本文是CVPR的oral文章，是对低秩矩阵重构在显著性方面的应用。这篇文章的三个创新点：1，提出了一个新的图像表达方式。通过分割和特征转换学习，本文的模型基于底秩矩阵重建理论。这个模型提供了一个新的显著性提取视角，达到了当前的技术水平；2，本文的模型自然地在一个框架下结合了高层top-down信息和底层bottom-up显著性，这在以前是没有的；3，本文提出的模型能在将来应用于基于任务的显著性提取以及随后的一些应用。
【本文完】
本文是CVPR的oral文章，是对低秩矩阵重构在显著性方面的应用。这篇文章的三个创新点：1，提出了一个新的图像表达方式。通过分割和特征转换学习，本文的模型基于底秩矩阵重建理论。这个模型提供了一个新的显著性提取视角，达到了当前的技术水平；2，本文的模型自然地在一个框架下结合了高层top-down信息和底层bottom-up显著性，这在以前是没有的；3，本文提出的模型能在将来应用于基于任务的显著性提取以及随后的一些应用。
【本文完】