×
田永红；李，贾；于，水；黄铁军

学习互补显著先验知识用于复杂场景中的前景对象分割。 （英语） Zbl 1398.68597号

国际期刊计算。视觉。 111，第2期，153-170（2015）.
摘要：目标分割被广泛认为是计算机视觉中最具挑战性的问题之一。现有方法的一个主要问题是，大多数方法容易受到杂乱背景的影响。此外，为了解决这些问题，我们提出了一种新的学习互补显著先验知识的方法，用于复杂场景中的前景对象分割。与现有的基于显著性的分割方法不同，我们建议学习两个互补的显著性图，以揭示最可靠的前景和背景区域。给定这样的先验信息，前景对象分割被表示为一个二进制像素标记问题，可以使用图切割有效地解决该问题。因此，可以利用置信显著先验来提取最显著的对象，并减少杂乱背景的干扰。大量实验表明，在三个公共图像基准上，我们的方法明显优于16种最先进的方法。

引用于1文件

MSC公司：

68T45型 机器视觉和场景理解
68T05型 人工智能中的学习和自适应系统

关键词：

前景对象分割；视觉显著性；互补显著图；图形切割

软件：

PASCAL挥发性有机化合物；太阳；Grab切口；MAXFLOW（最大流量）；gbvs（gbvs）
PDF格式BibTeX公司 XML格式引用
\textit{Y.Tian}等人，《国际计算杂志》。视觉。111，No.2，153--170（2015；Zbl 1398.68597）
全文： 内政部

参考文献：

[1] Achanta，R.、Estrada，F.、Wils，P.和Susstrunk，S.（2008年）。显著区域检测和分割。在IEEE计算机视觉国际会议，第66-75页。
[2] Achanta，R.、Hemami，S.、Estrada，F.和Susstrunk，S.（2009年）。频率调谐显著区域检测。在IEEE计算机视觉和模式识别会议第1597-1604页。
[3] Borenstein，E.和Ullman，S.（2004年）。学习细分。在第八届欧洲计算机视觉会议第315-328页·Zbl 1098.68731号
[4] Borji，A.、Sihite，D.N.和Itti，L.（2012年）。显著目标检测：基准2012年欧洲计算机视觉会议，第二部分，LNCS 7573第414-429页。
[5] Boyd，S.和Vandenberghe，L.（2004）。凸优化剑桥：剑桥大学出版社·Zbl 1058.90049号 ·doi:10.1017/CBO9780511804441
[6] Boykov，Y.和Jolly，M.P.（2001年）。交互式图形切割，用于n-d图像中对象的最佳边界和区域分割。在IEEE计算机视觉国际会议第105-112页。
[7] 博伊科夫，Y；Kolmogorov，V，视觉能量最小化的MIN-cut/MAX-flow算法的实验比较，IEEE模式分析和机器智能汇刊，231124-1137，（2004）·doi:10.1109/TPAMI.2004.60
[8] Cheng，M.M.、Zhang，G.X.、Mitra，N.J.、Huang，X.和Hu，S.M.（2011）。基于全局对比度的显著区域检测。在IEEE计算机视觉和模式识别会议第409-416页。
[9] Everingham，M.、Gool，L.V.、Williams，C.K.I.、Winn，J.和Zisserman，A.（2009年）。pascal可视对象类挑战2009（voc2009）结果。http://www.pascal-network.org/challenges/VOC/voc2009/workshop/index.html。
[10] Goferman，S.、Manor，L.Z.和Tal，A.（2010年）。上下文软件显著性检测。在IEEE计算机视觉和模式识别会议第2376-2383页。
[11] Gopalakrishnan，V.、Hu，Y.和Rajan，D.（2009年）。在图上随机行走以模拟图像中的显著性。在IEEE计算机视觉和模式识别会议，第1698-1705页。
[12] 古尔德，S；罗杰斯，J；科恩，D；Elidan，G；Koller，D，相对位置优先的多类分割，国际计算机视觉杂志，80，300-316，（2007）·doi:10.1007/s11263-008-0140-x
[13] Harel，J.、Koch，C.和Perona，P.（2007年）。基于图形的视觉显著性。在神经信息处理系统,19第545-552页。
[14] Hou，X.和Zhang，L.（2007）。显著性检测：一种光谱残差方法。在IEEE计算机视觉和模式识别会议.
[15] 华，G；刘，Z；张，Z；Wu，Y，用于自动提取感兴趣对象的迭代局部全局能量最小化，IEEE模式分析和机器智能汇刊，281701-1706，（2006）·doi:10.1109/TPAMI.2006.209
[16] Itti，L；科赫，C；Niebur，E，快速场景分析中基于盐度的视觉注意模型，IEEE模式分析和机器智能汇刊，201254-1259，（1998）·数字对象标识代码：10.1109/34.730558
[17] 姜浩、王杰、袁中、刘涛、郑南和李S.（2011）。基于上下文和形状先验的显著对象自动分割。在英国机器视觉会议第1-12页。
[18] Judd，T.、Ehinger，K.、Durand，F.和Torralba，A.（2009年）。学习预测人类的外表。在计算机视觉国际会议第2106-2113页。
[19] 卡斯，M；维特金，A；Terzopoulos，D，《蛇：活动轮廓模型》，《国际计算机视觉杂志》，1321-331，（1988）·doi:10.1007/BF00133570
[20] 科尔莫戈罗夫，V；Zabih，R，哪些能量函数可以通过图形切割最小化？，IEEE模式分析和机器智能汇刊，26，147-159，（2004）·doi:10.1109/TPAMI.2004.1262177
[21] Lempitsky，V.、Kohli，P.、Rother，C.和Sharp，T.（2009年）。图像分割之前使用边界框。在IEEE计算机视觉国际会议第277-284页。
[22] Li，C.、Xu，C.、Gui，C.和Fox，M.D.（2005）。无需重新初始化的水平集演化：一种新的变分公式。在IEEE计算机视觉和模式识别会议第430-436页。
[23] Li，F.、Carreira，J.和Sminchisescu，C.（2010a）。物体识别作为排名整体图形背景假设。在IEEE会议计算机视觉和模式识别第1712-1719页。
[24] 李，J；田，Y；黄，T；Gao，W，视频中视觉显著性估计的概率多任务学习，国际计算机视觉杂志，90，150-165，（2010）·doi:10.1007/s11263-010-0354-6
[25] 李，J；田，Y；段，L；Huang，T，通过单个图像优化估计视觉显著性，IEEE Signal Processing Letters，20845-848，（2013）·doi:10.1109/LSP.2013.2268868
[26] 刘，G；林，Z；Yu，Y；Tang，X，使用混合图模型（hgm）进行无监督对象分割，IEEE模式分析和机器智能汇刊，32，910-924，（2010）
[27] Liu，T.、Sun，J.、Zheng，N.、Tang，X.和Shum，H.（2007）。学习检测显著的物体。在IEEE计算机视觉和模式识别会议第1-8页。
[28] 刘，T；袁，Z；孙，J；王，J；郑，N；唐，X；Shum，HY，《学习检测显著对象》，IEEE模式分析和机器智能汇刊，33353-367，（2011）·doi:10.1109/TPAMI.2010.70
[29] Ma，Y.，&Zhang，H.（2003）。基于对比度的模糊增长图像注意力分析。在第十一届ACM国际多媒体会议第374-381页。
[30] Mehrani，P.和Veksler，O.（2010年）。基于学习和图切割细化的显著性分割。在英国机器视觉会议第1-12页。
[31] Movahedi，V.和Elder，J.H.（2010年）。显著对象分割性能指标的设计和感知验证。在IEEE计算机视觉感知组织研讨会.
[32] Perazzi，F.、Krahenbuhl，P.、Pritch，Y.和Hornung，A.（2012）。显著性过滤器：用于显著区域检测的基于对比度的过滤。在IEEE计算机视觉和模式识别会议第733-740页。
[33] 罗瑟，C；科尔莫戈罗夫，V；Blake，A，使用迭代图切割的Grabcut交互式前景提取，美国计算机学会图形学汇刊，23309-314，（2004）·doi:10.1145/1015706.1015720
[34] Rother，C.、Minka，T.、Blake，A.和Kolmogorov，V.（2006）。通过直方图匹配将全局约束合并到mrf中的图像对共分割。在IEEE计算机视觉和模式识别会议第993-1000页。
[35] Seo，H.J.和Milanfar，P.（2009年）。通过自相似性进行静态和时空视觉显著性检测。《视觉杂志》，9（12） ：第15条，1-27。
[36] 曾，P；卡米，R；卡梅隆，L；穆尼奥斯，DP；Itti，L，《定量观察动态自然场景时观察者的中心偏差》，《视觉杂志》，9，1-16，（2009）·doi:10.1167/9.7.4
[37] Vicente，S.、Kolmogorov，V.和Rother，C.（2008）。基于连通性先验的图割图像分割。在IEEE计算机视觉和模式识别会议第1-8页。
[38] 沃尔特，D；Koch，C，《对突出的pro-to-object的建模关注》，神经网络，第19期，1395-1407页，（2006年）·Zbl 1112.92017年 ·doi:10.1016/j.neunet.2006.10.001
[39] Winn，J.和Jojic，N.（2005年）。位置：使用无监督分割学习对象类。在IEEE计算机视觉国际会议第756-763页。
[40] Yu，H.、Li，J.、Tian，Y.和Huang，T.（2010）。使用互补显著图从图像中自动提取感兴趣的对象。在2010 ACM多媒体国际会议第891-894页。
[41] Yu，S.，Gross，R.，&Shi，J.（2002）。通过图分割的并发对象识别和分割。在神经信息处理系统,14, 1383-1390.
[42] Zhang，L.，Tong，M.H.，Marks，T.K.，Shan，H.，&Cottrell，G.W.（2008）。Sun：使用自然统计的显著性贝叶斯框架。视觉杂志，\（8\）（7），1-20。
[43] Zhao，L.和Davis，L.（2005）。紧密耦合的目标检测和分割。在IEEE计算机视觉国际会议第454-461页。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。