浅谈显著性检测！真的很浅

序言：写一些关于显著性检测的归纳与理解，重在归纳与分享。本文主要探讨bottom up模型，Top down模型研究较少，且难以解释。若有纰漏，欢迎读者批评指正！

1.概述

这里主要探讨bottom up模型

显著性最初起源于Itti1998年的论文，始于人类的视觉系统，此后Itti变体衍生出了许多工作。这一类主要在于若干种特征，如颜色、亮度、方向子特征图，并基于中央周边操作实现局部的对比度，最后加权融合（存在黑点）。BU被广泛认可。

侯晓迪基于频域分析，写出了短短的11行代码，开创了变换分析实现显著性的先河。然而我认为这一系列方法均缺少可解释性，显著性由数值上的少数决定。

我认为此后，有一类纯粹基于统计构造的数学模型，如LC（这个现在看来水的不行），如洛桑联邦理工软对的AC算法、南开程明明团队的HC\RC，甚至基于主成分分析PCA的方法，多层级的HS算法，这些我的理解是以（多尺度）局部（颜色）对比度、全局（颜色）对比度甚至引入了空间约束项来构造模型，显然不够全面，使用范围肯定有限。稀疏采样核密度估计FES方法。再往后，大连理工团队卢湖川团队以SLIC超像素分割、图论、贝叶斯模型、流形排序MR、马尔科夫链甚至条件随机场CRF等为工具的方法，这类方法同样是基于若干个特征来构造模型，这类方法数学工具很强大，能取得比较好的效果。还有以低秩矩阵分解SMD和SF为代表的的纯数学方法。但到头说来，无论如何，这类方法的生物可解释性很弱。

说到生物可解释性，目前我理解有两类角度。一类是Itti模型，以多特征通道，如宽谐波LMSY I、RG BY拮抗通道以及中央周边操作为生物上的解释点。另外一类是以AIM、SUN算法为代表，这类以稀疏编码SparseCoding、主成分分析ICA、高斯差分滤波核DoG为工具；这类方法的分析基础是概率论或信息论，以贝叶斯模型推导为基础。基于稀疏编码需要以前景和背景字典进行训练，以重建误差进行表达，有的也用来做Top down显著性，感觉可扩展可适用性很强，但是入门难度较高。显然，两者虽然可生物学解释，但绝对不够全面，毕竟缺少空间约束，无法实现精准的检测。性能什么的和超像素的方法比不了。

最后，就是基于ML和DL的方法了，生物解释太复杂，干脆黑箱不解释得了。ML方法里最杰出的工作当属DRFI，基于多特征，分类训练吧大概，性能着实不错。此后有一列基于全卷积神经网络FCN的方法，这也是目前刷榜的主流方法。

---

总而言之，我的理解里大概可以分为：

1. Itti模型及延伸
   Itti\GBVS

2. 基于变换分析
   SR\PFT\PQFT
   DSR\

3. 基于统计与数学
   简单统计：LC\FT\AC\HC\RC;HS;SS\COV
   高阶数学工具：MR\BL\GS\PCA等；
   纯数学模型：SF、SMD等

4. 基于信息论
   AIM、SUN

5. 基于机器学习或深度学习
   DRFI、DL方法不做引出

2.杰出研究团队归纳

1. Itti团队
   代表作者：Itti Koch；侯晓迪
   代表作及延伸作品：Itti,GBVS,SR,ICL

2. 瑞士洛桑联邦理工ILRL小组
   代表作者：Achanta
   代表作：FT、AC、MSSS、FASA

3. 南开大学 程明明教授团队
   代表作者：程明明，范登平
   代表作：HC、RC、

4. 大连理工大学 卢湖川团队
   代表作者：卢湖川

5. 王文冠