基于视觉显著熵与Object Bank特征的图像记忆性模型

计算机应用 ›› 2013, Vol. 33 ›› Issue (11): 3176-3178.

基于视觉显著熵与Object Bank特征的图像记忆性模型

陈长远,韩军伟,胡新韬,程塨,郭雷

西北工业大学自动化学院，西安 710029

收稿日期:2013-05-30 修回日期:2013-07-23 出版日期:2013-11-01 发布日期:2013-12-04
通讯作者: 陈长远
作者简介:陈长远(1988-)，男，山东日照人，硕士研究生，主要研究方向：图像处理；韩军伟(1977-)，男，陕西西安人，教授，博士生导师，主要研究方向：计算机视觉、图像与视频处理、模式识别、多媒体信息检索；胡新韬(1980-)，男，湖北随州人，副教授，主要研究方向：脑图像处理；程塨(1984-)，男，河南项城人，博士研究生，主要研究方向：模式识别、图像处理；郭雷(1956-)，男，陕西西安人，教授，博士生导师，主要研究方向：图像处理。
基金资助:
国家自然科学基金资助项目;西北工业大学基础研究基金资助项目

Image memorability model based on visual saliency entropy and Object Bank feature

CHEN Changyuan¹,HAN Junwei¹,HU Xintao¹,CHENG Gong¹,GUO Lei²

1. School of Automation, Northwestern Polytechnical University, Xi'an Shaanxi 710029, China
2. School of Automation, Northwestern Ploytechnical University, Xi'an Shaanxi 710072, China

Received:2013-05-30 Revised:2013-07-23 Online:2013-12-04 Published:2013-11-01
Contact: CHEN Changyuan

摘要/Abstract

摘要： 为了提高图像的记忆性预测能力，提出了一种基于视觉显著熵与改进的Object Bank特征的图像记忆性自动预测方法。该方法改进了传统的Object Bank特征，提取图像的视觉显著熵特征,利用支持向量回归机(SVR)训练得到图像的记忆性预测模型。实验结果表明，在预测准确性方面，所提方法比现有的方法的相关系数高出3个百分点。所提出的模型可以应用于图像的记忆性预测、图像检索排序、广告评价分析等方向。

关键词: 图像处理, 图像记忆性, 视觉显著熵, Object Bank, 支持向量回归机

Abstract: To improve the prediction ability of image memorability, a method for automatically predicting the memorability of an image was proposed by using visual saliency entropy and improved Object Bank feature. The proposed method improved the traditional Object Bank feature and extracted the visual saliency entropy feature. Then a prediction model of image memorability was constructed by using Support Vector Regression (SVR). The experimental results show that the correlation coefficiency of the proposed method is three percentage higher than the state-of-the-art method. The proposed model can be used in image memorability prediction, image retrieval ranking and advertisement assessment analysis.

Key words: image processing, image memorability, visual saliency, Object Bank, Support Vector Regression (SVR)

中图分类号:

TN911.73

陈长远韩军伟胡新韬程塨郭雷. 基于视觉显著熵与Object Bank特征的图像记忆性模型[J]. 计算机应用, 2013, 33(11): 3176-3178.

CHEN Changyuan HAN Junwei HU Xintao CHENG Gong GUO Lei. Image memorability model based on visual saliency entropy and Object Bank feature[J]. Journal of Computer Applications, 2013, 33(11): 3176-3178.

[1]	谭兆一, 陈白帆. 基于坐标逆映射的增强型车辆三维全景影像[J]. 计算机应用, 2021, 41(4): 1165-1171.
[2]	刘太亨, 何昭水. 基于自编码和知识蒸馏的表面缺陷检测方法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3200-3205.
[3]	张永宏, 刘昊, 田伟, 王剑庚. 基于DeepLab v3的西藏地区降雨云团分割方法[J]. 计算机应用, 2020, 40(9): 2781-2788.
[4]	张淑萍, 吴文, 万毅. 基于多阶段生成对抗网络的单幅图像阴影去除方法[J]. 计算机应用, 2020, 40(8): 2378-2385.
[5]	袁园, 吴文, 万毅. 基于熵驱动域适应学习的单幅图像阴影检测方法[J]. 计算机应用, 2020, 40(7): 2131-2136.
[6]	周思羽, 包国琦, 刘凯. 低通滤波下约束对数强度熵的图像渐晕校正[J]. 计算机应用, 2020, 40(6): 1812-1817.
[7]	付磊, 任德均, 吴华运, 郜明, 邱吕, 胡云起. 基于改进Fast-SCNN的塑瓶气泡缺陷实时分割算法[J]. 计算机应用, 2020, 40(6): 1824-1829.
[8]	徐金荣, 郭彩萍, 童恩栋. 面向服务遥感图像处理平台中时间感知的服务质量预测[J]. 计算机应用, 2020, 40(6): 1714-1721.
[9]	梁雪慧, 程云泽, 张瑞杰, 赵菲. 基于卷积神经网络的桥梁裂缝识别和测量方法[J]. 计算机应用, 2020, 40(4): 1056-1061.
[10]	廖斌, 谭道强, 吴文. 基于衰减式生成对抗网络的单幅图像阴影去除[J]. 计算机应用, 2019, 39(9): 2712-2718.
[11]	陈龙彪, 谌雨章, 王晓晨, 邹鹏, 胡学敏. 基于深度学习的水下图像超分辨率重建方法[J]. 计算机应用, 2019, 39(9): 2738-2743.
[12]	薛倩, 罗其俊, 王岳. 基于图像分析的飞机蒙皮裂纹检测[J]. 计算机应用, 2019, 39(7): 2116-2120.
[13]	王理顺, 钟勇, 李振东, 贺宜龙. 基于深度学习的织物缺陷在线检测算法[J]. 计算机应用, 2019, 39(7): 2125-2128.
[14]	韩江洪, 袁稼轩, 卫星, 陆阳. 基于深度学习的井下巷道行人视觉定位算法[J]. 计算机应用, 2019, 39(3): 688-694.
[15]	李新春, 曹志强, 林森, 张春华. 掌纹掌脉图像超小波域融合识别算法[J]. 计算机应用, 2018, 38(8): 2205-2210.