...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Circuits and Systems for Video Technology, IEEE Transactions on >Multi-Task Rank Learning for Visual Saliency Estimation
【24h】

Multi-Task Rank Learning for Visual Saliency Estimation

机译：视觉显着性估计的多任务等级学习

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Visual saliency plays an important role in various video applications such as video retargeting and intelligent video advertising. However, existing visual saliency estimation approaches often construct a unified model for all scenes, thus leading to poor performance for the scenes with diversified contents. To solve this problem, we propose a multi-task rank learning approach which can be used to infer multiple saliency models that apply to different scene clusters. In our approach, the problem of visual saliency estimation is formulated in a pair-wise rank learning framework, in which the visual features can be effectively integrated to distinguish salient targets from distractors. A multi-task learning algorithm is then presented to infer multiple visual saliency models simultaneously. By an appropriate sharing of information across models, the generalization ability of each model can be greatly improved. Extensive experiments on a public eye-fixation dataset show that our multi-task rank learning approach outperforms 12 state-of-the-art methods remarkably in visual saliency estimation.
机译：视觉显着性在各种视频应用程序中扮演重要角色，例如视频重定向和智能视频广告。然而，现有的视觉显着性估计方法通常为所有场景构建统一模型，从而导致内容多样化的场景的性能较差。为了解决此问题，我们提出了一种多任务等级学习方法，该方法可用于推断适用于不同场景集群的多个显着性模型。在我们的方法中，视觉显着性估计问题是在成对的等级学习框架中提出的，在该框架中可以有效地整合视觉特征以区分显着目标与干扰因素。然后提出一种多任务学习算法，以同时推断多个视觉显着性模型。通过在模型之间适当共享信息，可以大大提高每个模型的泛化能力。在公众注视数据集上的大量实验表明，我们的多任务等级学习方法在视觉显着性估计方面明显优于12种最新方法。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号