Sal-DCNN：探索变换域中的显著性预测

图像的变换域在区分显著区域和非显著区域方面展现出巨大潜力。Sal-DCNN 是一种新型深度复杂神经网络，通过学习像素域和变换域中的特征来预测图像显著性。

DFT域中的显著性提示分析

通过对离散傅里叶变换 (DFT) 域的研究，我们发现：

  1. 相谱编码了大部分显著性线索。
  2. 振幅谱的特定模式对显著性预测至关重要。
  3. 变换后的频谱对噪声和下采样具有鲁棒性。

Sal-DCNN 结构

Sal-DCNN 包括两个主要阶段：

  • 复杂的密集编码器
  • 三流多域解码器

这种结构允许在像素域和变换域中使用真实标注的显著图进行监督学习，从而实现更准确的显著性预测。

实验结果

实验结果表明，Sal-DCNN 在 3 个数据库上的图像显著性预测方面优于其他 8 种最新方法。

引用

如果您发现此方法有用，请引用以下论文：

Jiang, B., et al. Image Saliency Prediction in Transformed Domain: A Deep Complex Neural Network Method. AAAI, 2019.