From Human Attention to Computational Attention: A Multidisciplinary Approach

采用小波变换的方法进行显著性图像检测，获取图像中的显著区域

图像显着性检测算法matlab代码

针对显著性检测中特征选择的主观片面性和预测过程中特征权重的难以协调性问题，提出了一种基于全卷积神经网络和多核学习的监督学习算法。首先通过MSRA10K图像数据库训练出的全卷积神经网络（FCNN），预测待处理图像的初步显著性区域；然后在多尺度上选择置信度高的前景、背景超像素块作为多核支持向量机（SVM）分类器的学习样本集，选择并提取八种典型特征代表对应样本训练SVM；接着通过多核SVM分类器预测各超像素显著值；最后融合初步显著图和多核学习显著图，改善FCNN网络输出图的不足，得到最终的显著性目标。该方法在SOD和DUT-OMRON数据库上有更高的AUC值和F-measure值，综合性能均优于对比方法，验证了该方法在显著性检测中准确性的提高，为目标识别、机器视觉等应用提供更可靠的预处理结果。

图像显着性检测算法matlab代码mDRFI _ Matlab 皮肤镜图像中的显着性检测 皮肤镜图像中的显着性检测，如本文所述：M. Jahanifar等人（“皮肤镜图像中病变的受监督的显着性图驱动分割”）（arXiv ：） **这是用于在皮肤镜图像中进行病变分割的算法的一部分，在“ ISIC2017：针对黑色素瘤检测的皮肤病变分析-第1部分：分割”中排名第七。 可以在上述论文中获得对分割方法的完整说明** mDRFI是用于显着性检测的DRFI模型的修改版本，在论文“论文显着物体检测：具有区别性的区域特征集成方法”（arXiv ：）中进行了描述。 我们为显着性特征添加了一些新的区域属性描述符，以便更好地检测皮肤镜图像中的病变。 另外，提出了新的伪背景区域以提高显着性检测。 此实现包含显着性检测方法（mDRFI）的全部pipiline，包括培训和测试阶段。 代码中还实现了颜色恒定性校正。 首先，运行compile.m来编译mex文件（您需要c ++编译器，例如Windows上的Microsoft Visual Studio才能执行此操作）。 如果您想训练自己的随机森林回归器，请查看tra

正确的视盘(OD)定位和分割是糖尿病视网膜病变自动筛选系统中的两个主要步骤.鉴于此,提出一种基于显著性目标检测和改进局部高斯分布拟合(LGDF)模型的视神经盘分割方法.该方法主要包含两个阶段:第一阶段,将显著性检测技术应用到增强的视网膜图像中实现视盘的自动定位;第二阶段,通过增加椭圆约束信息来改进局部高斯分布拟合(LGDF)模型分割视盘边界.使用公开数据库Diaretdbq对所提出方法的性能进行测试,并与其他先进的方法进行对比,结果验证了所提出方法的优越性和有效性.

针对获得训练数据集代价高昂问题，提出了一种用于图像显著性检测的弱监督新方法，在训练网络模型时仅使用图像级标签。方法分为两个阶段，在第一阶段，根据图像级标签训练分类模型，获得前景推断图；在第二阶段，对原图像进行超像素块处理，并与阶段一得到的前景推断图进行融合，从而细化显著对象边界。算法使用了现有的大型训练集和图像级标签，未使用像素级标签，从而减少了注释的工作量。在四个公共基准数据集上的实验结果表明，性能明显优于无监督的模型，与全监督模型相比也具有一定的优越性。

提出了一种视频与AIS信息融合的海上船只目标检测方法。首先结合AIS信息确定船只所在区域，提取小范围图像，然后对图像进行高频加强滤波处理，增强船只目标与海面背景的对比度，利用显著性区域检测方法生成显著性图像，随之采用双阈值分割提取高显著性目标，最后通过形态学处理判断船只目标。实验结果表明，该方法适应性强，能够准确快速地实现船只目标提取。

实现了显著性检测HC/LC/AC/FT的C++算法，并附带测试图片

在Koch等人的显著性映射理论和特征融合理论基础上，Itti等人提出了一种基于高斯金字塔融合图像颜色、亮度和方向特征的视觉注意力模型。 算法通过滤波得到颜色特征、亮度特征、方向特征。通过中心-周边差异和归一化、特征映射图结合和归一化，最终线性加权融合得到显著图。 算法非常实用，亲测完美，效果很好。