显著性检测相关论文阅读

        目前对于“在一幅图像中什么是显著性”还存在着不是很明确的定义，依然有好多学者在研究这方面的问题和相应的显著性评价指标

1.Geodesic Saliency Using Background Priors（2012，ICCV）

         在这篇文章中，作者 基于背景先验知识的“boundary and connectivity priors(边界先验性和连通先验性)”   这两个创新点   

       总结最近几年显著性检测方法的发展情况：近些年来大多数人们更关注于基于目标层的显著性检测（即显著目标在哪里）

、以人为标注的目标进行指标评价（即边界框或者前景目标掩码）。

        由于对高层知识的缺乏，所有自底向上的显著性检测方法都是基于目标或者背景的特性上的假设或者先验知识。“appearance contrast between object and background is high”.而基于对比度的上下文内容理解的方法大致可以概括为：基于局部对比度、基于全局对比度。局部对比度：基于局部邻近的像素点/块，如such as edge contrast, center-surround discriminative power [7], center-surround differences , curvature and self information .全局对比度：采用整个图像计算每个像素点/块的显著性。有些方法采用频域方法，人为整体上处于低频的特征是具有显著性的；还有一些是与图像中其他像素点/块进行比较，采用the averaged appearance dissimilarity as the saliency measure。

       虽然基于对比度的方法取得了很大的成功，但是也存在局限性。Typically, the boundaries of the salient object can be found well, but the object interior is attenuated.

       在本质上，在通常的目标与背景的显著性检测还是“ill-posed”。In essence, the saliency object detection problem on general objects and background is highly ill-posed. There still lacks a common definition of “what saliency is” in the community, and simply using contrast prior alone is unlikely to succeed.

       所以本文就从另外的角度来处理显著性检测问题：基于背景的先验知识。图像的边界通常都是作为背景，并且背景区域都是“large and homogeneous.”换句话说，“most image patches in the background can be easily connected to each other.”