一種整合語(yǔ)義對(duì)象特征的視覺(jué)注意力模型

李 娜, 趙歆波

(1.西北工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院,西安 710129； 2.陜西省語(yǔ)音與圖像信息處理重點(diǎn)實(shí)驗(yàn)室,西安 710129)

視覺(jué)注意力機(jī)制是人類視覺(jué)快速掃描場(chǎng)景后獲取高度相關(guān)信息的大腦信號(hào)處理機(jī)制.視覺(jué)注意力模型是指計(jì)算機(jī)利用視覺(jué)搜索得到的各種特征，估計(jì)人類注意力顯著信息的技術(shù).對(duì)于許多計(jì)算機(jī)視覺(jué)任務(wù)，人類視覺(jué)注意力建模是重要的科學(xué)問(wèn)題.例如，對(duì)于視頻壓縮，人眼感興趣區(qū)域(Region of Interesting, RoI)是需要重點(diǎn)保留的關(guān)鍵信息.對(duì)人機(jī)交互和廣告設(shè)計(jì)來(lái)講，準(zhǔn)確了解人眼在場(chǎng)景中哪些信息感興趣，可以更好設(shè)計(jì)出滿足用戶需求的產(chǎn)品.生物認(rèn)知學(xué)為人類視覺(jué)注意機(jī)制研究提供了生物學(xué)基礎(chǔ)[1].當(dāng)人眼觀察視覺(jué)信息時(shí)，經(jīng)大腦特定部位選擇性地感知的信息會(huì)在人眼視網(wǎng)膜的黃斑上成像.例如，功能磁共振成像(Functional Magnetic Resonance Imaging, FMRI)顯示人類大腦的梭形面部區(qū)域感知面部信息[2]，大腦的旁海馬區(qū)感知地方和建筑物[3-4]信息.受認(rèn)知研究啟發(fā)，本文記錄并分析了人眼在觀察場(chǎng)景時(shí)的眼動(dòng)數(shù)據(jù)，得出語(yǔ)義對(duì)象區(qū)域?yàn)槿祟愱P(guān)注的高意識(shí)區(qū)域，這些語(yǔ)義對(duì)象特征會(huì)更吸引視覺(jué)注意力.

近年來(lái)，眾多科研工作者對(duì)人眼運(yùn)動(dòng)進(jìn)行了研究，涌現(xiàn)出大量基于不同理論的視覺(jué)注意力模型.一些研究人員在低級(jí)注意力模型上取得了進(jìn)展.其中最有影響力的是由Itti[5]等提出的基于特征整合理論[6]的自下而上注意力模型.該理論利用顏色，方向和強(qiáng)度等低級(jí)特征預(yù)測(cè)圖像中吸引人眼注意的顯著區(qū)域.基于神經(jīng)反應(yīng)去相關(guān)的思想，Diaz等[7]提出了自適應(yīng)白化顯著性模型(Adaptive Whitening Saliency, AWS).Zhang等[8]提出了自然統(tǒng)計(jì)顯著模型(Saliency Using Natural statistics, SUN)，該模型將視覺(jué)特征的自身信息作為自下而上的顯著性.Torralba[9]提出了一種用于視覺(jué)搜索的貝葉斯框架用于顯著性計(jì)算.Harel[10]等提出了基于圖論的顯著模型(Graph Based Visual Saliency, GBVS).Vig等[11]利用機(jī)器學(xué)習(xí)方法計(jì)算圖像區(qū)域的顯著性.Tavakoli等[12]利用無(wú)監(jiān)督模型提取的特征用于顯著性計(jì)算.盡管這些模型表現(xiàn)良好，但卻忽略了語(yǔ)義對(duì)象特征對(duì)人類視覺(jué)注意力的吸引.

Judd等[13]和趙等[14]將低級(jí)特征和語(yǔ)義特征整合到了學(xué)習(xí)框架中.Kummerer等[15]和Mahdi等[16]利用預(yù)訓(xùn)練的深度學(xué)習(xí)模型提取低級(jí)特征及語(yǔ)義特征用于顯著性預(yù)測(cè).但是，這些模型使用的語(yǔ)義特征比較有限，而實(shí)驗(yàn)結(jié)果表明，視覺(jué)注意力模型的性能通過(guò)語(yǔ)義特征的引入獲得了極大地提高.雖然這些模型使用了語(yǔ)義特征作為自上而下的指導(dǎo)信息，但提取的語(yǔ)義信息類別很有限.

人類感知語(yǔ)義信息的過(guò)程涉及了大量大腦感知神經(jīng)，其過(guò)程極其復(fù)雜.然而，深度學(xué)習(xí)在圖像語(yǔ)義分割領(lǐng)域成果斐然，涌現(xiàn)了各種性能優(yōu)良的網(wǎng)絡(luò)，如(FCN[17], DeepLab系列等[18-19])，深度學(xué)習(xí)網(wǎng)絡(luò)本質(zhì)就是人腦的仿生結(jié)構(gòu)，而圖像語(yǔ)義分割就是計(jì)算機(jī)自動(dòng)從圖像中識(shí)別并分割出對(duì)象區(qū)域，這與本文提取出在人眼觀察場(chǎng)景時(shí)人腦感知的語(yǔ)義對(duì)象特征的目的不謀而合，因此，本文將性能優(yōu)異的語(yǔ)義分割網(wǎng)絡(luò)遷移到視覺(jué)注意力模型中，來(lái)提取語(yǔ)義對(duì)象特征，大大增多了語(yǔ)義信息的類別數(shù)量.

此外，除了由人類認(rèn)知控制的自上而下的視覺(jué)注意外，還有一種潛意識(shí)的機(jī)制，即自下而上的視覺(jué)注意力，吸引人眼注意一些低級(jí)特征[6].因此，本文經(jīng)過(guò)分析，提取了28個(gè)吸引人眼的低級(jí)特征，除RGB顏色，亮度，強(qiáng)度等常見(jiàn)的低級(jí)特征之外，由于Lab顏色模型是基于人對(duì)顏色的感覺(jué)，所以本文同時(shí)提取了Lab顏色空間的顯著性特征.

本文利用深度學(xué)習(xí)網(wǎng)絡(luò)提取語(yǔ)義對(duì)象特征，將其與刺激人眼的低級(jí)特征通過(guò)支持向量機(jī)(Support Vector Machine, SVM)進(jìn)行整合，訓(xùn)練這些特征與眼動(dòng)跟蹤技術(shù)獲取的真實(shí)注視點(diǎn)之間的映射關(guān)系，得到能預(yù)測(cè)人眼注視點(diǎn)的視覺(jué)注意力模型.

1 眼動(dòng)數(shù)據(jù)采集與分析

為了研究普通人在觀看場(chǎng)景時(shí)的視覺(jué)行為，本文從用于語(yǔ)義分割的VOC2012數(shù)據(jù)庫(kù)[20]里帶有語(yǔ)義分割標(biāo)簽的2 913張圖像里挑選出研究用的圖像.圖像選取時(shí)最主要的原則是圖像中語(yǔ)義對(duì)象尺寸不能過(guò)大，因?yàn)楫?dāng)語(yǔ)義對(duì)象尺寸占了圖像絕大部分面積時(shí)，統(tǒng)計(jì)出的眼動(dòng)注視點(diǎn)落入語(yǔ)義對(duì)象區(qū)域的數(shù)量是沒(méi)有意義的.同時(shí)，兼顧數(shù)據(jù)庫(kù)語(yǔ)義對(duì)象的多樣性，盡可能地均衡了各類語(yǔ)義對(duì)象的數(shù)量，最終選擇了2 000張圖像進(jìn)行研究.然后記錄人眼觀察這2 000張圖像時(shí)的眼動(dòng)跟蹤數(shù)據(jù)，形成新的數(shù)據(jù)庫(kù)VOC2012-E.該數(shù)據(jù)庫(kù)用于對(duì)注視點(diǎn)的定量分析，并為顯著性模型的研究提供基準(zhǔn)圖像.與其他公開(kāi)語(yǔ)義對(duì)象分割的數(shù)據(jù)集相比，本文建立新數(shù)據(jù)集的主要?jiǎng)訖C(jī)是分析注視點(diǎn)信息.

本文利用Tobii TX300眼動(dòng)儀記錄受試者的眼球運(yùn)動(dòng)，其可以進(jìn)行高精度和高準(zhǔn)確性的眼動(dòng)追蹤.實(shí)驗(yàn)中，為保證數(shù)據(jù)的有效性，每次只播放100張圖像，每張圖像播放5s，在播放下一張圖像前自動(dòng)進(jìn)行快速校準(zhǔn)，每次采集大致進(jìn)行10～15 min，共有10名受試者參與實(shí)驗(yàn).

如表1所示，本文統(tǒng)計(jì)了每張圖像的眼動(dòng)注視點(diǎn)落入語(yǔ)義對(duì)象區(qū)域的總數(shù)，然后計(jì)算出落入語(yǔ)義對(duì)象區(qū)域的注視點(diǎn)占全部注視點(diǎn)的平均占比，數(shù)值超過(guò)83.53%，這表明語(yǔ)義對(duì)象特征吸引了受試者大部分的注意力.因此，為了提高視覺(jué)注意力模型預(yù)測(cè)的準(zhǔn)確性，語(yǔ)義對(duì)象特征的引入意義重大.

表1 眼動(dòng)注視點(diǎn)統(tǒng)計(jì)

如圖1(b)所示，匯總實(shí)驗(yàn)中記錄的所有受試者的真實(shí)眼動(dòng)注視點(diǎn)，疊加到原圖1(a)上，得到眼動(dòng)點(diǎn)的分布情況.圖1(c)重點(diǎn)突出語(yǔ)義對(duì)象與眼動(dòng)點(diǎn)分布的關(guān)系，經(jīng)過(guò)進(jìn)一步分析，無(wú)論目標(biāo)較大的圖像(第8列圖像牛)，還是目標(biāo)較小的圖像(第9列圖像羊)，語(yǔ)義對(duì)象都吸引了受試者大部分的注意力.圖d為將真實(shí)眼動(dòng)注視點(diǎn)進(jìn)行高斯濾波得到的基準(zhǔn)圖像，用于第4節(jié)的注意力模型的訓(xùn)練.

圖1 眼動(dòng)跟蹤實(shí)驗(yàn)

2 語(yǔ)義對(duì)象特征的提取

根據(jù)實(shí)驗(yàn)分析得出的語(yǔ)義特征提取的必要性，利用FCN網(wǎng)絡(luò)從圖像語(yǔ)義分割的角度出發(fā)提取圖像的語(yǔ)義對(duì)象特征.與語(yǔ)義分割任務(wù)不同，本文提取的語(yǔ)義對(duì)象特征是否具有精確邊緣，并不影響視覺(jué)注意力模型的預(yù)測(cè)人的注視點(diǎn)，但特征提取的時(shí)間和硬件成本卻對(duì)視覺(jué)注意力模型的訓(xùn)練至關(guān)重要.因此，綜合比較了常見(jiàn)語(yǔ)義分割模型，本文利用綜合性能最好的FCN-8s網(wǎng)絡(luò)提取語(yǔ)義特征，同時(shí)為了保證特征提取的魯棒性和有效性，對(duì)其進(jìn)行了改進(jìn)：采用了參數(shù)線性整流(Parametric Rectified Linear Unit, PReLu)函數(shù)取代了線性整流函數(shù)(Rectified Linear Unit, Relu);使用適應(yīng)性矩估計(jì)(Adaptive monent estimation, Adam)優(yōu)化網(wǎng)絡(luò)的學(xué)習(xí)率.

圖2為本文利用的FCN-8s的網(wǎng)絡(luò)結(jié)構(gòu).在本文使用的網(wǎng)絡(luò)結(jié)構(gòu)中，在卷積之后不再使用Relu激活函數(shù).雖然Relu激活函數(shù)由于自身只有線性關(guān)系，收斂速度很快，但是當(dāng)輸入為負(fù)數(shù)時(shí)，Relu的輸出被設(shè)為0，導(dǎo)致對(duì)應(yīng)權(quán)重?zé)o法更新，即該神經(jīng)元壞死，將會(huì)對(duì)任何數(shù)據(jù)都無(wú)法響應(yīng).為解決這一問(wèn)題，本文采用PReLu激活函數(shù)，其計(jì)算公式如下

(1)

式中:a的取值是在0～1之間變化的數(shù)，i為不同的通道.如式(1)所示，與Relu函數(shù)不同的是，當(dāng)PReLu的輸入為負(fù)數(shù)時(shí)，它的輸出非0，從而避免了神經(jīng)元壞死，而且PReLu只增加了很少的參數(shù)，所以只增加了很少的網(wǎng)絡(luò)的計(jì)算量.

圖2 本文使用的FCN-8s網(wǎng)絡(luò)結(jié)構(gòu)

此外，在網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，本文不再采用梯度下降優(yōu)化算法，而是利用Adam優(yōu)化算法調(diào)整網(wǎng)絡(luò)更新權(quán)重和偏差參數(shù).梯度下降法雖然是最常用的優(yōu)化算法，但是為其選擇合適的學(xué)習(xí)率比較難，學(xué)習(xí)率太小會(huì)導(dǎo)致網(wǎng)絡(luò)收斂過(guò)于緩慢，而學(xué)習(xí)率太大可能會(huì)影響網(wǎng)絡(luò)收斂.而且不同特征應(yīng)采用不同的更新率，比如，出現(xiàn)頻率較小的特征，應(yīng)有更大的更新率，但是梯度下降法的學(xué)習(xí)率是固定的.而Adam優(yōu)化算法可以為每個(gè)特征計(jì)算自適應(yīng)學(xué)習(xí)率，同時(shí)改進(jìn)了梯度下降法的缺點(diǎn)，如學(xué)習(xí)率消失、收斂過(guò)慢等.在本文提取語(yǔ)義特征的實(shí)際過(guò)程中，Adam優(yōu)化算法效果良好，收斂速度比梯度下降法更快，使特征提取更為有效.圖3為本文改進(jìn)后的FCN-8s架構(gòu)提取的語(yǔ)義對(duì)象特征FS示例.圖3(a)為原圖，圖3(b)為提取的語(yǔ)義對(duì)象特征，圖3(c)為人工標(biāo)記的語(yǔ)義對(duì)象.

3 低級(jí)特征的提取

人類的早期視覺(jué)通路會(huì)利用視網(wǎng)膜及初級(jí)視覺(jué)皮層提取如強(qiáng)度，顏色和方向等若干低級(jí)特征.因此為提高視覺(jué)注意力模型的性能，本節(jié)經(jīng)過(guò)反復(fù)實(shí)驗(yàn)及結(jié)果比較，選取了包含了28個(gè)低層特征的特征集FL={f1,f2,…,f28}：圖4中(1)～(13)圖為13個(gè)亮度特征，其通過(guò)金字塔濾波器對(duì)3尺度的多分辨率亮度圖像進(jìn)行4方向的濾波得到；圖4中(14)～(16)圖為利用ITTI[5]模型計(jì)算得到的顏色，強(qiáng)度，方向3個(gè)特征；由于Lab顏色模型是基于人對(duì)顏色

圖3 本文利用改進(jìn)的FCN-8s提取的語(yǔ)義對(duì)象特征

圖4 28個(gè)低級(jí)特征

的感覺(jué)，因此本文利用FT[21]模型提取Lab色彩空間特征(圖4中(17)圖)；圖4中(18)～(23)圖為計(jì)算紅、綠、藍(lán)三顏色通道值及概率值，分別得到的3個(gè)色度特征及3個(gè)色度概率特征；圖4中(24)～(28)圖為利用中值濾波器對(duì)6尺度的彩色圖像進(jìn)行濾波，并計(jì)算三維色度直方圖而得到的5個(gè)色度直方圖特征.

圖5 視覺(jué)注意力模型訓(xùn)練過(guò)程

4 視覺(jué)注意力模型的訓(xùn)練

提取語(yǔ)義對(duì)象特征FS和低級(jí)特征集合FL之后，得到本文提取的特征集合F={FS,FL}.為獲取提取的特征集F與本文構(gòu)建的VOC2012-E數(shù)據(jù)庫(kù)里記錄的眼動(dòng)追蹤數(shù)據(jù)的映射關(guān)系，本文引入機(jī)器學(xué)習(xí)理論，利用非線性分類器模擬人腦神經(jīng)系統(tǒng)的非線性映射.在統(tǒng)計(jì)學(xué)習(xí)理論中發(fā)展起來(lái)的SVM方法是一種通用學(xué)習(xí)方法，其在非線性分類應(yīng)用中有非常好的表現(xiàn).因此，本文利用SVM理論，訓(xùn)練得到每個(gè)特征與視覺(jué)注意力之間的關(guān)系，并在訓(xùn)練過(guò)程中，本文基于特征整合理論對(duì)特征集合F里的特征進(jìn)行并行處理[5]，最后利用訓(xùn)練得到的映射關(guān)系生成視覺(jué)顯著圖.

具體地，訓(xùn)練過(guò)程中，取樣本集S?T，T為基準(zhǔn)圖像的訓(xùn)練集.樣本s∈S.令

設(shè)P為基準(zhǔn)圖像的像素集，P={p1,p2,…,pN}，N為基準(zhǔn)圖像中像素的個(gè)數(shù).O(pi)表示像素的顯著度，i=1,2,…,N. 對(duì)像素集P進(jìn)行排序得到有序集合Po={po1,po2,…,poN}，其中O(po1)≥O(po2)≥…≥O(poN).在利用SVM模型進(jìn)行訓(xùn)練時(shí)，本文選擇Sp?S作為正樣本，Sn?S作為負(fù)樣本，其中Sp={po1,po2,…,pom}，m=0.05N，Sn={pol,pol,…,poN}，N-l=0.3N，最終預(yù)測(cè)出顯著圖，訓(xùn)練過(guò)程的流程圖如圖5所示.

5 實(shí)驗(yàn)及結(jié)果分析

為評(píng)測(cè)本文視覺(jué)注意力模型的性能，將其與8種經(jīng)典的視覺(jué)注意力模型在VOC2012-E數(shù)據(jù)庫(kù)上進(jìn)行比較，這8種模型分別是AIM[22]，AWS[7]，Judd[13]，ITTI[5]，GBVS[10]，SUN[8]，STB[23]和Torralba[9]，然后在MIT300測(cè)試數(shù)據(jù)集上在線測(cè)試性能, 除以上8種模型之外，本文模型同時(shí)與4種先進(jìn)的視覺(jué)注意力模型在MIT300數(shù)據(jù)庫(kù)上相比較，這4種模型分別是eDN[11]，UID[12], Deep Gaze2[15], DeepFeat[16].評(píng)價(jià)函數(shù)選取受試者工作特征曲線下面積(Area Uner Curve, AUC)，線性相關(guān)系數(shù)(Correlation Coefficient, CC)及歸一化掃描路徑顯著性(Normalized Scan Path Saliency，NSS). AUC是度量視覺(jué)注意力模型預(yù)測(cè)出的顯著圖與基準(zhǔn)圖像的差異的一個(gè)評(píng)價(jià)函數(shù)，通常，AUC的值介于0.5～1.0之間，AUC越大，模型的表現(xiàn)與基準(zhǔn)圖像更相近.CC用來(lái)衡量視覺(jué)注意力模型預(yù)測(cè)的顯著圖與基準(zhǔn)圖像的線性相關(guān)性. NSS為人眼凝視位置在模型輸出顯著圖上的歸一化顯著值為

(2)

(3)

式中:S為模型的輸出顯著圖，σs和μs為模型輸出顯著圖上的均值與標(biāo)準(zhǔn)差.

圖6為9種模型預(yù)測(cè)顯著圖的實(shí)驗(yàn)結(jié)果圖的示例，輸入圖片來(lái)自于VOC2012-E數(shù)據(jù)庫(kù).從實(shí)驗(yàn)結(jié)果可以看出，與其他8種模型相比，本文預(yù)測(cè)的顯著圖中語(yǔ)義對(duì)象特征是高顯著性的，這說(shuō)明本文提出的視覺(jué)注意力模型顯然更接近于人類視覺(jué)認(rèn)知.

圖6 視覺(jué)注意力模型預(yù)測(cè)的顯著圖對(duì)比

表2為9種模型在VOC2012-E數(shù)據(jù)庫(kù)上的評(píng)價(jià)函數(shù)結(jié)果比較.從表2可以明顯看出，三種評(píng)價(jià)函數(shù)AUC，NSS和CC評(píng)價(jià)結(jié)果都表明本文模型性能優(yōu)于其他模型.本文模型的AUC值最高(0.823)，其次是Judd(0.822)和GBVS(0.810)，而ITTI模型的AUC值僅為0.531，這意味著本文算法與其他模型相比，更接近于基準(zhǔn)圖像.本文模型的NSS值為1.360，其次是GBVS (1.263)和Judd (1.242)，而STB模型的NSS值只有0.399，在9種模型中最低，僅為本文模型的1/4.本文模型的CC值(0.557)也最大，而CC值越高，注意力模型預(yù)測(cè)的顯著圖與注視點(diǎn)之間的相關(guān)性越高.因此，本文模型預(yù)測(cè)的顯著圖更接近于人眼注視點(diǎn)，這是因?yàn)楸疚哪Ｐ偷奶岢鍪鞘苋祟愖杂捎^察自然場(chǎng)景的感知過(guò)程的啟發(fā)，在模型訓(xùn)練過(guò)程中融合了語(yǔ)義對(duì)象特征和典型的低級(jí)特征.

此外，為了進(jìn)一步評(píng)估本文提出的模型，本文在公開(kāi)數(shù)據(jù)庫(kù)MIT300進(jìn)行評(píng)測(cè)，該數(shù)據(jù)庫(kù)包含了9個(gè)受試者觀察300張自然圖像時(shí)人眼注視點(diǎn)的基準(zhǔn)數(shù)據(jù)，評(píng)測(cè)結(jié)果如表3所示，除了前文比較的8種模型之外，同時(shí)比較了4種先進(jìn)的模型：Deep Gaze2及Deep feat同樣整合了高級(jí)特征與低級(jí)特征；eDN同樣利用SVM整合特征；及無(wú)監(jiān)督模型UID.

根據(jù)表3結(jié)果，AUC最高值為Deep Gaze2模型(0.84)，而本文模型的AUC值與GBVS，Judd, eDN及DeepFeat模型的AUC值相近，但是本文模型的NSS值(1.27)在12種模型中最高，而且本文模型的CC值與DeepFeat模型的CC值并列最高(0.49).其中，整合了同樣高級(jí)特征與低級(jí)特征的Deep Gaze2模型與Deep feat模型與本文模型總體表現(xiàn)最優(yōu)，而本文模型略勝一籌，這說(shuō)明了本文整合語(yǔ)義特征的先進(jìn)性.雖然同樣利用SVM整合特征的eDN模型的NSS值較低(1.14),但其AUC值與本文相同，CC值也較高，說(shuō)明了本文利用SVM整合特征的有效性.因此本文模型在MIT300數(shù)據(jù)庫(kù)上性能表現(xiàn)良好，可以有效地預(yù)測(cè)人眼注視點(diǎn).

表2 9種模型在VOC2012-E數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果比較

表3 12種模型在MIT300數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果比較

6 結(jié) 論

本文提出了一種整合了語(yǔ)義對(duì)象特征的視覺(jué)注意力模型.通過(guò)建立眼動(dòng)跟蹤數(shù)據(jù)庫(kù)VOC2012-E，研究并記錄普通人在觀察自然場(chǎng)景時(shí)的眼動(dòng)數(shù)據(jù)，經(jīng)過(guò)分析得出語(yǔ)義對(duì)象特征在吸引人們的注意力時(shí)有重要作用.然后，受語(yǔ)義分割啟發(fā)，利用深度學(xué)習(xí)網(wǎng)絡(luò)FCN-8s提取語(yǔ)義對(duì)象特征，同時(shí)用激活函數(shù)PReLu，優(yōu)化函數(shù)Adam改進(jìn)網(wǎng)絡(luò)使其更有效地提取的語(yǔ)義對(duì)象特征.接著，提取在人類潛意識(shí)層吸引人注意力的如方向，顏色，強(qiáng)度特征等28個(gè)低級(jí)特征.最后訓(xùn)練機(jī)器學(xué)習(xí)分類器SVM將之前提取的語(yǔ)義對(duì)象特征及低級(jí)特征映射到人類視覺(jué)空間，訓(xùn)練后的模型可以預(yù)測(cè)自然場(chǎng)景的人眼視覺(jué)顯著圖.經(jīng)過(guò)在VOC2012-E及MIT300數(shù)據(jù)庫(kù)的測(cè)試，與其他8種經(jīng)典模型及4種先進(jìn)模型相比，本文提出的視覺(jué)注意力模型性能更好，更符合人類觀察圖像時(shí)的視覺(jué)習(xí)慣，即語(yǔ)義對(duì)象高顯著.