文摘
从根本上说,视觉认知指的是一种思维方式外部世界的客观信息通过视觉神经传递到大脑,然后由大脑处理。在人类的进化史,环境带来的压力导致了视觉系统的迅速发展和视觉认知。与语言能力和逻辑能力,视觉认知的理解是人类智能的分析的关键。因此,改善视觉认知效率的研究是迫切需要的。本文的目的是要找到方法和策略来提高视觉认知效率的基于视觉元素的应用程序组合。本文首先给出了一般介绍视觉元素和设计方法。然后,眼动行为和视觉特点建立了计算模型。使用高斯分析和渠道特点测试方法基于“地方”和“什么”的原则,图片视觉元素的认知效果是专门分析。然后,问卷调查法进行实验的问题,视觉元素影响视觉认知的效率,最后的结果。在宏观层面,动态图片颜色和辅助文本可以有效地提高认知效率的愿景。 It enables people to grasp cognitive objects quickly and form stronger cognitive ability. However, at the micro level, due to the intuitiveness and meaning of words, the visual cognitive efficiency of the recognition effect is high. In terms of image scale, the two scale parameters [4 × 4] and [6 × 6] perform better. The human eye is relatively optimal at 4/90∼6/90 on the attention scale of the image. At the same time, under the [4 × 4] scale parameter, even if the image loses some features, it can save about 95% of the cognitive time overhead.
1。介绍
随着互联网大数据的快速发展,认知理论已逐渐形成。当前形势下,各种视觉元素的融合和碰撞影响视觉认知的效率。人类从外界获取和处理信息通过感官和神经系统。这些获得的信息,80%以上来自视觉系统(1,2]。人眼处理这种视觉信息时,它会自动选择感兴趣的部分大脑根据其能力有限。这是因为人类的视觉注意机制。在视觉认知的过程中,认知主体由不同的外部刺激的视觉元素。处理后的大脑,它存储在大脑记忆的形式,从而形成视觉认知。在提交给不同的视觉元素时眼睛,大脑会以不同的方式来处理这些元素。也就是说,认知效率是不同的。因此,分析和研究视觉元素的结合不仅可以有效改善视觉认知和人类认知能力的效率,但也提供了一定的思想和理论基础教学、研究设计、影视等领域。
人类视觉系统进行的大多数信息采集任务。人类视觉系统具有高效的数据过滤功能。它允许人类快速提取重要信息从复杂多变的场景和认知过程。视觉认知是一个相对复杂的过程。作为认知对象的基本单位,对视觉认知视觉元素有直接的影响。因此,优化视觉元素的结合可以有效改善视觉认知效率和提高人类的认知能力。在此基础上,视觉认知效率的提高也会促进相关的长期稳定发展科学和其他领域,比如大数据网络,计算机视觉,仿生技术、视觉设计、教学设计、影视艺术。和在认知的过程中实践,有效地促进了许多实际问题的解决方案。
本文的创新在于:(1)它关注视觉元素,分析特定的视觉元素的特点和适用性,然后专门研究视觉元素的组合方法找到方法和策略来提高视觉认知效率。(2)它集成了眼球运动行为和视觉特点计算分析和学习人类视觉认知过程及其特点。通过这种方式,视觉元素的分析是促进和元素组合的效率提高。(3)它使用高斯分析测试方法和渠道特点准确地模拟动态扫视行为在人类视觉认知的过程中增加了数据的可靠性。
2。相关工作
目前,研究视觉认知变得越来越普遍。其中,Akhmetshin等人分析了视觉辅助教学在现代教育中的应用设置和评估其改善学生的认知效率中等职业教育机构。作者使用了调查问卷收集教学数据和学生学习数据来找出哪些错误在视听教学艾滋病认知效率的降低。这些错误被淘汰,学生的成绩和认知效率提高了15 - 20%。然而,由于有限的样本,结果略有不准确(3]。佩雷拉等人研究了眼动指标之间的关系和视觉认知MCI和广告的效率。他们相信视觉认知是至关重要的日常生活的活动,它是在阿尔茨海默病(AD)的影响。他们测试了127名参与者,让他们完成一个眼动跟踪视觉认知任务。他们研究了其认知效率。然而,由于个体差异大,结果是不可避免的不精确的4]。黄进行了一项探索性研究的新分析方法研究视觉元素与底层视觉认知过程。他相信视觉元素的分析提出的社会符号学方法完美补充的内部认知形象观众认知和提高了效率。然而,由于该方法相对较新,实验模型并不完美,获得的数据略有缺乏(5]。李等人分析了认知效率和数控界面布局设计的评价指标。基于眼动跟踪数据和交通网络可达性模型,回程时间率的计算公式,再设立率,扫视速度,持续时间和可访问性。最后,提出了布局评价指标由相关分析测试,和视觉元素设计的认知效率由方差分析分析。但是这个操作更复杂,需要在一个稳定的环境6]。
灵感来自于Muller-Lyer错觉在生物视觉系统,张等人提出了一种改进的LineMod集群(CT-LineMod)视觉认知模型模板。模型使用7 d认知特征向量代替标准的3 d空间点在Patch-LineMod的聚类过程。其中,认知不同的三维空间点的距离将进一步受到额外的4 d信息与功能定位和大小有关。然而,这种方法很难操作,需要更高的要求的机器上(7]。习近平等人认为,神经振荡反应在不同的频段与不同的认知功能和认知效率。因此,他们调查了跨多个频段时变网络的拓扑特征。这有助于阐明多重多元素融合的机制。他们设计了一个与事件相关的实验和建造δ-θ-α-,β波网络刺激后八个时间点。图论是全球属性,然后用于计算节点出度和认知行为的相关性。这种方法需要大量的数据来支持。因此,有更高的要求,算法模型的准确性(8]。Huestegge和2相比Tzsch可视化方法:传统的圆表示(饼图)和一个矩形表示(常数列宽度系统树图)。他们推测,不同认知易用性和视觉认知效率比较的过程。辅以眼球运动分析,得出促进代表关键变量的比较过程(即在一个不太复杂的视觉维度。,直线长度恒定方向而不是表面积或弯曲长度)最终增加认知图的效率。然而,有一些错误在这种方法中,导致精度不足(9]。
3所示。提高视觉认知效率的方法通过使用视觉元素的结合
3.1。介绍和设计方法的视觉元素和视觉认知
3.1.1。文本元素
文本不仅是信息的载体,但明显的视觉文本的识别也是一个重要特征。因此,可视化设计的文本对象可以使信息更加生动,使信息传播更有吸引力(10]。
当设计、文本需要突出视觉传达元素。通过结合装置和图像处理,界面中的文本可以表达不同的意义。文本设计视觉元素的组合是最基本的表达方法在当今信息传播。文本可以直接向观众传递信息,使观众理解接口的组成框架乍一看(11]。例如,在web页面的设计,它使用文本而不是图标链接按钮在导航栏中。这是因为当观众点击网页,他们可以直观地找到他们想要的内容选择,而不必处理和转换信息在他们心目中,如图1。
其次,使用特殊字体的设计主题广告标题,并转达了符合意境的影响照片的背景,如万圣节和圣诞节的主题广告在香港迪士尼乐园,如图2。
文本字体和色调的设计侧重于处理。文本样式元素的视觉表达是文本的基础设计。目前,这个设计已经成为一个基本的和重要的艺术表现形式。
3.1.2。图像元素
在界面设计中,设计者可以将想法转换成引人注目的形式通过形象设计和使用这些图像来传达信息。优秀的设计师可以显示高层图像组合和设计对象的特点,使信息传播更加生动和三维通过形象设计12- - - - - -14]。大多数设计师擅长使用图形设计。他们认为图片比文字更好的传播特性。还有一个观点,即图像的视觉冲击是文本的高出85%。从以上的观点来看,可以看出形象设计可以快速表达设计师的想法。使用图片来显示信息可以带来更多的感官刺激和更好的情感共鸣。
3.1.3。色彩的元素
当视觉信息传达,颜色是情感的主要驱动力15]。优秀的配色可以吸引观众的注意力,给设计带来活力对象。明智的使用颜色不仅可以使内容更直观地美丽,但也传达的情感。这在整个设计过程中起着非常重要的作用。设计的颜色配置对象将直接影响最终的设计效果。每个部分的颜色需要相互混合和和谐。如何配色,突出设计主题是一个设计者需要关注的问题。优秀的配色需要首先找出设计的主要思想是什么,然后围绕这个主题,使配色可以引起观众的共鸣。
如果它工作得很好,它需要充满活力的颜色。在设计中,有必要使用颜色来突出主题,让主题生动,在第一时间吸引观众的注意力。此外,它还需要独特的颜色。创新是设计的活力。盲目模仿会使设计失去活力16]。只有颜色配置的创新能给观众留下深刻印象。如图3,设计师用华丽的三角形元素。在工作,设计师说非常有趣的彩色三角形。这种看似简单的和乏味的元素使得这项工作充满了强烈的个人主义。这些丰富的颜色形成鲜明对比的鹿头背景,给观众更大的影响。它加深了观众的视觉认知,给观众留下了深刻的印象。彩色三角形元素与动物和肖像摄影创造华丽的前卫和时尚的作品。
3.1.4。设计视觉元素结合的互动元素
视觉元素组成一个有机的、系统的设计安排每个元素出现在界面(17]。初的设计,设计师需要全面考虑画面的布局,文本和颜色按照设计要求和目标和设计与整体协调为目标(18,19]。通过这种方式,交互设计,符合观众的认知模型可以提高观众的认知能力,提高单位时间的认知和认知的准确性。因此,它提高了观众的视觉认知效率。下列方法的系统集成视觉元素可以帮助改善视觉认知效率:
(1)统一的元素之间的间距。“间隔”的概念也是一个非常重要的元素在系统集成设计。元素之间的间距包括图像之间的间距,图像和文本和文本与文本之间(20.]。统一每个元素的间距有助于形成一个有序的布局效果,提高阅读效率的内容信息和整体的布局。
(2)统一的图像形式。在视觉构成元素中,图像是最直观地表达设计元素(21]。因此,它是非常重要的选择最适当的图像基于你想传达的信息是,你想表达什么。如何使图像的整体布局和谐和装饰可以从图像的表达风格。它选择的图像相同或相似的风格整合布局更快,去除图像有不同的风格,破坏整体的和谐,或结合风格的图像通过图像处理软件来减少差异对布局的影响。它创造了一个混乱的感觉。其次,图像的排列位置也是一个关键因素。图像的布局应该提前安排形成一定的设计顺序,整体形象和谐有序。
(3)统一的文字风格。在元素的组合,文本的类型和安排也可以影响观众的视觉感知。因此,设计时,设计师需要选择合适的字体样式根据他们想要传达的内容。黑体给出一种时尚和引人注目的,虽然Arial给人一种优雅的感觉,古典和高端。不同的字体给人带来不同的感受。显示字体的个性不仅可以反映出明显的区别不同类型的信息,但也使布局影响整体美观。
(4)和谐的色彩规划。颜色有能力将人们的心在元素的组合,这有利于传达设计师的情感,使观众产生共鸣(22]。通过色彩规划、布局中的所有元素还可以协调形成一个整体,美丽而引人注目的图片。在具体的设计中,可以选择一个颜色主题连接在一起的所有元素,也可以形成强烈的色彩对比,给观众留下了一个直观的视觉冲击感。灵活使用颜色有助于提高观看的整体视觉效果,视觉冲击和记忆,提高观众的认知能力。
(5)视觉认知结构。视觉认知视觉处理分为三个阶段:早期、中期、晚期,如图4。出现在早期阶段获得的信息,包括确认包含元素和收购的一般特征。然后执行肤浅的认知分析。在中间阶段,初始印象执行一系列的操作来获取图像能够反映认知对象的具体特征,也就是一个二维(2.5 d)草图,包括立体视觉的深度信息和元素清晰提取操作。基于这些信息,认知对象可以划分为区域有明确的含义。,可以获得更高层次的描述比行,形状和范围。后期构建三维模型的认知对象恢复和依赖于自我认知的过程来识别对象。
根据视觉认知模型图5,当信息进入眼睛和刺激视网膜,视神经将接收到的视觉信息传输到大脑,大脑将处理它来生成认知行为(23]。也就是说,视觉认知过程进行了一系列的分析和理解大脑在收集和整理的外部信息。公共模板理论和视觉特征识别的视觉认知理论。它表明人类获取信息后,产生一个反应过程的认知判断。这些信息由文字、图像和符号通过视神经刺激大脑产生认知。这些信息将存储在大脑的记忆形成相应的认知判断机制。
3.2。眼动行为和视觉特点计算模型
知觉领域的认知心理学、视觉认知是主要的渠道获得的绝大多数信息在外部世界24]。然而,人类的注意力和精力是有限的,只有特定的资源分配给视觉系统。这时,视觉选择性注意将在这一过程中发挥着重要的作用。视觉选择性注意的反应在人类生理层面主要是眼球运动。视觉研究的认知效率,眼球追踪技术是一种有效和直接的研究方法。它可以学习人类视觉认知过程及其特点通过观察眼球运动和分布的观点25]。这是应用视觉元素的结合来提高效率的组合元素和提高视觉认知的效率。
3.2.1之上。高斯分析
作为一个非常经典的数据统计分析技术,投影追踪非常类似于人类视觉认知过程中的动态扫视行为(26]。最初提出利用低维投影搜索我的模式或潜在的有意义的数据在高维数据结构。这是符合人类认知的目标搜索和发现重要的视觉内容复杂的场景。一个线性投影从来可以被定义为线性映射吗米(通常是一个k×d矩阵的秩k):
其中,Ww是一个维度,一个随机变量服从分配问。是一个随机变量的维度,服从分配 。每一列的可以被认为是一个独立的统计组件。投影追踪的过程是确定投影米利益的最大化或最小化目标函数的分布 。
3.2.2。提取基于峭度的高斯组件最大化
super-Gaussianity的统计,一个随机变量通常是由峰度测量功能:
其中,x是一个随机变量和E{。}是期望函数。如果x是一个随机变量严格服从高斯分布,库尔特(x)= 0。如果峰度是正的,那么随机变量有一个高斯属性。如果峰度是负的,它有一个亚高斯形状。为了获得最高斯投影,最初的投影米可以随机选择。它利用这样的定点迭代法,最后融合投影最强的峰态在给定图像矩阵J。目标函数高斯投影组件跟踪
的梯度如下:
当投影方向是一样的梯度方向或两个足够小的偏差,搜索过程是收敛的。然后,下面可以推导出:
公式(5)使用定点迭代算法可以解决:
从上面,投影方向可以获得给定的数据具有最强的super-Gaussianity这个方向。
3.2.3。Multi-Gaussian组件提取基于施密特正交化
为了确保优化过程不会收敛到提取的高斯组件,需要引入一个正交化约束的过程中多组分提取。也就是新的高斯组件应该严格正交前面提取组件。它给出一组提取正交投影向量 ,和正交化约束的多个解决流程可以保证处理以下公式:
总结上述,可以提取图像中的高斯组件数据。
3.3。通道特点测试方法基于“地方”和“什么”的原则
3.3.1。”,“卓越地图生成基于纯背景
在人类视觉认知系统,视觉刺激时,神经与外部世界的认知过程主要取决于稀疏响应国家受到神经元(27]。分割图像稀疏表示(SR)利用低秩矩阵分解的纯背景后作为字典,和整个图像的稀疏编码区域
其中,参数是用来平衡稀疏约束项和错误的重建 。然后,卓越价值基于纯背景可以被视为稀疏编码后的重建误差(SC),表示为
“地方”特性显著地图可以通过自适应阈值的关键 ,和superpixel区域对应”,“凸区域的部分将被分离。总之,时间的结果 是最好的。
3.3.2。Target-Centered“什么”显著图生成
在生物学中,每个神经元在神经网络与周围的神经元相互连接形成一个纵横交错的神经网络。这些神经元可以并行工作,可以快速找到需要的信息处理(28]。的基础上修改后的机制,一个完全连通图 建立了。其中,C是所有superpixel节点的集合 ;有j标记点和u没有标记的点,被指示为标记点 。所以, 图像分割后是superpixels的数量。年代代表了两个superpixel节点之间的相关程度,定义为
其中,是一个常数,控制体重的大小。和代表CIELAB颜色空间的颜色特征对应不同superpixel节点,分别。
每个节点的显著值计算使用基于高斯字段和调和函数。给出一个基于函数 和一些固定的标签,这是同意的标签数据 ,这个函数需要的值 。因此,标志着重大节点的值,
它转换到一个基于拉普拉斯算子矩阵:
其中,
稍微有些变化,
为方便计算,取l权重矩阵的行一个作为基准,分成四个部分,得到
以同样的方式,将会分成两部分
其中,代表的价值标记节点;然后,优化问题的解决方案
因此,对象为中心特点的基础上,“什么”功能
4所示。视觉元素模型和样本实验的指导下下界估计
4.1。模型的性能
基于政治框架,它选择四个单样本,比较他们在人眼注视预测实验。首先,这最长的拉伸图像方面90像素。然后,四个single-scale块采样策略(2×2),[4×4],[6×6],[8×8]是用来计算图像的特点。最后,定量评价是进行基于纽约- 120数据库。
看着性能的绝对值,多尺度融合方法达到最佳的性能在所有四个样品。[4×4]、[6×6)也有类似的性能和有一个小缺口与多尺度融合策略。之间的差距(2×2]和[8×8)较大,和(2×2)比[8×8]。相对性能而言,多尺度融合方法达到更好的结果比其他策略40%的图像。[4×4]的比例是25.36%,和图片(2×2)[6×6]和[8×8]是16.26%,16.26%,和17%,分别。
获得的最佳处理效果不同的扩展策略如表所示1;从表中可以看出,IL-KL模型的测试结果理想,与一个更高的平均值,虽然SL-KL模型的测试结果不理想,最低的平均值与其他方法相比。
图6显示不同的规模策略的最佳处理效果。红色框的采样窗口大小相应的扩展策略。综上所述,可以得出结论,(2×2)在单色图像具有更好的效果,因为它不编码的结构信息。[4×4][6×6]包括最常见的物体,如中档的脸,遥远的人,的迹象。这也显示了性能优越的[4×4]和[6×6]在表1在single-scale评估。近距离的面孔,[8×8]包括中档广告,和远程的人。可以看出,现场处理的多尺度融合策略是更有效的突出对象的多尺度。
结合上面的分析,在single-scale评估,[4×4]和[6×6]有更好的性能。因此,在注重规模的形象,4/90∼6/90是相对最优,视野的面积的比例大约是0.21%∼0.44%。除此之外,人类视觉认知效率更好。
4.2。量化的影响下特征维度
传统的卓越模型从图像中提取特征向量的维度与一个固定的算法(29日]。高维特征并不总是带来的性能改进,并完成功能表示并非最优。尺度参数下(6×6),完整的特征尺寸是80。最佳性能的模型是45岁以下维度,这是3.87%高于使用维特性。的尺度参数[4×4],完整的特征尺寸是30。维度模型是最优的性能时25岁,这是使用维特性相比提高了4.53%。对于只提取维特性,即使一些性能损失,可以节省大约95%的时间开销。图7显示了影响时间开销和SL-AUC下界估计模型的性能指标根据不同数量的高斯组件。
SGP模型试验的结果[4×4]和[6×6],如图8。
从数据可以看出7和8规模参数的[4×4]和[6×6],完整的特征尺寸和性能的模型通常表现出积极的增长模式。在特征尺寸增加,累积时间也增加,模型的性能不断优化。SL-AUC指数大幅增加率在早期阶段,缓慢增长趋势在中间阶段,部分后期下降趋势。
4.3。实验视觉元素在视觉认知效率的影响
研究表明,图片与文字的援助可以产生更好的认知效果。单词的认知效果与彩色文本的关键内容比没有颜色,和图片的颜色比图片没有颜色。在接下来的实验中,我们将专门研究文本和图片的影响(包括静态和动态)在人们的视觉认知效率的影响基于颜色和辅助文本,从而找到提高视觉认知效率的方法。这个测试主要从三个方面进行:认知评价、识别、和推理测试。
(1)实验步骤。这个实验主要是协助下从淮海中学初中学生。实验的对象是102名学生(44男孩和58女孩)两类。学习的学生的水平是一样的。测试包括三个部分:个人自我评价,识别问题,推理问题。完成测试的时间是45分钟。
(2)实验结果。在这个实验中,视觉元素的平均分数和标准偏差表示方法计算组合。三个方面的认知评价、识别、分析和推理。
4.3.1。自我评估测试结果的差异
认知评价平均得分和平均方差的文本,静态图片,图片和动态进行了分析,分别,结果如表所示2。与静态图片相比,F文本测试值为195.405,小于0.05,显著性水平和视觉认知效果更好。与动态图片相比,F以及静态图片的价值为62.181,小于0.05,显著性水平和视觉认知效果更好。平均分数和平均方差的文本的自我评价最低,其次是静态图片,和动态图片是最好的。因此,可以得出结论,在自我评价方面,动态图片(包括颜色和辅助文本)>静态图片(包括颜色和辅助文本)>文本(颜色)。自我评估的结果如图9。
4.3.2。识别测试结果的差异
平均分数和结果的平均方差识别测试如表所示3。与静态图片相比,F以及文本的值是74.873,小于0.05,显著性水平和视觉认知效果更好。与动态图片相比,F以及静态图片的价值为22.648,小于0.05,显著性水平和视觉认知效果更好。它也可以发现从数据的平均识别评分三个视觉元素已经达到超过3点;也就是说,他们已经达到及格水平。然而,识别文本的平均得分高于图片颜色和辅助文本,紧随其后的是动态图片,和静态图片的平均得分是最低的。从这得出结论,在新知识的认知,学习者的语音识别的效果最高。静态图片的识别效率低于文本。这表明即使图片可以包含丰富的信息,它不能明显表示每个知识要点。这会影响学习者的认知效率。动态图片的识别效率最低,这表明尽管动态图片能吸引学习者的注意力和表达知识的点,他们不能提供所有的信息,这大大减少了认知效率。识别测试的结果如图10。
4.3.3。推理测试结果的差异
平均分数和结果的平均方差识别测试如表所示4。以上实验表明,与静态图片相比,F以及文本的值是92.367,小于0.05,显著性水平和视觉认知效果更好。与动态图片相比,F以及静态图片的价值为49.893,小于0.05,显著性水平和视觉认知效果更好。也可以从数据发现文字推理的平均得分是最低的,效果是最理想的,其次是静态图片,和动态图片的推理效果是最好的。从这个认为推理可以检查学习者掌握知识要点的能力。文本在识别有很好的效果,但是它有点缺乏推理测试。静态图片可以更好地把握知识体系在宏观层面上,让学习者更好地理解和扩大材料。因此,静态图片的推理效果更好。动态图片可以提高关键知识的表示。这是有利于学习者掌握材料和提高认知效率,以便学习者可以迅速建立一个认知框架的知识分,避免其他因素的干扰。推理测验的结果如图11。
5。讨论
本文致力于研究视觉元素组合策略运用视觉认知效率的提高。不仅是视觉元素的阐述和分析,眼动行为和视觉特点计算模型,利用眼动行为和视觉特点计算模型,高斯分析方法,SGP计算模型,和其他方法来分析视觉元素的结合,也是一个新的尝试提高视觉认知的研究方法效率的策略。通过分析和建筑的视觉特点计算模型和学生的调查和研究,它寻找方法来提高视觉认知效率,提高认知能力。
通过这个案例的分析,表明[4×4]和[6×6]single-scale下有更好的性能评估。注意形象的规模,4/90∼6/90相对最优。在视觉元素方面,自我评价,自我评价文本与推理效应呈正相关。即词对认知的影响评价和推理效应很小,和视觉认知效率很低。和图片有更大的影响在我的认知评价和推理效果,和视觉认知效率较高。其中,动态比静态图片,图片和动态的视觉认知效率是最好的照片。也就是说,在宏观层面上,动态图片颜色和视觉辅助文本可以有效地提高认知效率,这样人们可以迅速掌握认知对象,形成强大的认知能力。然而,在微观层面上,由于单词的直觉和意义,识别效果的视觉认知效率高。单词可以更好地帮助人们reunderstand事物和有效地巩固自己的认知的东西。
6。结论
通过本文的分析,也得出以下结论:(1)颜色可以有良好的辅助效果的认知水平上文本和图片。就是颜色的表示方法有很好的对提高视觉认知效率的影响。使用颜色的增加可以发挥更好的效果。(2)文字的援助可以有效地深化的理解认识认识对象的内存。文本渲染是最好的。(3)图片的视觉认知效率是最好的认知评估。和[4×4]的性能相对最优。相应的图像面积大小的脸在中等距离或距离。(4)通过眼动行为仿真和实验中,一个重要的高斯发现之前,这提出了一个政治框架模型模拟眼动行为。首先,四个样本选择,四个不同的尺度块作为例子计算特点。 Then, based on the YORK-120 database, data analysis and evaluation were performed to compare the visual cognitive efficiency of the four scale blocks. Experiments show that the SGP model has strong robustness and rationality. In the case of only extracting 1-dimensional features, even if part of the performance of the image is lost, it can save about 95% of the time overhead, and the optimal field of view ratio is calculated to be about 0.21%∼0.44%. In the method, the channel significance test method based on the “where” and “what” principles is adopted. This method effectively improves the accuracy of the experimental results. And even if the background of the experimental subject is more complex, more accurate results can be obtained. (5) Although these methods and experiments can improve the detection accuracy, there are also some shortcomings: in the saliency test method using low-rank matrix factorization, the accuracy of the saliency map is very dependent on the results of superpixel segmentation. If the processing result of superpixel segmentation is not ideal, it will affect the accuracy of the saliency map. Therefore, the preprocessing step for the saliency map is where attention and improvement are needed.
数据可用性
的数据支持本研究的发现可以从相应的作者在合理的请求。
的利益冲突
作者声明没有潜在的利益冲突的研究,本文的作者,和/或出版。
确认
这项工作是由淮北师范大学课程建设基础上(批准号2021 zlgc071)。