学习笔记：Salient Object Detection via Multiple Instance Learning(一)预备知识
超像素分割属于图像分割(image segmentation)，再细化应该属于过分割(over segmentation)。
其中为所有的图像的像素和，为聚类的像素个数。所以，类中像素个数越多，对特征对比度的贡献也就更大。
特征对比度与直方图对比度之间的不同：
这里衡量的是cluster的对比度，而直方图对比度衡量的是直方图的对比度；
对比度测度只是三个显著性测度中的一个。
特征对比度测度的优点：
偏移测度的依据是：人类视觉系统中，图像中心区域往往能够在比其他区域更加吸引人的注意。当对象与图像中心之间的距离越大时，显著性也就越来越减小。在单张图像中，称为中央偏向准则(center bias rule)。本文作者对这个概念进行了扩展，将其扩展到基于聚类的方法上。聚类的重心偏移测度定义如下：
与单张图像中的中心偏移测度不一样的是，这里定义的是多张图像上的全局中央偏向性
//此部分为转载：
局部区域检测： 该模型旨在预测人眼移动的显著点。启发于神经生物学研究早期的视觉系统，Itti等人提出了第一个用于显著性检测的计算模型，此模型利用了多尺度图像特征的中心-周围的差异。Ma和Zhang提出了另一种局部对比度分析方法来产生显著性图像，并用模糊增长模型对其进行扩展。Harel等人提出了归一化中心分布特征来突出显著部分。 尽管局部区域检测模型已经取得了卓越的发展，但其倾向于在边缘部分产生高显著性值，而不是均匀地突出整个对象，因此，这种方法不适合用于对象检测。
显著性对象检测： 该模型旨在检测当前视野中最引人注意的对象，然后分割提取整个部分。Liu等人通过在CRF框架中引入局部，区域的，全局显著性测量。Achanta等人提出了频率调谐方法。Cheng等人提出了基于全局对比度分析和迭代图分割的显著性对象检测。更多的最新研究也试着基于过滤框架产生一些高分辨的显著性图，采用一些效果比较好的数据，或者是使用分层结构。这些显著性对象分割在简单的情景图像分析、内容感知编辑中可以达到很好的效果。而且可以作为一个便宜的工具处理大规模的网络图像或者是通过自动筛选结果构建鲁棒性好的应用程序然而，这些方法很少能够运用于包含多对象的复杂图像，但现实生活中，这样的图片确实最有意义的。
对象状态建议: 该方法并不做决定，而是提供一定数量（例如：1000）包含所有类别对象的窗口。通过产生粗糙分割集，作为对象状态建议已经被证实为一个减少分类器搜索空间的有效方式，而且可以采用强分类器提高准确率。然后，这两种方法计算量大，平均一张图片需要2-7分钟。Alexe等提出了一个线索综合性的方法来达到更好、更有效的预测效果。Zhang等人采用方向梯度特征提出了一个级联的排序SVM方法。Uijlings等人提出了一个可选择性的搜索方法老获得更好的预测效果。作者提出了一个简单直观的方法，相对于其他方法，达到了更好的检测效果，而且快于其他流行的方法1000多倍。