Avaliação de Modelos de Atenção Visual em Relação a Transformações Afins

Transcrição

1 Avaliação de Modelos de Atenção Visual em Relação a Transformações Afins Milton Roberto Heinen e Paulo Martins Engel UFRGS Instituto de Informática CEP , Porto Alegre, RS mrheinen@inf.ufrgs.br, engel@inf.ufrgs.br Resumo Os modelos computacionais de atenção visual, originalmente desenvolvidos para explicar o funcionamento dos mecanismos de atenção biológicos, ultimamente vem sendo utilizados como uma espécie de front-end em aplicações de visão computacional. Porém os requisitos necessários neste tipo de aplicação são completamente diferentes dos originalmente propostos. Em especial, um sistema de visão computacional precisa ser relativamente insensível a transformações afins. Neste artigo são descritos diversos experimentos realizados com dois modelos de atenção existentes, e estes demonstraram que o modelo mais conhecido, chamado de NVT, é extremamente sensível a transformações afins. Além disso, um novo modelo de atenção visual, chamado de NLOOK, é proposto e validado segundo os mesmos critérios, que demonstraram sua menor sensibilidade a estes tipos de transformações. Além disso, o NLOOK consegue selecionar melhor as fixações de acordo com um critério de redundância. Desta forma, o modelo proposto é uma ferramenta bastante adequada para ser utilizada em aplicações de visão computacional. I. INTRODUÇÃO A quantidade de informações que chega ao sistema visual dos primatas estimada como sendo da ordem de 10 8 bits por segundo excede em muito a capacidade que o cérebro tem de processá-la e assimilá-la em sua experiência consciente [1]. A estratégia utilizada pelos sistemas biológicos para lidar com este excesso de informações é processar de forma detalhada somente algumas partes do campo visual, chamadas de regiões de interesse, e ignorar o restante das informações [2]. Segundo [3], a seleção das regiões de interesse é dirigida por um mecanismo competitivo de controle de atenção, que facilita a emergência de um vencedor entre diversos alvos potenciais, permitindo ao sistema processar informações relevantes à tarefa atual enquanto que suprime as informações irrelevantes que não podem ser processadas simultaneamente. O mecanismo de atenção do seres humanos é influenciado por dois principais tipos de informações: bottom-up ou exógenas (elementos da cena visual que se destacam dos demais) e top-down ou endógenas (informações do córtex cerebral que alteram o foco da atenção). Assim, o ser humano consegue ter um amplo campo de visão e uma elevada percepção dos detalhes sem no entanto exceder as capacidades de processamento do córtex visual. Inspirados nos sistemas de atenção biológicos, é possível desenvolver sistemas de atenção computacionais que sejam capazes de selecionar as regiões de interesse do campo visual a serem completamente processadas, e isto torna possível a análise de cenas complexas em tempo real com recursos limitados de processamento. Embora diversos modelos de atenção visual bottom-up já tenham sido propostos e implementados [1], [4] [7], a maioria destes modelos tem como foco principal entender o funcionamento dos mecanismos de atenção dos seres vivos, e como tal têm sido avaliados somente em relação à sua plausibilidade biológica [8]. Em um sistema de visão computacional é necessário, entre outras coisas, que o modelo de atenção seja relativamente insensível a transformações afins (rotação, translação, reflexão e escala). Porém, segundo [8], o NVT [1], que é o modelo de atenção visual mais conhecido e utilizado, é bastante sensível a transformações afins, e portanto não deve ser utilizado em aplicações de visão computacional. Este artigo apresenta um novo modelo computacional de atenção visual, chamado de NLOOK, que além de possuir um excelente desempenho computacional é bem menos sensível a transformações afins que os outros modelos analisados, em especial o NVT. Além disso, o NLOOK consegue selecionar as fixações de forma mais otimizada (menos redundante), e possibilita inclusive a seleção da escala aproximada das mesmas. Todos estes fatores tornam o modelo proposto uma excelente ferramenta, que pode vir a ser utilizada em diversas tarefas de visão computacional como por exemplo a identificação de objetos e a detecção de landmarks. Este artigo está estruturado da seguinte forma: a Seção II descreve dois modelos de atenção existentes, o NVT [1] e o SAFE [8]; a Seção III descreve as características do modelo proposto; a Seção IV descreve os experimentos realizados visando verificar a sensibilidade dos diversos modelos a transformações afins; e por último, a Seção V descreve as conclusões finais e as perspectivas futuras. II. TRABALHOS RELACIONADOS O primeiro modelo de atenção visual biologicamente plausível foi proposto originalmente em [4] e posteriormente aperfeiçoado em [1]. Ele é baseado na teoria da integração de feições (Feature Integration Theory FIT) [9] e na hipótese de que um mapa de saliências é capaz de fornecer uma estratégia eficiente no controle da atenção utilizando somente informações da própria cena visual (bottom-up) [10]. Neste modelo, chamado de NVT, a imagem de entrada é decomposta em três mecanismos de detecção de características préatentivas (intensidade, cores e orientações), que operam em paralelo sobre toda a cena visual. Estas três características são posteriormente unidas em um único mapa de saliências, que codifica os estímulos mais importantes da cena visual.

2 Para a criação dos mapas de características, no NVT são utilizadas operações lineares de centro-periferia aplicadas sobre pirâmides gaussianas [11] com níveis ϕ [0, 8], onde ϕ = 0 corresponde ao tamanho original da imagem. No modelo de [1], as operações lineares de centro-periferia são implementadas através da diferença entre os níveis finos e grosseiros das pirâmides gaussianas, onde o centro corresponde aos níveis c {2, 3, 4} e a periferia aos níveis s = c + δ, com δ {3, 4}. Os mapas resultantes deste processo são então reduzidos para o nível ϕ = 4 (mais grosseiro) e normalizados através do operador de normalização não linear N( ), que intensifica os mapas que possuem poucos picos salientes que se destacam dos demais [1], e em seguida estes mapas são combinados em um único mapa de características. Para a criação dos mapas de intensidade I no NVT, inicialmente os canais vermelho (red r), verde (green g) e azul (blue b) são extraídos da imagem colorida original. A partir destes canais é gerada a imagem I = (r + g + b)/3, e sobre esta imagem são aplicadas as operações de centro-periferia descritas anteriormente. Os mapas de cores C, que codificam a oponência espacial e cromática das cores vermelho/verde (RG) e azul/amarelo (BY ), são criados de forma similar aos mapas de intensidade. Inicialmente os canais r, g e b da imagem colorida de entrada são normalizados por I de forma a separar a cor da intensidade. Em seguida quatro canais de cores largamente sintonizados R, G, B e Y são criados. A partir destes quatro canais são criadas pirâmides gaussianas e realizadas as operações de centro-periferia, sendo que no centro são utilizadas as pirâmides de uma cor (R ou B) e na periferia as pirâmides de outra (G ou Y ). Para a criação dos mapas de orientação O(θ), são utilizadas pirâmides de Gabor [12] a partir da imagem I, com as orientações preferenciais θ {0, 45, 90, 135 }. Em seguida estes quatro mapas são unidos em um único mapa de orientações O. Após a construção dos mapas de características, estes são unidos para formarem um único mapa de saliências global S = (N(I) + N(C) + N(O))/3, que codifica os estímulos mais importantes da cena visual. Para a seleção dos focos de atenção (focus of attention FOA), também chamados de fixações, é utilizada uma rede neural do tipo o vencedor leva tudo (winner-take-all WTA). Esta rede neural utiliza neurônios do tipo integra e dispara [13] com forte inibição global, e um mecanismo de inibição de retorno (inhibition of return IOR) [14] evita que o foco de atenção (focus of attention FOA) fique sempre preso ao mesmo objeto [1]. Embora este modelo de atenção já tenha sido utilizado em aplicações de visão computational [15], [16], segundo [8] ele não é muito adequado de ser utilizado neste tipo de aplicação por ser muito sensível a transformações afins (reflexão, rotação, translação e escala) na imagem original. De fato, o NVT foi desenvolvido para propiciar um melhor entendimento dos mecanismos de atenção biológicos, e não para ser utilizado em aplicações de visão computacional. Em [8] foi proposto um novo modelo de atenção visual, chamado de SAFE, e através de diversos experimentos foi mostrado que ele é menos sensível a transformações afins que o NVT. As principais diferenças do SAFE em relação ao NVT são: (i) as operações de centro-periferia são realizadas utilizando diferenças de gaussianas (DoG) aplicadas sobre os diversos níveis das pirâmides gaussianas; (ii) os diferentes níveis dos mapas de características não são unidos entre si (toda a pirâmide é preservada); (iii) ao invés de apenas um mapa, uma pirâmide de saliências é criada; (iv) o modelo tenta selecionar tanto a posição quanto a escala aproximada dos focos de atenção; (v) não é utilizada uma rede WTA nem IOR o SAFE simplesmente seleciona os máximos locais mais relevantes em cada um dos níveis da pirâmide de saliências; (vi) os mapas de características são suavizados por um kernel gaussiano com desvio padrão 22.6; (vii) ao invés de filtros de Gabor, o SAFE utiliza máscaras verticais de horizontais de Ando [17], que tornam os mapas de orientação muito similares aos mapas de intensidade, ou seja, estes mapas salientam as bordas ao invés de orientações. Analisando o desempenho do SAFE, percebe-se que, embora ele seja menos sensível a transformações afins, esta insensibilidade é obtida a custo de grandes kernels gaussianos (DoGs com desvios de e 22.6), o que em conjunto com a suavização posterior remove praticamente todos os detalhes finos da imagem. Além disso, os FOAs selecionados pelo SAFE costumam ser muito próximos entre si, ocorrendo inclusive diversas sobreposições entre FOAs de níveis diferentes. Outro problema é que os tempos de processamento do SAFE são bastante elevados, da ordem de dezenas de segundos em um computador típico, o que impede a sua utilização em tempo real. Assim, embora possua algumas vantagens em relação ao NVT, o SAFE apresenta diversas restrições que impedem seu uso em aplicações de visão computacional, especialmente em tempo real. Outros modelos de atenção chegaram a ser cogitados [7], [18], mas estes se mostraram tão insensíveis a transformações afins quanto o NVT. Assim, optou-se pela criação de um novo modelo de atenção visual, chamado de NLOOK, que é descrito detalhadamente na próxima seção. III. MODELO PROPOSTO A Figura 1 mostra a arquitetura do modelo proposto neste artigo, chamado de NLOOK 1 [19], [20], que é inspirado na conceitos de scale-space (espaço-escala) [21], também utilizados por Lowe nos descritores SIFT (Scale Invariant Feature Transform) [22]. Ou seja, diferentemente de outros modelos de atenção visual, o NLOOK utiliza scale-spaces ao invés de apenas pirâmides gaussianas para as operações de centro-periferia, o que torna o modelo proposto menos sensível a transformações afins que os demais. Além disso, embora esteja fora do escopo deste artigo, o modelo proposto consegue selecionar a escala aproximada dos FOAs de forma mais eficiente que o SAFE. Para a criação de um scale-space, a imagem de entrada é inicialmente sub-amostrada em diversos oitavos [22], e as imagens iniciais de cada oitavo correspondem a uma pirâmide gaussiana, ou seja, cada oitavo possui metade do 1 NLOOK

3 Fig. 1. Modelo proposto tamanho de seu antecessor e o oitavo 0 corresponde à imagem original. Em seguida são criadas diversas escalas para cada oitavo através da convolução sucessiva das imagens iniciais com kernels gaussianos. Por último, as diferenças de gaussianas (DoG) são obtidas através da subtração absoluta das escalas adjacentes de cada oitavo. A Figura 2, adaptada de [22], ilustra este processo. Fig. 2. Diferença de gaussianas implementada utilizando scale-spaces O modelo proposto neste artigo utiliza o número máximo possível de oitavos, além do qual a imagem inicial deste oitavo seria menor que os kernels gaussianos. Isto corresponde a cinco oitavos para uma imagem de pixels e seis oitavos para uma imagem de pixels. Segundo [22], o número ideal de escalas por oitavo a ser utilizado é três. Assim, os kernels gaussianos utilizados no NLOOK para as escalas 0, 1 e 2 possuem desvios de , e , respectivamente. Estes são os mesmos valores utilizados nos descritores SIFT de Lowe [22]. Para a criação dos mapas de intensidade, a imagem original é convertida para uma imagem em tons de cinza I, e as diferenças de gaussianas são geradas para esta imagem utilizando scale-spaces. Assim, para uma imagem típica de pixels são criadas 12 diferenças de gaussianas (duas por oitavo). Em seguida cada uma destas diferenças de gaussianas são normalizadas pela subtração da média e divisão do resultado pelo desvio padrão. Como ocorre no SAFE, os diferentes oitavos e escalas não são unidos em um único mapa, ou seja, todas as DoGs são preservadas. Para a criação dos mapas de cores, inicialmente são gerados quatro scale-spaces para os canais de cores largamente sintonizados R (vermelho), G (verde), B (azul) e Y (amarelo). A criação destes quatro canais é descrita de forma detalhada em [1]. Em seguida são geradas as diferenças de gaussianas entre os diferentes canais, ou seja, para os mapas RG as subtrações absolutas ocorrem entre os canais R 0 B 1 e R 1 B 2 de cada oitavo (onde 0, 1 e 2 são as escalas), e para os mapas BY ocorrem entre s canais B 0 Y 1 e B 1 Y 2 de cada oitavo. Assim, são criados dois scale-spaces de oposição de cores: RG e BY. Para a criação dos mapas de orientação são utilizados filtros de Gabor, que segundo [23] conseguem aproximar o perfil de sensibilidade dos neurônios sensíveis a orientação espacial presentes no córtex visual primário dos primatas. A criação destes mapas é semelhante a dos mapas de intensidade, porém antes da convolução com os kernels gaussianos de cada escala a imagem inicial de cada oitavo é convolucionada com os filtros Gabor. Assim como no NVT, no modelo proposto são utilizadas quatro orientações preferenciais θ {0, 45, 90, 135 }, ou seja, o modelo possui quatro scalespaces de orientação. As DoGs destes quatro scale-spaces são então normalizadas e somadas, dando origem assim a um único scale-space de orientações. Após a criação dos scale-spaces de características, estes são normalizados e somados em um único scale-space de saliências, que possui diversas DoGs (12 para uma imagem pixels). Estas DoGs são então redimensionadas para a escala 0 (tamanho original da imagem) e somadas, formando assim um único mapa de saliências. Ao contrário do NVT, no qual o mapa de saliências possui escala 4 (mais grosseira), no NLOOK optou-se por expandir as DoGs para a escala 0 para que não houvesse perda de informações. Esta técnica também é adotada em [7]. A função do mapa de saliências único, que não existe no SAFE, é servir como um resumo do scale-space de saliências, permitindo assim o uso de um mecanismo de inibição de retorno (IOR) único. Após a criação do mapa de saliências único, este é percorrido pelo foco de atenção da seguinte forma: inicialmente o ponto mais saliente deste mapa é encontrado, e o scale-space de saliências é então analisado para que seja descoberto o oitavo/escala que mais contribuiu para a saliência deste ponto. Em caso de empate é utilizado o menor (mais fino) oitavo/escala. O mecanismo de inibição de retorno, que possui o formato de uma gaussiana invertida, é então aplicado sobre o mapa de saliências único, sendo que o diâmetro deste depende do oitavo/escala mais relevante para o FOA atual. Mais precisamente, a seguinte fórmula foi desenvolvida para o cálculo do desvio padrão σ do IOR: ( σ = T/ F o+s/(e 1)) (1) onde T é o tamanho básico do IOR (15 no modelo proposto), E é o número de escalas (3 no modelo proposto) e F = 2 1 /E é o fator de escala, que determina a taxa de crescimento do IOR, e o e s são o oitavo e a escala mais relevantes para o FOA atual. Quanto maior o oitavo/escala (mais grosseiro), maior o diâmetro do IOR. O protótipo do NLOOK foi implementado na linguagem de programação ANSI C++, e utiliza a OpenCV (Open Source Computer Vision Library), que é uma biblioteca de processamento de imagens que possui uma coleção de

4 funções que implementam diversas rotinas de acesso a dispositivos de hardware, processamento de imagens e visão computacional de forma paralela (através do hardware gráfico) e eficiente. Além da OpenCV, o protótipo implementado utiliza threads POSIX para garantir a execução paralela dos mapas de características em plataformas multi-processadas. IV. E XPERIMENTOS REALIZADOS Nesta seção são descritos os experimentos realizados visando verificar a sensibilidade do modelo proposto em relação às transformações afins, bem como comparar o seu desempenho com o desempenho do NVT e do SAFE. Para isto, foram selecionadas 15 imagens de pixels, mostradas na Figura 3 (por questões de espaço, algumas imagens desta figura foram rotacionadas em 90 ). Estas imagens foram selecionadas de forma a conter elementos variados como cenas naturais, pessoas, ambientes internos e externos, placas de sinalização, etc., para que fosse possível validar os modelos nas mais variadas condições. Sobre estas imagens foram aplicadas as seguintes transformações: Reflexões vertical e horizontal; Rotações de 45 a 315, em intervalos de 45 ; Translação vertical de 1, 4, 9, 16 e 27 pixels; Translação horizontal de 1, 4, 9, 16 e 27 pixels; Alteração de escala com os fatores: 1.4 (aumento de 40%), 1.2, 1.1, 0.9, 0.8 e 0.6 (redução de 40%); Totalizando 25 transformações distintas para cada imagem. Um modelo de atenção insensível a transformações afins deverá encontrar as mesmas fixações nas imagens originais e transformadas estas apenas estarão deslocadas de acordo com a transformação aplicada. Para evitar que parte das informações fossem perdidas, cada uma das imagens originais foi acrescida de bordas cinzentas, e a fronteira entre a imagem original e as bordas foi levemente desfocada para evitar que esta região ficasse mais saliente que o restante da imagem. O tamanho das imagens com bordas é de pixels, e assim foram utilizados 6 oitavos no NLOOK. Para avaliar a performance dos três modelos de atenção em relação às transformações aplicadas, foram utilizadas as seguintes medidas de desempenho (adaptadas de [8]): taxa de erros grosseiros (gross errors GE) e deslocamento médio (mean drift MD). A taxa de erros grosseiros mede o percentual de fixações da imagem original que não são encontradas na imagem transformada, aplicando-se as devidas transformações nas posições dos FOAs originais e levandose em conta uma margem de erro de 18 pixels (a mesma utilizada em [8]). Já o deslocamento médio mede a distância média em pixels entre a posição desejada para as fixações, que é a posição do FOA na imagem original deslocada de acordo com a transformação aplicada, em relação à posição das fixações obtidas na imagem transformada, ou seja: MD = 1 PN D(F d(n), F o(n)) N n=1 (2) onde N é o número de FOAs utilizado (10 nos experimentos realizados), F d(n) é a posição desejada do FOA n, F o(n) é Fig. 3. Imagens utilizadas nos experimentos a posição obtida do FOA n na imagem transformada, e D( ) é a distância euclidiana entre F d(n) e F o(n). Assim, cada um dos modelos de atenção foi testado com as imagens da Figura 3 e suas respectivas versões transformadas, e para cada um destes experimentos foram calculadas as duas medidas de desempenho. A Tabela I mostra a média dos resultados obtidos com estas imagens em cada dos modelos de atenção analisados. A primeira coluna descreve a transformação aplicada. As demais colunas trazem a média dos valores do deslocamento médio (MD) e dos erros grosseiros (GE) sobre todas as imagens obtidos com os três modelos de atenção. As últimas duas linhas trazem a média e o desvio padrão das respectivas colunas, calculados em relação às operações realizadas em todas as imagens. Em [8] já haviam sido descritos experimentos similares que avaliaram o NVT e SAFE quanto a transformações afins, porém haviam sido utilizadas somente quatro imagens, das quais apenas duas eram de cenas naturais, e uma destas era bastante escura. As Figuras 4(a) e 4(b) mostram, respectivamente, os intervalos de confiança (com um grau de confiança de 95%) do deslocamento médio (MD) e dos erros grosseiros (GE) obtidos sobre todas as operações realizadas. Conforme já havia sido provado em [8], os experimentos da Tabela I demonstram que o NVT é bastante sensível a transformações afins, não sendo adequado para ser utilizado em aplicações de visão computacional. Já o SAFE e o NLOOK apresentaram resultados melhores nos dois crité-

5 TABLE I R ESULTADOS OBTIDOS Transform. Reflexão v. Reflexão h. Rot. 45 Rot. 90 Rot. 135 Rot. 180 Rot. 225 Rot. 270 Rot. 315 Transl. v. 1 Transl. v. 4 Transl. v. 9 Transl. v. 16 Transl. v. 27 Transl. h. 1 Transl. h. 4 Transl. h. 9 Transl. h. 16 Transl. h. 27 Escala 1.4 Escala 1.2 Escala 1.1 Escala 0.9 Escala 0.8 Escala 0.6 Média Desv. padrão NVT MD GE % % % % % % % % % % % % % % % % % % (a) Desloc. médio Fig. 4. SAFE MD GE % % % % % % % % % % % % (b) Erros grosseiros NLOOK MD GE % % % % % % A Figura 5 mostra o desempenho dos três modelos de atenção utilizando uma imagem original e sua respectiva versão rotacionada em 45 (parte das bordas foi retirada para melhorar a visualização). Percebe-se que os FOAs selecionados pelo NLOOK, levando-se em conta as transformações aplicadas, foram os mesmos em ambas as versões da imagem (original e rotacionada), ou seja, o NLOOK se mostrou insensível à transformação aplicada. O SAFE apresentou um desempenho similar ao NLOOK, mas o NVT selecionou FOAs diferentes para cada uma das versões da imagem, e a ordem das fixações também é diferente. Ou seja, o NVT se mostrou bastante sensível à rotação de 45 desta imagem. (a) Imagem original NVT (b) Rotação de 45 NVT (c) Imagem original SAFE (d) Rotação de 45 SAFE (e) Imagem original NLOOK (f) Rotação de 45 NLOOK (c) Distância mínima Intervalos de confiança a 95% rios analisados, sendo que o desempenho do NLOOK foi estatisticamente superior (os intervalos de confiança não se sobrepõe). Ou seja, o NLOOK apresenta um sensibilidade a transformações afins muito menor que a dos demais modelos. Com relação à complexidade de tempo, o NVT leva poucos segundos para determinar as fixações de cada imagem (em geral menos de três segundos), enquanto que o SAFE leva em média 34 segundos para analisar cada uma das imagens de pixels em um computador típico2. Já o NLOOK consegue analisar cada imagem em aproximadamente 100 milisegundos, o que o permite que o mesmo seja utilizado em aplicações de tempo real. 2 Todos os experimentos foram realizados em um computador Dell Optiplex 755, processador Intel(R) Core(TM)2 Duo CPU de 2.33GHz, 1.95GB de Memória RAM, GPU Intel e sistema operacional Linux de 64 bits. Fig. 5. Comparação visual dos três modelos de atenção Outro ponto que pode ser percebido na Figura 5 é que os FOAs selecionados pelo SAFE são bastante redundantes, existindo diversas sobreposições entre eles, e o mesmo ocorre com o NVT. Já com o NLOOK isto não acontece, ou seja, o modelo proposto consegue analisar a imagem de forma mais homogênea, não se detendo em apenas poucas partes da imagem. Isto ocorre porque o mapa de saliências é gerado

6 pelo NLOOK na escala mais fina (o NVT utiliza a escala mais grosseira) e ao uso de kernels gaussianos menores, que tornam o mapa de saliências muito mais rico e detalhado. Estes dois fatores, aliados ao mecanismo de inibição de retorno proposto na Equação 1, tornam a seleção dos FOAs do NLOOK bem mais otimizada que a dos demais modelos em relação a este critério. Para quantificar a qualidade dos FOAs selecionados em relação ao grau de sobreposição, foi utilizada a seguinte medida de desempenho: para cada um dos FOAs selecionados, foi calculada a distância deste em relação ao seu vizinho mais próximo, e no final foi calculada a média destas distâncias. Um modelo com alto grau de sobreposição irá apresentar distâncias menores que um modelo com baixo grau de sobreposição. Esta medida de desempenho foi aplicada aos FOAs selecionados pelos três modelos para as 15 imagens originais (não transformadas), e os resultados foram os seguintes: NVT: Média de e desvio padrão de 27.95; SAFE: Média de e desvio padrão de 26.17; NLOOK: Média de e desvio padrão de 15.59; A Figura 4(c) mostra os intervalos de confiança (95%) destes resultados. Os resultados apresentados pelo NVT e pelo NLOOK foram bastante similares, não sendo possível afirmar que um modelo seja superior ao outro neste critério (os intervalos de confiança se sobrepõe). Já o SAFE apresentou resultados bastante inferiores, o que evidencia que os FOAs selecionados por este modelo são mais redundantes que os FOAs selecionados pelos demais modelos. A Figura 6 mostra outra figura na qual isto é evidente. Fig. 6. (a) Fixações do SAFE (b) Fixações do NLOOK Comparação das fixações obtidas pelo SAFE e pelo NLOOK V. CONCLUSÕES E PERSPECTIVAS Este artigo apresentou um novo modelo de atenção visual, chamado de NLOOK, que foi projetado especialmente para ser utilizado em aplicações de visão computacional. Este modelo, que possui um excelente desempenho computacional, é bem menos sensível às transformações afins que os outros modelos analisados. Além disso, o NLOOK consegue selecionar as fixações de forma bastante otimizada segundo um critério de redundância, e todos esses fatores tornam o modelo proposto mais adequado de ser utilizado em aplicações de visão computacional em tempo real. As perspectivas futuras incluem: (i) melhorar o desempenho do modelo proposto em relação as variações de escala, que em nenhum dos modelos analisados foi satisfatória; (ii) utilização de informações top-down no processo de elaboração dos mapas de saliências; e (iii) utilizar do modelo proposto em aplicações de visão computacional, como por exemplo a identificação de objetos. AGRADECIMENTOS Agradecemos ao CNPq pelo apoio dado a este trabalho. REFERÊNCIAS [1] L. Itti, C. Koch, and E. Niebur, A model of saliency-based visual attention for rapid scene analysis, IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 20, pp , Nov [2] E. Niebur and C. Koch, Computational architectures for attention, ser. The Attentive Brain. Cambridge, MA: MIT Press, 1998, pp [3] R. Desimone and J. Duncan, Neural mechanisms of selective visual attention, Annual Reviews Neuroscience, vol. 18, pp , [4] C. Koch and S. Ullman, Shifts in selective visual attention: Toward the underlying neural circuitry, Human Neurobiology, vol. 4, no. 4, pp , [5] J. K. Tsotsos, S. M. Culhane, W. Y. K. Wai, Y. Lai, N. Davis, and F. Nuflo, Modeling visual attention via selective tuning, Artificial Intelligence, vol. 78, no. 1-2, pp , [6] F. Orabona, G. Metta, and G. Sandini, Object-based visual attention: a model for a behaving robot, in Proc. 3rd Int. Workshop on Attention and Performance in Comp. Vision (WAPCV), San Diego, CA, [7] S. Frintrop, VOCUS: A visual attention system for object detection and goal-directed search, Ph.D. Dissertation, Rheinische Friedrich- Wilhelms-Universitat Bonn, Bonn, Germany, Jan [8] B. A. Draper and A. Lionelle, Evaluation of selective attention under similarity transformations, Computer Vision and Image Understanding, vol. 100, pp , [9] A. M. Treisman and G. Gelade, A feature-integration theory of attention, Cognitive Psychology, vol. 12, pp , [10] L. Itti, Models of Bottom-Up Attention and Saliency, ser. Neurobiology of Attention. San Diego, CA: Elsevier Press, Jan. 2005, pp [11] P. J. Burt, T. Hong, and E. H. Adelson, The laplacian pyramid as a compact image code, IEEE Trans. Communications, vol. 31, no. 4, pp , Apr [12] S. Greenspan, S. Belongie, R. Goodman, P. Perona, S. Rakshit, and C. H. Anderson, Overcomplete steerable pyramid filters and rotation invariance, in Proc. IEEE Computer Vision and Pattern Recognition (CVPR), Seattle, WA, June 1994, pp [13] Y.-H. Liu and X.-J. Wang, Spike-frequency adaptation of a generalized leaky integrate-and-fire model neuron, Journal of Computational Neuroscience, vol. 10, pp , [14] R. M. Klein, Inhibition of return, Trends in Cognitive Sciences, vol. 4, no. 4, pp , Apr [15] D. Walther, L. Itti, M. Riesenhuber, T. Poggio, and C. Koch, Attentional selection for object recognition a gentle way, in Proc. 2nd Workshop on Biologically Motivated Comp. Vision (BMCV), vol Tubingen, Germany: LNCS, Springer-Verlag, 2002, pp [16] V. Navalpakkam and L. Itti, A goal oriented attention guidance model, in Proc. 2nd Workshop on Biologically Motivated Computer Vision (BMCV 02), Tuebingen, Germany, 2002, pp [17] S. Ando, Image field categorization and edge/corner detection from gradient covariance, IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 22, no. 2, pp , [18] N. Ouerhani, A. Bur, and H. Hügli, Visual attention-based robot selflocalization, in Proc. European Conf. Mobile Robotics (ECMR 05), Ancona, Italy, Sept. 2005, pp [19] M. R. Heinen and P. M. Engel, Visual selective attention model for robot vision, in Proc. 5th IEEE Latin American Robotics Symposium (LARS 08). Salvador, BH, Brazil: IEEE press, Oct [20], Modelo de atenção visual seletiva para aplicações em tempo real, in Proc. IV Workshop on PhD Thesis in Artificial Intelligence (WTDIA 08), ser. LNCS. Salvador, BH: Springer-Verlag, Oct [21] A. P. Witkin, Scale-space filtering, in Proc. Int. Joint Conf. Artificial Intelligence, Karlsruhe, Germany, 1983, pp [22] D. Lowe, Distinctive image features from scale-invariant keypoints, Int. Journal of Computer Vision, vol. 60, no. 2, pp , Jan [23] J. G. Daugman, Complete discrete 2-d gabor transforms by neural networs for image analysis and compression, IEEE Trans. Acoustics, Speech, and Signal Proc., vol. 36, no. 7, pp , July 1988.