轉自http://www.360doc.com/content/14/0725/09/10724725_396891787.shtml
1、顯著目標檢測介紹
顯著性檢測最近幾年成了研究熱點，從計算機視覺三大會議（ICCV, CVPR, ECCV）上的文章數量就可以看出，大概每屆會議都有10來篇的樣子，一個這么小的topic，10來篇數量已經很多了。如果你看一看這些文章就會發現，顯著目標檢測的占了大部分，眼動點預測的很少，大概就一兩篇。看到這，有些人也許還不明白顯著目標檢測和眼動點預測區別。其實，顯著目標檢測就類似於一個二值分割問題，只不過加了顯著這個條件約束；而眼動點預測則是提取出人眼感興趣的一些點，而不是提取出顯著的整個目標區域，也就是說有些像素哪怕是在顯著目標上，它也可能不吸引人的眼球。那么為什么顯著目標檢測文章最近幾年這么多呢？究其原因，我個人認為首要就是這個topic簡單，不需要太深的數學理論，而且不需要生理方面的研究基礎（眼動點預測更側重人腦的生理方面），容易出文章，誰都可以搞一搞；然后，顯著目標檢測的應用在計算機視覺上更直接一些，包括圖像分割，也就是saliency作為prior，來指導segmentation，來實現unsupervised segmentation。然后，就是圖像分類了，可以利用saliency來提高feature的discrimination，如利用saliency來指導sparse code等等吧；最后，就是大牛們itti和borji等的持續push，寫了很多的benchmark文章，當然更多是在眼動點預測方面，也有ECCV12關於salient object detection的benchmark。現在的要發個top，最好要和ECCV12 benchmark上的top ranked算法在提到的幾個database上比較一下。不過，一個topic持續的發熱一段時間以后，很多人發現，顯著目標檢測也越來越難做了，沒有idea了，能想到的，都被用了。那么，我接下來就來講一講怎樣繼續做顯著目標檢測的研究。
2、顯著目標檢測的研究思路
第一，借鑒其他相關問題的解決思路來做saliency
我先來介紹一下和salient object detection最相關的兩個問題：
– Figure/ground segmentation or matting– Image segmentation or clustering– Semantic segmentation or image parsing
– Class-independent object detection and recognition– Class-specific object detection and recognition
接下來，我就舉一些例子，來說明怎樣從這些相關領域來得到啟發
第一個例子就是MSRA的yichen wei等ECCV12 Geodesic saliency，這篇文章的主要是利用boundary prior和測地距離來進行顯著性檢測。而相似的思路也應用於segmentation中，如Geodesic Graph Cut for Interactive Image Segmentation, CVPR 10，就是利用和人為標記的一些先驗區域的測地距離，來衡量像素屬於目標或者背景可能性，當我們把人為標定的先驗區域，用boundary prior替代，就可以實現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來指導分割的。
第二個例子就是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，用來進行segmentation。不同的是一個處理的是region，一個是binary segment。處理region的好處，就是可以加上center-surround等各種saliency的機制。
第三個例子CVPR13的 Saliency aggregation。文章主要是利用local learning的思想，就是說類內差異性，導致一個針對整幅圖像庫的model不可能對每個圖像都好，所以他就對每個圖像訓練了一個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， 也采用了類似的idea。
第二，利用一些新的技術來進行顯著性檢測
我們可以借用machine learning方面一些技術，比如說，sparse code，pca，manifold learning，ranking，graph model等來做saliency。這些idea容易搞，就是把一些技術應用到saliency上來。舉幾個例子，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
我覺得以后的salient object detection可以沿着幾個思路做一些。
第一，可以在速度方面做一些工作，畢竟salient object detection 自己幾乎沒啥用，就是做一些高級應用的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陣，比如classification，tracking，super-resolution, denoise等等，是不是在saliency也要火一陣，貌似sparse code的效果還不太好。ICCV13 huchuan lu有一篇 sparse code，效果還不錯。
第三，多用一些prior來做saliency。比如可以利用inter-image or out-image等的prior來把saliency這個ill-posed問題轉化為well-posed。這是個很好的方向，比如我們可以學習統計的prior或者發現新的prior，相關的思路在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。