論文閱讀：Salient Object Detection: A Benchmark

南開大學的顯著性檢測benchmark 鏈接：http://mmcheng.net/zh/salobjbenchmark/ 鏈接里還有其提供的C++代碼的GitHub鏈接。
概述
本benchmark一共整理了28 個salient object detection顯著性檢測算法, 10個注視點預測1個 objectness(目標候選區生成)和一個baseline—平均標注圖（Average Annotation Map） 顯著性檢測算法主要有基于人眼注視點的預測 和 計算機視覺驅動的確定顯著目標或區域模型兩種方法，作者認為，一個顯著性檢測模型應該：檢測出吸引人注意力的目標，分割出完整的目標。顯著性檢測已經應用在目標檢測與識別，圖像和視頻壓縮的，視頻摘要，照片的校對/媒體重定向/剪切/縮略圖，圖像質量評價，圖像分割，基于內容的圖像檢索和圖像采集瀏覽，圖像編輯和操縱，視覺跟蹤，對象發現，人機交互等領域。 本文主要研究的問題：以前的模型是真的有進步呢還是僅僅的對數據集（過）擬合了？優秀的老模型在新的數據集上是否有好效果？ 使用了MSRA10K, ECSSD, THUR15K,JuddDB ,DUT-OMRON,and,SED2 6個數據集，挑選數據庫的時候，主要是基于以下幾個原因的考慮，被廣泛的應用，含有大量圖像，具有不同的偏好{例如，顯著性目標的個數，圖像雜波(復雜度，主要看超像素的個數)，中心偏差}，和可能作為未來研究的benchmark

評價一個算法的方法有：

一、召回率和精度：
對于一個顯著圖S，轉換成二值圖mask M,人工標定圖ground-truth G Precision=|M?G||M|Precision=|M?G||M|
Recall=|M?G||G|Recall=|M?G||G|
其中，Salient map二值化的方法有三種：
第一種：自適應閾值二值化：
2W×H∑Wx=1∑Hy=1S(x,y)2W×H∑x=1W∑y=1HS(x,y)
第二種方法是用0-255每個像素都做閾值，記錄下精度-召回率（PR）曲線或者。最后使用PR曲線或者ROC曲線評價模型
第三種方法是SaliencyCut algorithm 這種方法往往有好的召回率卻只有低的精度。SaliencyCut是MingMingChen論文里的一種類似GrabCut的分割算法。

二、F測度 越大越好
F測度同時考慮了召回率和精度
Fβ=(1+β2)Precision×Recallβ2Precision+RecallFβ=(1+β2)Precision×Recallβ2Precision+Recall
β2β2在文中設置為0.3，更加注重精度
三、ROC曲線
真正率和虛警率的曲線，通過改變二值化的閾值T來得到
TPR=|M?G||G|TPR=|M?G||G|
FPR=|M?Gˉ||Gˉ|FPR=|M?Gˉ||Gˉ|
四、AUC分數
Area under ROC，也就是ROC曲線下的面積，好的模型AUC趨向1,隨機猜測的auc是0.5
五、Mean absolute error (MAE) score 平均絕對誤差。越小越好
為了更綜合地比較，不僅僅考慮overlap和二值圖，而應該考慮預測的前景、背景的saliency值。
MAE=2W×H∑Wx=1∑Hy=1|Sˉ(x,y)?Gˉ(x,y)|MAE=2W×H∑x=1W∑y=1H|Sˉ(x,y)?Gˉ(x,y)|

各個算法的優劣性：
對于PR曲線和ROC曲線上，DRFI算法在6個benchmark上都大大的優勝于其他的模型，同時，RBD, DSR 和MC的效果相近，且輕微的優勝于其他模型。對于F測度，五個最好的模型是：DRFI，MC，RBD，DSR，GMR；DRFI在5個數據集上優勝于其他模型。MC在2個數據集中排第二和兩個數據集中排第三。SR和SIM表現最差。
對于AUC值，DRFI在六個數據集上再次排名最好。緊跟著DRFI，DSR在4個數據集中排第二。RBD在一個數據集居第二和2個數據集中排第三。PCA在1個數據集AUC值上排名第三的，然而采用F測度時，它并不在前三中。IT，LC，和SR性能最差。值得一提的是，所有的模型在六個benchmark數據集都比隨機猜測（AUC = 0.5）的結果好。
采用MAE測度，模型排名比F或AUC得分更加多樣化。DSR、DRFI和RBD排列前茅，但沒有一個在JuddDB數據集排前三。MC模型雖然在F測度和AUC中表現良好，在MAE測度上在任何數據集都沒有排到前三。PCA在JuddDB上最好在其他數據集上比較差。SIM和SVO模型表現最差?；趨^域的方法，例如，RC，HS，DRFI、BMR、CB、DSR，與其他基于像素和基于塊的模型相比，總是能較好的保存對象的邊界。

總結

以上是生活随笔為你收集整理的论文阅读：Salient Object Detection: A Benchmark的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。