【正文】 ummerer, L. Theis, and M. Bethge. Deep Gaze I: Boosting Saliency Prediction with Feature Maps Trained on ImageNet. In ICLR Workshop, 2021. 1, 2 [24] C. Lang, T. Nguyen, H. Katti, K. Yadati, M. Kankanhalli, and S. Yan. Depth matters: In?uence of depth cues on visual saliency. In ECCV, 2021. 2 [25] . Lin, M. Maire, S. Belongie, J. Hays, P. Perona, D. Ramanan, P. Doll180。 auser, and C. Koch. Predicting human gaze using lowlevel saliency bined with face detection. In NIPS, 2021. 2 [7] S. O. Gilani, R. Subramanian, Y. Yan, D. Melcher, N. Sebe, and S. Winkler. PET: An eyetracking dataset for animalcentric pascal object classes. In ICME, 2021. 1 [8] J. Harel, C. Koch, and P. Perona. Graphbased visual saliency. In NIPS, 2021. 2, 6, 7 [9] X. Hou, J. Harel, and C. Koch. Image signature: Highlighting sparse salient regions. TPAMI, 2021. 7 [10] X. Hou and L. Zhang. Saliency detection: A spectral residual approach. In CVPR, 2021. 2 [11] X. Huang, C. Shen, X. Boix, and Q. Zhao. Salicon: Reducing the semantic gap in saliency prediction by adapting deep neural works. In Proceedings of the IEEE International Conference on Computer Vision, pages 262– 270, 2021. 2, 7 [12] L. Itti and P. F. Baldi. Bayesian surprise attracts human attention. In NIPS, 2021. 2 [13] L. Itti and C. Koch. A saliencybased search mechanism for overt and covert shifts of visual attention. Vision research, 40(10):1489– 1506, 2021. 2, 7 [14] L. Itti, C. Koch, and E. Niebur. A model of saliencybased visual attention for rapid scene analysis. TPAMI, (11):1254– 1259, 1998. 1, 2, 6, 7 [15] Y. Jia, E. Shelhamer, J. Donahue, S. Karayev, J. Long, R. Girshick, S. Guadarrama, and T. Darrell. Caffe: Convolutional architecture for fast feature embedding. In ACM MM, 2021. 4 [16] M. Jiang, S. Huang, J. Duan, and Q. Zhao. SALICON: Saliency in Context. In CVPR, 2021. 1, 2, 5 [17] T. Judd, F. Durand, and A. Torralba. A benchmark of putational 綜合課程設(shè)計（計算機） XVIII models of saliency to predict human ?xations. In MIT Technical Report, 2021. 3, 5, 6 [18] T. Judd, K. Ehinger, F. Durand, and A. Torralba. Learning to predict where humans look. In CVPR, 2021. 1, 2, 5, 7 [19] W. Kienzle, F. A. Wichmann, B. Sch168。 課程設(shè)計 是我們專業(yè)課程知識綜合應(yīng)用的實踐訓(xùn)練，著是我們邁向社會，從事職業(yè)工作前一個必不少的過程． “ 千里之行始于足下” ，通過這次課程設(shè)計，我深深體會到這句千古名言的真正含義．我今天認(rèn)真的進(jìn)行課程設(shè)計，學(xué)會腳踏實地邁開這一步，就是為明天能穩(wěn)健地在社會大潮中奔跑打下堅實的基礎(chǔ)． 綜合課程設(shè)計（計算機） XVII 7 參考文獻(xiàn) [1] R. Achanta and S. S168。以后，不管有多苦，我想我們都能變苦為樂，找尋有趣的事情，發(fā)現(xiàn)其中珍貴的事情。要面對社會的挑戰(zhàn)，只有不斷的學(xué)習(xí)、實踐，再學(xué)習(xí)、再實踐。更重要的是，在實驗課上，我們學(xué)會了很多學(xué)習(xí)的方法。使我對抽象的理論有了具體的認(rèn)識。 課程設(shè)計是一門專業(yè)課，給我很多專業(yè)知識以及專業(yè)技能上的提升，同時又是一門講道課，一門辯思課，給了我許多道，給了我很多思，給了我莫大的空 間。實踐出真知，這次的課程設(shè)計中不僅檢驗了我所學(xué)習(xí)的知識，也培養(yǎng)了我如何去把握一件事情，如何去做一件事情，又如何完成一件事情。 他們還說明了使用適合此任務(wù)的適當(dāng)學(xué)習(xí)標(biāo)準(zhǔn)的好處。 我們使用目標(biāo)函數(shù)訓(xùn)練深度網(wǎng)絡(luò)，該目標(biāo)函數(shù)以概率分布的形式懲罰目標(biāo)和預(yù)測地圖之間的距離。 然而，提示沒有那么強烈地識別，可能是由于涉及文本的相對較少的訓(xùn)練數(shù)據(jù)。 面孔（動畫和非動畫對象）也被快速學(xué)習(xí)，已經(jīng)看到少于 100 個圖像。 Koch[13] 中央偏見 [30] 人類 [30] PDP(不整合 ) PDP*(整合 ) 綜合課程設(shè)計（計算機） XIV 圖 5 示出了在已經(jīng)使用給定數(shù)量的訓(xùn)練圖像來訓(xùn)練模型之后在正向通道上獲得的 SALICON 訓(xùn)練圖像的 顯著 圖預(yù)測。 注意，為了確保公平的比較，這里所示的 PDP 結(jié)果 僅僅是從在 SALICON 圖像上訓(xùn)練的網(wǎng)絡(luò)獲得的，沒有對該數(shù)據(jù)集進(jìn)行 精細(xì)調(diào)諧。 圖片 GT BMS SALICON PDP 圖 4. BMS， SALICON 和我們?yōu)?MIT1003 隨機抽樣圖像提出的 PDP 方法的比較。 粗體結(jié)果表示在測試時不需要人工干預(yù)的最佳性能方法。 方法 AUCJudd SIM EMD AUCBorji sAUC CC NSS 方法 sAUC 方法 KL AUC 綜合課程設(shè)計（計算機） XIII 表 ： KL發(fā)散和 AUC 測量的性能比較。我們的方法一致地給出高中心 環(huán)繞對比度區(qū)域的高固定概率，以及高層次的線索，如身體，面部和較小 范圍，文本。 其次，概率框架允許模型考慮跨主題和數(shù)據(jù)收集范例的噪聲。 首先，注意力是有競爭力的，因為我們看著某些地區(qū)的圖像，犧牲別人。 （基線結(jié)果取自 [28]。 我們觀察到 的大大減小的動量提高了穩(wěn)定性，并允許有此約束的模型的有效學(xué)習(xí)。 因此， 我們的方法方法 CC sAUC AUCBorji 綜合課程設(shè)計（計算機） XII 可以補充他們。 我們認(rèn)為包括這樣的線索也可以改善我們的模型。我們的表現(xiàn)與最先進(jìn)的方法相當(dāng)。 MIT300： MIT1003 圖像作為訓(xùn)練集，用于調(diào)整到這個基準(zhǔn)。 表 3示出了用于概率分布預(yù)測的現(xiàn)有技術(shù)方法和我們的方法的結(jié)果，其被稱為 PDP。 與現(xiàn)有技術(shù)的比較我們使用 Bhattacharyya 距離與我們的四個標(biāo)準(zhǔn) 顯著 性基準(zhǔn)的最先進(jìn)的方法比較我們提出的模型的性能如下。 Ittle[14] GBVS[8] BMS[45] WHU_IIP* Xidian* Rare12_Improved* UPC[33] PDP 表 3. SALICON 挑戰(zhàn)：不同方法之間的比較。 Bhattacharyya 距離始終是最好的。這種魯棒性是特別重要的，因為距離 AUCJudd sAUC CC NSS 歐幾里得 Huber KL發(fā)散 發(fā)散 總變化距離 余弦距離Bhattacharyya 距離 綜合課程設(shè)計（計算機） XI 地面真實 顯著 圖是源 于由于視覺注意的主觀性而具有自然變化的眼睛，并且還可能包含雜散的固定和其他噪聲。和（ iii） Bhattac