注意选择机制,又称视觉显著性,是在时空域大量视觉信息中选择特定感兴趣区域的过程。视觉显著性是生物视觉系统的关键问题之一,提供了对于视觉数据的高效筛选方法。本文考察了“自下而上”的视觉显著性的计算模型。本文的重点是显著性的成因的可能解释,以及数据冗余性与视觉显著性之间的关系。本文的主要工作与创新点包括以下两点:基于增量信息的视觉显著性模型:该模型将显著性视为编码长度的直接体现,给出了影响视觉显著性的成因的一种可能解释。具体而言,本文在时空域中心邻域结构的基础上,利用限失真编码下的增量信息建立视觉显著性的计算模型,即将增量编码长度视为视觉显著性的度量。为了求解该模型,本文进一步考察了稀疏表示与限失真编码理论,在不同假设下,提出了两种高效的求解方法,即高斯条件信息熵与稀疏编码信息熵,并对其进行了广泛的实验。显著性区域检测和人眼运动预测实验结果表明,这一模型可以取得高效和可靠的视觉显著性。实验结果验证了这一模型的有效性。该部分研究内容发表于ACCV09,ICIP09。图像张量特征的分解方法及其在视觉显著性中的应用:本文提出了最优秩-稀疏张量分解方法。相比现有方法,最优秩-稀疏张量分解可以提取最优维度条件下的不变子空间,并同时分离异常模式。结合该分解方法以及图像特征的张量描述,本文提出了基于最优秩-稀疏张量分解的视觉显著性模型。本文进行了广泛的实验,实验结果表明最优秩-稀疏张量分解方法可以稳健分离不变子空间学习与异常模式,故而在包括眼动预测、前景提取、图像降噪、人脸分析等一系列实验上取得了优异的表现。该部分研究内容发表于ECCV10,ICIP10。