2.1　引言

从显著性数据集的相关文献来看，显著性数据集来自两个领域：一是专门为显著性研究而建立的数据集，二是从图像分割领域延伸过来的显著性数据集。目前的显著性数据集主要存在如下问题。

（1）一些数据集[11,31,19]的前景和背景具有明显的差异，这种情况会导致图像中的显著区域比较容易提取。

（2）一些数据集[43,19]带有中心偏差明显。许多提取算法为了迎合数据集的中心偏差引入中心先验来提高性能，导致算法没有较好的鲁棒性。

（3）数据集中的图像挑选带有很强的人为主观因素，在图像选取时没有给出明确的选取原则或者选取原则不够科学，导致数据集不具有普适性。

（4）目前对显著性数据集性能评测的研究非常少，没有成熟的评测方法来评测数据集的性能，也不能指导数据集的构建。

其中，第3个问题和第4个问题是根本问题，如果有科学的图像选取方法和数据集评测方法，那么前两个问题均能够得到一定程度的解决。所以本章尝试对显著性数据集的构建和评测方法进行研究。

另外，目前随着社交网站的流行，越来越多的图像带有对图像进行描述的标签信息，带有标签信息的社交媒体图像成为一类非常重要的图像类型。然而，在目前公开的显著性数据集中还没有针对这类带有标签信息的社交媒体图像的数据集，所以非常有必要构建面向社交媒体图像的显著性数据集。