HFUT-Lytro数据集

数据集介绍：

由255个光场组成，每个光场图像生成的图像范围从53到64个，其中跨越了多个显著性检测挑战，如遮挡、杂乱背景和外观变化。

HFUT VCC Vehicle Logo Dataset. Contribute to HFUT-VL/HFUT-VL-dataset development by creating an account on GitHub.

IEEE Xplore, delivering full text access to the world's highest quality technical literature in engineering and technology. | IEEE Xplore

GitHub is where over 94 million developers shape the future of software, together. Contribute to the open source community, manage your Git repositories, review code like a pro, track bugs and features, power your CI/CD and DevOps workflows, and secure code before you commit it.

A light field dataset dedicated to saliency detection - GitHub - pencilzhang/HFUT-Lytro-dataset: A light field dataset dedicated to saliency detection

编辑｜平台 HFUT-Lytro数据集数据集下载地址： GKqau一个光场显著性分析基准数据集，名为HFUT Lytro，由255个光场组成，每个光场图像生成的图像范围从53到64个，其中跨越了多个显著性检测挑…

显著目标检测：综述摘要自然场景中显著物体的检测和分割，通常被称为显著物体检测，已经引起了计算机视觉领域的广泛关注。虽然已经提出了许多模型，并出现了一些应用，但对所取得的成就和存在的问题还缺乏深入的了解。我们的目标是全面回顾显著目标检测的最新进展，并将该领域与其他密切相关的领域，如通用场景分割、目标建议生成和注视预测的显著性进行比较。包括228种出版物，我们调查了i)根源、关键概念和任务，ii)核心技术和主要建模趋势，以及iii)显著对象检测中的数据集和评估度量。我们还讨论了模型性能中的评价指标和数据集偏

Light Field Salient Object Detection Based on Multi-modal Multi-level Feature Aggregation Network

一个新的具有挑战性的用于光场显著性分析的基准数据集，称为HFUT-Lytro。

在DUTLF-FS和HFUT-Lytro光场基准数据集上进行实验对比,结果表明,该算法在5个权威评估度量指标上均优于MOLF、AFNet、DMRA等主流显著性目标检测算法。

Lytro光场相机的原理，科普，简单地进行了解

1.主镜头和感光元件之间有一个微镜头阵列，微镜头（很小的镜头，就是和芯片一个道理，把它们集中在很小的一片上）在中间加东西岂不是要把镜头堵上了？那后面的感光元件岂不是被微镜头挡上了？（其实微镜头之后的感光元件其实就是和微镜头匹配的cmos感应器，就是把主镜头进来的像又通过了一个镜头，然后到了感光元件。

主镜头感应器之间，有一个3280*3280排列的微型镜头阵列主镜头和感应器之间

收集到图像信息之后有两种算法：1.N个小图像适当平行移动，叠加求解，其中涉及到了移动，相加和平均。个人理解为每个微镜头过来其实否是一个完整的像，只是角度不同而已，把像进行叠加运算，就可以制造出不同的景深了，当然其中应该涉及到了加权等问题。2.光线束投影法，每个微镜头透过来的像的一部分作为延伸，也就是上面图画的，经过了cmos后有了焦点，其实那是假设的，算法进行实现的。

其实就是把一个相机分解成了很多小相机，一大堆紧密放在一起的小相机，这样当然出来的像是有偏差的，通过偏差就可以算出前景，背景，以及景深了。

下面添加一点，光场相机的五维空间(x,y,z,θ,ψ)

其中θ代表光线仰角，ψ代表方位角。

在成像时需要记录光场的四维信息。（x，y，u，v）

其中x，y代表光线成像位置，u，v则可以通过夹角关系，定义光线的传播方向。