视觉注意力检测综述
作者:
作者单位:

作者简介:

王文冠(1990-),男,河北磁县人,博士,CCF学生会员,主要研究领域为计算机视觉,人工智能;沈建冰(1978-),男,博士,教授,博士生导师,CCF专业会员,主要研究领域为计算机视觉,人工智能;贾云得(1962-),男,博士,教授,博士生导师,CCF杰出会员,主要研究领域为计算机视觉,人工智能.

通讯作者:

沈建冰,E-mail:shenjianbing@bit.edu.cn

基金项目:

国家自然科学基金(61673062);北京市自然科学基金(4182056)


Review of Visual Attention Detection
Author:
Affiliation:

Fund Project:

National Natural Science Foundation of China (61673062); Natural Science Foundation of Beijing Municipality (4182056)

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
    摘要:

    人类能够迅速地选取视野中的关键部分,选择性地将视觉处理资源分配给这些视觉显著的区域.在计算机视觉领域,理解和模拟人类视觉系统的这种注意力机制,得到了学界的大力关注,并显示出了广阔的应用前景.近年来,随着计算能力的增强以及大规模显著性检测数据集的建立,深度学习技术逐渐成为视觉注意力机制计算和建模的主要手段.综述了视觉注意力检测的最新研究进展,包括人眼关注点检测和显著物体检测,并讨论了当前流行的视觉显著性检测数据集和常用的评估指标.对基于深度学习的工作进行了综述,也对之前代表性的非深度学习模型进行了讨论,同时,对这些模型在不同的数据集上的性能进行了详细评估.最后探讨了该领域的研究趋势和未来的发展方向.

    Abstract:

    Humans have ability to quickly select a subset of the visual input and allocate processing resources to those visually important regions. In computer vision community, understanding and emulating such attention mechanism of the human visual system has attracted much attention from the researchers and shown a wide range of applications. More recently, with the ever increasing computational power and availability of large-scale saliency datasets, deep learning has become a popular tool for modeling visual attention. This review includes the recent advances in visual attention modeling, including fixation prediction and salient object detection. It also discusses popular visual attention benchmarks and various evaluation metrics. The emphasis of this review is both on the deep learning based studies and the represented non-deep learning models. Extensive experiments are also performed on various benchmarks for evaluating the performance of those visual attention models. In the end, the review highlights current research trends and provides insight into the future direction.

    参考文献
    相似文献
    引证文献
引用本文

王文冠,沈建冰,贾云得.视觉注意力检测综述.软件学报,2019,30(2):416-439

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
历史
  • 收稿日期:2018-05-20
  • 最后修改日期:2018-08-06
  • 录用日期:
  • 在线发布日期: 2019-01-26
您是第位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京市海淀区中关村南四街4号,邮政编码:100190
电话:010-62562563 传真:010-62562533 Email:jos@iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号