選擇性視覺注意模型評價方法探析

張倩

[摘 要]計算機(jī)視覺領(lǐng)域內(nèi)，為了模擬人類視覺系統(tǒng)，越來越多的視覺注意模型不斷涌現(xiàn)，但缺乏對其進(jìn)行客觀、公正、合理的評價方法體系。針對此問題，首先，對現(xiàn)有模型廣泛使用的測試圖像集和評價模型的性能指標(biāo)進(jìn)行梳理和總結(jié)；其次，將統(tǒng)計學(xué)中的均方差指標(biāo)和雙側(cè)T-test假設(shè)檢驗(yàn)方法引到選擇性視覺注意模型的顯著性評價上；最后，提出一個綜合評價視覺注意模型的方法體系準(zhǔn)則，經(jīng)實(shí)驗(yàn)驗(yàn)證與文獻(xiàn)分析其評價結(jié)果較為客觀、公正、可信。

[關(guān)鍵詞]視覺注意模型；評價方法；均方差指標(biāo)；雙側(cè)T-test假設(shè)檢驗(yàn)；綜合評價

[DOI]10.13939/j.cnki.zgsc.2016.51.140

近幾年來，涌現(xiàn)出了很多模仿人類視覺注意機(jī)制的可計算的選擇性視覺注意模型，而且這些模型在預(yù)測人類注意視點(diǎn)方面也取得了較好的效果。但是，如何對這些視覺注意模型的性能進(jìn)行客觀、全面的評價卻是一個難題。截至目前也出現(xiàn)了為數(shù)不多的評價視覺注意模型的方法；但總的來說，這些方法針對性強(qiáng)，不能綜合反映視覺注意模型的整體性能。為此，本文在對現(xiàn)有模型測試圖像集和性能評價指標(biāo)進(jìn)行系統(tǒng)歸納和總結(jié)的基礎(chǔ)上，引入一些新的數(shù)字化指標(biāo)，進(jìn)而提出了一個綜合評價準(zhǔn)則。

1 現(xiàn)有的評價性能指標(biāo)

根據(jù)眼動圖像數(shù)據(jù)集，可以利用接受者操作特性曲線（ROC）對視覺注意模型進(jìn)行定性分析。ROC曲線分析的初衷是用于醫(yī)學(xué)病例的診斷統(tǒng)計分析的，現(xiàn)在被廣泛應(yīng)用到SVAM的評價中。選擇性視覺注意模型評價的核心思想是：模型得到的顯著圖與Ground-truth圖的相似度。ROC曲線是基于二值分類器原理，來評估不同類型的選擇性視覺注意模型，其分析的對象是灰度圖或者顯著圖。因此，對應(yīng)眼動數(shù)據(jù)的二值圖像需要通過與二維高斯核進(jìn)行卷積操作，對圖像進(jìn)行平滑處理，以得到相應(yīng)的Ground-truth灰度顯著圖。

2 均方差和T-test引入

利用數(shù)字化評價指標(biāo)對SVAM評價時，會存在“失效”現(xiàn)象，例如，當(dāng)在Einhuser等提供的眼動數(shù)據(jù)集上評價GBVS模型時，其AUC值為0.98，與理想的AUC值1相差很小，但實(shí)際上GBVS模型的顯著目標(biāo)分割結(jié)果與Ground-truth圖的差異還很大。所以GBVS模型存在過分割現(xiàn)象，并且提取的形狀特征交叉。以上的分析預(yù)示ROC曲線分析或AUC性能指標(biāo)并不是適用于所有SVAM的性能評價。同樣地，Recall、Precision和F值等數(shù)字化指標(biāo)也存在類似問題。鑒于上述數(shù)字化性能指標(biāo)在評價SVAM過程中存在“失效”的問題，文中將借鑒統(tǒng)計學(xué)上的均方差指標(biāo)、雙側(cè)Students T-test假設(shè)檢驗(yàn)方法來進(jìn)行選擇性視覺注意模型的性能評價。

3 綜合評價準(zhǔn)則

為了綜合比較SVAM的語義圖像分割的效果和性能，本文提出基于決策分析表的方法來對不同類型的AVAM進(jìn)行綜合評價。

（1）基于一定的生物視覺理論或機(jī)制

從圖像分割的長期發(fā)展上看，基于生物視覺理論的圖像分割方法有更廣闊的應(yīng)用前景。但是從目前的圖像分割方法布局上來看，孰優(yōu)孰劣，尚難定論。所以，此項標(biāo)準(zhǔn)的評分準(zhǔn)則簡單的為：基于生物視覺理論或機(jī)制的模型，得2分；混合模型，得1分；純計算模型，得0分。

（2）模型不需要任何訓(xùn)練樣本或可調(diào)參數(shù)

自動地進(jìn)行圖像分割一直是計算機(jī)視覺領(lǐng)域一項具有挑戰(zhàn)性的工作，因此本項評分標(biāo)為：不需要樣本訓(xùn)練和可調(diào)參數(shù)的得2分；需要一個的得1分；均需要的得0分。

（3）第一個關(guān)注的是最大的顯著區(qū)域

該標(biāo)準(zhǔn)十分重要，所以計分要加大權(quán)重。根據(jù)Recall、Precision、AUC及其均方差（σ）的定義，該項計分準(zhǔn)則為：前3項指標(biāo)的正序序號和最后一項指標(biāo)的逆序序號的和。其中，正序指數(shù)字化指標(biāo)值按從小到大的進(jìn)行排序，逆序指從大到小來排列。

（4）均勻地包括顯著對象的整體

該項標(biāo)準(zhǔn)也很重要，計分也會加大權(quán)重。由于F值是評價測試圖像的一個全局評價指標(biāo)，是召回率和查全率的綜合表現(xiàn)，可以反映圖像分割結(jié)果的光滑一致性。所以該項準(zhǔn)則的得分為F值的正序序號以及均方差（σ）的逆序序號之和。

（5）顯著對象具有良好的形狀特征

形狀特征良好的得2分；初具形狀的得1分。否則，得0分。

（6）抵抗幾何攻擊和噪聲

兩者都抵抗的得2分；能抵抗其中一項的得1分；均不抵抗的得0分。

（7）實(shí)時地輸出全分辨率的顯著圖

可以實(shí)時輸出地輸出全分辨率顯著結(jié)果的得2分；具有實(shí)時和全分辨率其中一項的得1分；不具一項的得0分。

4 結(jié) 論

本文首先詳細(xì)介紹了常用于評價選擇性視覺注意模型的圖像數(shù)據(jù)集以及性能數(shù)字化指標(biāo)。其次在對已有的數(shù)字化性能指標(biāo)的總結(jié)分析基礎(chǔ)上，將統(tǒng)計學(xué)上的均方差和雙側(cè)t-test引入選擇性視覺注意模型的評價中。最后，為了更好地對SVAM做出全面的評價，提出了一個基于決策分析表的綜合評價標(biāo)準(zhǔn)。經(jīng)實(shí)驗(yàn)驗(yàn)證與文獻(xiàn)分析，本文結(jié)果較為科學(xué)、合理、可信。下一步，將繼續(xù)探究決策分析表中的構(gòu)成要素及其相互關(guān)系比重。

參考文獻(xiàn)：

[1]李志成，秦世引，Itti L.遙感圖像的顯著-概要特征提取與目標(biāo)檢測[J].北京航空航天大學(xué)學(xué)報，2010，36（6）：659-662.

[2]溫寄，李苓苓，劉慶杰，等.基于視覺顯著性和圖分割的高分辨率遙感影像中人工目標(biāo)區(qū)域提取[J].測繪學(xué)報，2013，42（6）：831-837.

[3]Bruce N，Tsotsos J K.Attention Based on Information Maximization[J].Journal of Vision，2007，7（9）：950-950.

[4]Hou X，Zhang L.Saliency Detection：A spectral Residual Approach[C].Proceedings of Computer Vision and Pattern Recognition，2007：1-8.

[5]過晨雷.注意力選擇機(jī)制的研究：算法設(shè)計以及系統(tǒng)實(shí)現(xiàn)[D].上海：復(fù)旦大學(xué)，2008.

[6]Achanta R，Süsstrunk S.Saliency Detection Using Maximum Symmetric Surround[C].Proceedings of IEEE International Conference on Image Processing，2010，10：2653-2656.

[7]毋小省，孫君頂.基于感興趣區(qū)域的圖像檢索方法[J].2013，43（2）：221-224.

[8]Zhang L B，Yang K N.Region-of-interest Extraction Based on Frequency Domain Analysis and Salient Region Detection for Remote Sensing Image[J].2014，11（5）：916-920.

[9]He D J，Liu R S，Song H B.Closed Salient Edge Extraction Based on Visual Attention Mechanism[J].Applied Mechanics and Materials，2011，（58-60）：1972-1978.

[10]Russell B C，Torralba A，Murphy K P，F(xiàn)reeman W T.Labelme：a Database and Web-based Tool for Image Annotation[J].International Journal of Computer Vision，2008，77（1-3）：157-173.

[11]李甲.基于學(xué)習(xí)的視覺顯著計算.[D].北京：中國科學(xué)院研究生院，2010.

[12]Guo C L，Zhang L M.A novel Multi Resolution Spatiotemporal Saliency Detection Model and its Applications in Image and Video Compression[J].IEEE Transactions on Image Processing，2010，19（1）：185-198.