1、傳統(tǒng)的顯著性目標(biāo)檢測算法習(xí)慣于應(yīng)用圖像底層特征，或者采用大量的含有人工標(biāo)注真值的樣本圖像訓(xùn)練一個(gè)高層學(xué)習(xí)模型。然而在本文中，我們提出了兩種顯著性檢測方法，其中既應(yīng)用了底層特征，同時(shí)也研究開發(fā)了無需人工標(biāo)簽的學(xué)習(xí)模型。第一種方法為基于引導(dǎo)學(xué)習(xí)的模型，該方法包含了弱顯著性檢測模型和強(qiáng)顯著性檢測模型兩部分，步驟如下:首先，我們基于圖像先驗(yàn)信息以及區(qū)域?qū)Ρ榷刃畔?gòu)建弱顯著圖，該圖為之后的強(qiáng)顯著性檢測模型提供可靠的訓(xùn)練樣本。其次，利用上述方法在同

2、一張圖片的多個(gè)尺度內(nèi)提取樣本集合，并根據(jù)該樣本采用多核學(xué)習(xí)增強(qiáng)的方法訓(xùn)練得到一個(gè)強(qiáng)顯著性檢測模型，再將該模型應(yīng)用到該圖片的所有測試樣本中，得到強(qiáng)顯著圖。然后，融合多尺度的強(qiáng)顯著圖進(jìn)一步提高顯著圖的準(zhǔn)確性。最后，我們結(jié)合弱顯著圖與強(qiáng)顯著圖作為基于引導(dǎo)學(xué)習(xí)方法的最終顯著圖。
　　另外一種算法是基于局部約束線性編碼方法，該方法結(jié)合了局部與全局特征進(jìn)行顯著性目標(biāo)檢測，步驟如下:首先，通過考慮基于底層特征的全局信息構(gòu)建一個(gè)自底向上的顯著性檢

3、測模型，與第一種方法的弱顯著圖類似，自底向上的顯著圖為之后的基于編碼的方法提供前景以及背景字典。接下來，本文采用基于局部約束線性編碼方法，根據(jù)重構(gòu)誤差構(gòu)建自頂向下的顯著圖。最后，結(jié)合自底向上以及自頂向下的兩種顯著圖得到最終的顯著性檢測結(jié)果。
　　本文在六個(gè)公開的顯著性檢測數(shù)據(jù)庫上對本文提出的算法以及19種國際領(lǐng)先的算法進(jìn)行對比評測，評測標(biāo)準(zhǔn)為該領(lǐng)域廣泛應(yīng)用的三種方法:準(zhǔn)確率-召回率曲線(P-R)、ROC曲線下面積(AUC)以及F-