1、* 1CVPR 2009 文章回顾讲解人：马志国报告日期： 2009年 8月 28日文章列表 速读 Tz-Huan Huang, Kai-Yin Cheng, and Yung-Yu Chuang, A Collaborative Benchmark for Region of Interest Detection Algorithms (ID: 0482) Radhakrishna Achanta, Sheila Hemami,Francisco Estrada, and Sabine Ssstrunk, Frequency-tuned Salient Region Detection (I
2、D: 1708) 精读 Santosh K.Divvala, Derek Hoiem, James H. Hays, Alexei A. Efros, and Martial Hebert, An Empirical Study of Context in Object Detection (ID: 0987)* 2速读文章（ 1） 标题： A Collaborative Benchmark for Region of Interest Detection Algorithms 作者 : Tz-Huan Huang, Kai-Yin Cheng, and Yung-Yu Chuang 机构 :
3、 National Taiwan University* 3摘要 本文提出一种用于图像中感兴趣区域（ ROI）检测的协作性对比基准。由于感兴趣区域区域检测的应用很广，人们提出了很多种不同的 ROI检测算法。 不幸的是，由于缺乏对比基准，这些方法只在自己的数据集上进行测试，使得这些方法之间的公平对比变得很困难。其他领域的例子显示，公开基准数据上的可重复实验对于本领域的快速发展是很重要的。 为了填补这个差距，本文提出一种称为 “Photoshoot”的协作性游戏，收集人工标注的 ROI用于构建 ROI的对比基准。利用游戏，我们收集了大量的标注，并将这些标注融合得到最终的 ROI模型。使用这些模型，
4、我们对六种 ROI检测算法进行了定量的对比。* 4文章总结 问题： ROI检测中缺乏基准数据，算法之间的对比困难 解决：利用协作性的游戏，收集玩家在游戏过程中标注的 ROI数据 创新点： 设计游戏收集 ROI标注数据 从有噪音的标注数据中建立可靠的 ROI模型 对六种 ROI检测算法进行定量对比* 5游戏界面 两个游戏者轮流作为Target和 Shoot（图 a,c） Target最多在图像上放置 5个矩阵框 (图 b中红框 ) Shoot最多在图像上确定 5个点（图 d中蓝色点 ) 得分策略引导玩家准确标注，如 命中较小区域，得分较高 Target与 Shoot标注顺序相同，有额外加分 防作
5、弊* 6ROI建模 ROI表示格式： 重要性图：每个点为 ROI的概率。 二值化 ROI遮罩：指示像素是否属于 ROI 关注点序列：有序或无序的关注点重要性图可以阈值化得到二值化 ROI遮罩 对于每张图像： Target数据：一系列矩阵框，转化为重要性图 Shoot数据：一系列标注点，转化为关注点序列* 7Target数据的 ROI模型 每个 Target 是一个中心在（ xi, yi)，长宽分别为 wi, hi的矩形 用中心在（ xi, yi)，标准差为 (wi + hi)*s的二维高斯函数 Gi表示，其中 s为缩放因子 使用 RANSAC算法，去除标注中的 “脏 ”数据* 8去除 outlier的 RANSAC算法1. 从 Gi中随机选择 K个高斯，叠加得到假设分布2. 其他的高斯与假设分布进行比较，利用分布吻合的次数对假设分布评分3. 多次重复上述过程，选择最优的假设分布4. 将所有符合假设分布的 Target数据进行叠加得到最终的重要性图 重要性图之间的相似性可以用 KL散度和相交表示，文中使用相交 遍历 K=1到 K=12，选择最好的 K值* 9* 10
