似于一个二值分割问题，只不过加了显著这个条件约束；而眼动点预测则是提取出人眼感兴趣的一些点，而不是提取出显著的整个目标区域，也就是说有些像素哪怕是在显著目标上，它也可能不吸引人的眼球。那么为什么显著目标检测文章最近几年这么多呢？究其原因，我个人认为首要就是这个topic简单，不需要太深的数学理论，而且不需要生理方面的研究基础（眼动点预测更侧重人脑的生理方面），容易出文章，谁都可以搞一搞；然后，显著目标检测的应用在计算机视觉上更直接一些，包括图像分割，也就是saliency作为prior，来指导segmentation，来实现unsupervised segmentation。然后，就是图像分类了，可以利用saliency来提高feature的discrimination，如利用saliency来指导sparse code等等吧；最后，就是大牛们itti和borji等的持续push，写了很多的benchmark文章，当然更多是在眼动点预测方面，也有ECCV12关于salient object detection的benchmark。现在的要发个top，最好要和ECCV12 benchmark上的top ranked算法在提到的几个database上比较一下。不过，一个topic持续的发热一段时间以后，很多人发现，显著目标检测也越来越难做了，没有idea了，能想到的，都被用了。那么，我接下来就来讲一讲怎样继续做显著目标检测的研究。

2、显著目标检测的研究思路

第一，借鉴其他相关问题的解决思路来做saliency

我先来介绍一下和salient object detection最相关的两个问题：

1、Segmentation

– Figure/ground segmentation or matting

– Image segmentation or clustering

– Semantic segmentation or image parsing

2、Object detection and recognition

– Class-independent object detection and recognition

– Class-specific object detection and recognition

接下来，我就举一些例子，来说明怎样从这些相关领域来得到启发

第一个例子就是MSRA的yichen wei等ECCV12 Geodesic saliency，这篇文章的主要是利用boundary prior和测地距离来进行显著性检测。而相似的思路也应用于segmentation中，如Geodesic Graph Cut for Interactive Image Segmentation, CVPR 10，就是利用和人为标记的一些先验区域的测地距离，来衡量像素属于目标或者背景可能性，当我们把人为标定的先验区域，用boundary prior替代，就可以实现bottom-up的saliency detection了。而boundary prior在Constrained Parametric Min-Cuts for Automatic Object Segmentation, CVPR 10，也已用到，就是利用boundary prior来指导分割的。

第二个例子就是CVPR13的Salient Object Detection: A Discriminative Regional Feature Integration Approach。相似的思路，也在Constrained Parametric Min-Cuts for Automatic Object Segmentation, CVPR 10中，用来进行segmentation。不同的是一个处理的是region，一个是binary segment。处理region的好处，就是可以加上center-surround等各种saliency的机制。

第三个例子CVPR13的 Saliency aggregation。文章主要是利用local learning的思想，就是说类内差异性，导致一个针对整幅图像库的model不可能对每个图像都好，所以他就对每个图像训练了一个local model。相似的思路，在Object recognition有很多，如Extracting Foreground Masks towards Object Recognition, ICCV 11. 另外， CVPR13 Looking beyond image saliency，也采用了类似的idea。

第二，利用一些新的技术来进行显著性检测

我们可以借用machine learning方面一些技术，比如说，sparse code，pca，manifold learning，ranking，graph model等来做saliency。这些idea容易搞，就是把一些技术应用到saliency上来。举几个例子，CVPR13的 manifold ranking saliency， pca saliency等，ICCV13 的 Contextual Hypergraph Modelling for Salient Object Detection 等。

3、以后研究思路

我觉得以后的salient object detection可以沿着几个思路做一些。

第一，可以在速度方面做一些工作，毕竟salient object detection 自己几乎没啥用，就是做一些高级应用的pre-processing。

第二，可以做一些sparse code的saliency研究，貌似sparse code在很多方面都要火一阵，比如classification，tracking，super-resolution, denoise等等，是不是在saliency也要火一阵，貌似sparse code的效果还不太好。ICCV13 huchuan lu有一篇 sparse code，效果还不错。

第三，多用一些prior来做saliency。比如可以利用inter-image or out-image等的prior来把saliency这个ill-posed问题转化为well-posed。这是个很好的方向，比如我们可以学习统计的prior或者发现新的prior，相关的思路在segmentation也有了，比如CVPR 13Robust Region Grouping via Internal Patch Statistics 和 ACM MM10 的 Image segmentation with patch-pair density priors。

困了，先写到这，后续继续讲！

显著目标检测的研究思路相关推荐

基于深度学习的目标检测的研究进展2
普通的深度学习监督算法主要是用来做分类,如图1(1)所示,分类的目标是要识别出图中所示是一只猫.而在ILSVRC(ImageNet Large Scale Visual Recognition Cha ...
2021年小目标检测最新研究综述很全面值得收藏
摘要小目标检测长期以来是计算机视觉中的一个难点和研究热点.在深度学习的驱动下,小目标检测已取得了重大突破,并成功应用于国防安全.智能交通和工业自动化等领域.为了进一步促进小目标检测的发展,本文对小目 ...
目标检测YOLO实战应用案例100讲-自动驾驶场景下的三维目标检测技术研究
目录辅助驾驶场景下的目标检测算法研究传统目标检测方法基于深度学习的目标检测方法
目标检测YOLO实战应用案例100讲-基于多尺度特征融合的水下小目标检测方法研究
目录水下弱小目标检测算法研究水下目标检测相关研究基础 2.1水下目标检测算法概述
目标检测YOLO实战应用案例100讲-基于激光雷达点云的三维目标检测算法研究
目录基于激光雷达点云的三维目标检测算法研究基于投影图的方法基于点云的多模态融合方法
目标检测YOLO实战应用案例100讲-基于深度学习的自动驾驶车辆三维目标检测方法研究与应用
目录基于深度学习的车辆目标检测方法研究基于卷积神经网络的目标检测技术
目标检测YOLO实战应用案例100讲-基于深度学习的交通场景多尺度目标检测算法研究与应用
目录基于深度学习的交通目标检测算法研究传统的目标检测算法基于深度学习的目标检测算法 </
笔记《基于无人驾驶方程式赛车的传感器融合目标检测算法研究及实现》
论文结构关键字:无人驾驶方程式赛车,相机,激光雷达,目标检测,传感器融合一.绪论 1. 感知技术研究现状 1.1.1 基于相机的目标检测技术研究现状 1.1.2 基于激光雷达的目标检测技术研究现状 ...
基于matlab的目标检测的基本思路
图像处理之目标检测目标检测的基本思路遇到的问题鹿人鹰花狗总结附录目标检测的基本思路对于轮廓清晰的图片,可以先检测出他的轮廓,此时会有背景的轮廓也被添加进来,可以通过先填洞,再腐蚀 ...
目标检测YOLO实战应用案例100讲-基于深度学习的自动驾驶目标检测算法研究
目录基于深度学习的自动驾驶目标检测算法研究相关理论基础 2.1 卷积神经网络基本原理

显著目标检测的研究思路