电子学报 ›› 2019, Vol. 47 ›› Issue (6): 1352-1365.DOI: 10.3969/j.issn.0372-2112.2019.06.024

• 综述评论 • 上一篇    下一篇

协同视觉显著性检测方法综述

钱晓亮1, 白臻1, 陈渊1, 张鼎文2, 史坤峰1, 王芳1, 吴青娥1, 毋媛媛1, 王慰1   

  1. 1. 郑州轻工业学院电气信息工程学院, 河南郑州 450002;
    2. 西安电子科技大学机电工程学院, 陕西西安 710071
  • 收稿日期:2018-05-02 修回日期:2018-08-02 出版日期:2019-06-25 发布日期:2019-06-25
  • 通讯作者: 毋媛媛, 王慰
  • 作者简介:钱晓亮 男,1982年10月生于河南孟州.2013年毕业于西北工业大学,获工学博士学位.现为郑州轻工业学院电气信息工程学院校聘副教授,硕士生导师.主要研究方向为计算机视觉与人工智能,视觉注意力计算,遥感图像分析与处理.发表SCI/EI论文20余篇;授权国家发明专利9项;主持或参与国家自然科学基金、河南省高等学校重点科研项目、河南省科技攻关项目、河南省高校科技创新团队等项目10余项.E-mail:qxl_sunshine@163.com;白臻 女,1992年11月生于河南巩义.2016年毕业于武汉华夏理工学院,获学士学位.现为郑州轻工业学院电气信息工程学院硕士研究生.主要研究方向为计算机视觉与机器学习,视觉显著性检测.E-mail:bz532476@163.com
  • 基金资助:
    国家自然科学基金(No.61501407,No.61603350,No.61703373);河南省高校科技创新团队(No.19IRTSTHN013);河南省高等学校重点科研项目(No.19A413014,No.16A413017);郑州轻工业学院博士基金(No.2014BSJJ016,No.2015BSJJ004,No.2017BSJJ008)

A Review of Co-saliency Detection

QIAN Xiao-liang1, BAI Zhen1, CHEN Yuan1, ZHANG Ding-wen2, SHI Kun-feng1, WANG Fang1, WU Qing-e1, WU Yuan-yuan1, WANG Wei1   

  1. 1. School of Electrical and Information Engineering, Zhengzhou University of Light Industry, Zhengzhou, Henan 450002, China;
    2. School of Mechano-Electronic Engineering, Xidian University, Xi'an, Shaanxi 710071, China
  • Received:2018-05-02 Revised:2018-08-02 Online:2019-06-25 Published:2019-06-25

摘要: 协同视觉显著性检测是视觉注意力计算领域中一个快速发展的新兴分支,致力于检测多幅相关场景图像中的公共显著目标,在各种计算机视觉任务中有广泛应用.考虑到特征提取策略的设计是协同视觉显著性检测当前研究的重点,本文首先根据特征提取策略的不同对现有的协同视觉显著检测方法进行了分类介绍和定性分析.其次,通过在5个公开数据库上的主观和定量对比,对各流行算法的性能进行了评估,分析了特征提取策略对算法性能的影响以及各数据库的复杂度,并验证了协同视觉显著性检测和视觉显著性检测的区别.最后,对本文工作进行了总结,并对当前研究中存在的问题和未来的研究工作进行了讨论.

关键词: 视觉注意力, 协同视觉显著性, 特征提取策略, 手工特征, 浅层学习特征, 深度学习特征

Abstract: Co-saliency detection is a new branch with the rapid development in the field of visual attention,which concerns the detection of the common salient objects from multiple relevant scene images,and can be widely used in various computer vision tasks.Considering the key point of current research is the design of feature extraction strategy,the existing co-saliency detection methods are firstly summarized and qualitatively analyzed according to the different feature extraction strategies in this paper.Subsequently,based on the subjective and quantitative comparisons in the five open datasets,the performance of the state-of-the-art algorithms is evaluated,the influence of the feature extraction strategy on the performance of algorithms and the complexity of the datasets is analyzed,and the difference of co-saliency detection and saliency detection is also verified.Finally,the conclusion of this paper are presented,the problems of current research and the future development are also discussed.

Key words: visual attention, co-saliency, feature extraction strategy, hand-designed features, shallow learning features, deep learning feature

中图分类号: