面向视觉显著性检测的稀疏低秩建模方法研究

With the rapid developments of multimedia technologies and internet, visual saliency detection has been widely applied in the field of computer vision. Today, employing sparse representation and low-rank methods for saliency detection is one of hot topic in computer vision and pattern recognition. However, the most existing sparse and low-rank based saliency detection methods usually resort to predetermined assumptions, which do not deeply explore the intrinsic relationship between sparse-low-rank and visual saliency. Meanwhile, the established models lack robustness in dealing with complex scenes. To deal with the current challenge, this project mainly studies the saliency detection methods from the perspective of mathematical modeling and computational theory. We will focus on the hypergraph regularization based sparse modeling and the tree-structured nuclear norm based matrix decomposition modeling. In addition, this project will present a non-trivial saliency fusion method with strong scalability, which not only can be combined with the proposed saliency detection methods, but also can learn from the advantages of existing saliency methods. The research results not only have important theoretical significance, but also have broad application prospects in the field of computer vision.

随着多媒体技术及互联网的飞速发展，视觉显著性检测在计算机视觉领域得到了广泛应用。当前，利用稀疏表示、低秩方法进行显著性检测是计算机视觉和模式识别领域的研究热点之一。然而，现有的基于稀疏低秩的显著性检测方法在建模时几乎都诉诸于既定的假设，并没有深入地探索稀疏低秩与视觉显著性之间的内在关联，同时所建立的模型缺乏在处理复杂场景时的稳健性。因此，本项目将面对当前挑战，主要从数学建模和计算理论的角度展开对显著性检测方法的研究，重点研究基于超图正则的稀疏建模方法和基于树结构核范数的矩阵分解建模方法。此外，本项目拟提出一种非平凡的显著性融合方法，该方法不仅可以融合本项目所提出的显著性检测方法，还可以借鉴现有显著性检测方法的优势，具有较强的可扩展性。本项目研究成果不仅具有重要的理论意义，而且在计算机视觉领域具有广阔的应用前景。

视觉显著性检测是计算机视觉领域研究热点之一，在智能监控、人机交互、心理学等领域有广阔的应用前景。在本项目资助下，项目团队围绕相关研究内容，从数学建模和计算理论的角度对显著性检测问题展开了深入的探索和研究，其主要成果包括：首次采用树结构的核范数刻画图像的目标和背景矩阵，构建了基于树结构化核范数矩阵分解的显著性检测模型；突破计算图像显著性的传统策略，建立了基于稀疏和双低秩分解的显著性融合模型，同时给出了显著性模型选择策略，大大降低了算法的整体时间消耗。此外，得益于深度学习算法在模式识别和机器学习等领域的广泛应用，本课题从信息互补感知的角度出发构建了多种基于深度网络模型的显著性检测方法，包括基于互补感知注意力网络的方法、基于通道注意力分层U形网络的方法、基于局部双向漏斗网络的方法，以及自顶向下融合多层次上下文特征的方法。项目研究取得了一系列创新成果，较好地完成了预期的研究目标。本项目的研究成果显著推动了稀疏低秩理论在显著性目标检测任务的研究进展，为项目组成员的后续相关研究工作打下的坚实的基础。