×
秦、姚;冯梦阳;陆虎川;Cottrell，Garrison W。

视觉显著性的层次细胞自动机。 （英语） Zbl 1458.68247号

国际期刊计算。视觉。 126，第7期，751-770（2018）.
摘要：显著性检测，即发现图像中最重要的部分，在计算机视觉中越来越流行。本文介绍了层次元胞自动机（Hierarchical Cellular Automata，HCA）——一种用于智能检测显著对象的时间演化模型。HCA由两个主要组件组成：单层元胞自动机（SCA）和长方体元胞自然主义（CCA）。作为一种无监督传播机制，单层元胞自动机可以通过与邻居的交互来挖掘相似区域的内在相关性。将从深层神经网络中提取的底层图像特征和高层语义信息合并到SCA中，以测量不同图像块之间的相关性。利用这些层次化的深层特征，构建了影响因子矩阵和相干矩阵，以平衡对每个细胞下一个状态的影响。根据定义良好的更新规则迭代更新所有单元的显著值。此外，我们建议CCA在贝叶斯框架中集成SCA在不同尺度上生成的多个显著图。因此，在我们的统一HCA中联合建模单层传播和多尺度集成。令人惊讶的是，我们发现SCA可以改进我们应用它的所有现有方法，从而产生类似的精度水平，而不管原始结果如何。CCA可以作为一种高效的像素级聚合算法，可以集成最先进的方法，从而产生更好的结果。在四个具有挑战性的数据集上进行的大量实验表明，该算法优于最先进的传统方法，并且与基于深度学习的方法相比具有竞争力。

MSC公司：

68T45型 机器视觉和场景理解
68问题80 细胞自动机（计算方面）

关键词：

显著性检测;层次细胞自动机;深度对比特征;贝叶斯框架

软件：

PASCAL挥发性有机化合物;国际学生成绩评估;ImageNet公司;AlexNet公司;脱咖啡因咖啡
PDF格式BibTeX公司 XML格式引用
\textit{Y.Qin}等人，《国际计算杂志》。视觉。126，第7号，751--770（2018；Zbl 1458.68247）
全文： DOI程序 arXiv公司

参考文献：

[1] Achanta，R.、Hemami，S.、Estrada，F.和Susstrunk，S.（2009年）。频率调谐显著区域检测。IEEE计算机视觉和模式识别会议记录（第1597-1604页）。
[2] Achanta，R.、Shaji，A.、Smith，K.、Lucchi，A.、Fua，P.和Süsstrunkm，S.（2010年）。切片超像素。技术报告。
[3] Alexe，B.，Deselaers，T&Ferrari，V.（2010年）。什么是物体？IEEE计算机视觉和模式识别会议记录（第73-80页）。
[4] Batty，M.（2007）。城市与复杂性：用元胞自动机、基于代理的模型和分形来理解城市。剑桥：麻省理工学院出版社。
[5] Borji，A.、Cheng，M.M.、Jiang，H.和Li，J.（2015）。突出物体检测：基准。IEEE图像处理汇刊，24（12），5706-5722·Zbl 1408.94882号 ·doi:10.1109/TIP.2015.2487833
[6] Bruce，N.和Tsotsos，J.（2005）。基于信息最大化的显著性。《神经信息处理系统进展》（第155-162页）。
[7] Cheng，M.、Mitra，N.J.、Huang，X.、Torr，P.H.和Hu，S.（2015）。基于全局对比度的显著区域检测。IEEE模式分析和机器智能汇刊，37（3），569-582·doi:10.1109/TPAMI.2014.2345401
[8] Cheng，M.M.、Warrell，J.、Lin，W.Y.、Zheng，S.、Vineet，V.和Crook，N.（2013年）。具有软图像提取功能的有效显著区域检测。IEEE计算机视觉国际会议论文集（第1529-1536页）。
[9] Chopard，B.和Droz，M.（2005年）。物理系统的元胞自动机建模（第6卷）。剑桥：剑桥大学出版社·Zbl 0973.82033号
[10] Cowburn，R.和Welland，M.（2000年）。室温磁量子细胞自动机。《科学》，287（5457），1466·doi:10.1126/science.287.5457.1466
[11] de Almeida，C.M.，Batty，M.，Monteiro，A.M.V.，Cámara，G.，Soares-Filho，B.S.，Cerqueira，G.C.等人（2003年）。城市土地利用动态的随机元胞自动机建模：经验发展和估计。计算机、环境和城市系统，27（5），481-509·doi:10.1016/S0198-9715（02）00042-X
[12] 丁毅、肖杰和于杰（2011）。图像重定目标的重要性过滤。IEEE计算机视觉和模式识别会议记录（第89-96页）。
[13] Donahue，J.、Jia，Y.、Vinyals，O.、Hoffman，J.，Zhang，N.、Tzeng，E.和Darrell，T.（2014）。Decaf：用于一般视觉识别的深度卷积激活功能。《国际机器学习会议论文集》（第647-655页）。
[14] Everingham，M.、Van Gool，L.、Williams，C.K.、Winn，J.和Zisserman，A.（2010年）。pascal可视对象类（voc）挑战。国际计算机视觉杂志，88（2），303-338·doi:10.1007/s11263-009-0275-4
[15] Farabet，C.、Couprie，C.、Najman，L.和LeCun，Y.（2013年）。学习场景标记的层次特征。IEEE模式分析和机器智能汇刊，35（8），1915-1929·doi:10.1109/TPAMI.2012.231
[16] Girshick，R.、Donahue，J.、Darrell，T.和Malik，J.（2014）。丰富的特征层次用于准确的对象检测和语义分割。IEEE计算机视觉和模式识别会议记录（第580-587页）。
[17] Goferman，S.、Zelnik-manor，L.和Tal，A.（2010年）。上下文软件显著性检测。IEEE计算机视觉和模式识别会议论文集。
[18] 龚，C.，陶，D.，刘，W.，马来亚银行，S.J.，方，M.，傅，K.，&杨，J.（2015）。显著性传播从简单到困难。IEEE计算机视觉和模式识别会议记录（第2531-2539页）。
[19] Hariharan，B.、Arbeláez，P.、Girshick，R.和Malik，J.（2014）。同时检测和分割。《欧洲计算机视觉会议论文集》（第297-312页）。斯普林格。
[20] Hariharan，B.、Arbeláez，P.、Girshick，R.和Malik，J.（2015）。用于对象分割和细粒度定位的超列。IEEE计算机视觉和模式识别会议记录（第447-456页）。
[21] Hou，X.和Zhang，L.（2007）。显著性检测：一种光谱残差方法。IEEE计算机视觉和模式识别会议记录（第1-8页）
[22] Itti，L.和Koch，C.（2001）。视觉注意的计算模型。《自然评论神经科学》，第2（3）期，194-203年·doi:10.1038/35058500
[23] Itti，L.、Koch，C.和Niebur，E.（1998年）。用于快速场景分析的基于盐度的视觉注意模型。IEEE模式分析和机器智能汇刊，11254-1259·数字对象标识代码：10.1109/34.730558
[24] Jiang，B.，Zhang，L.，Lu，H.，Yang，C.，&Yang，MH.（2013a）。基于吸收马尔可夫链的显著性检测。IEEE计算机视觉国际会议论文集（第1665-1672页）。
[25] Jiang，H.，Wang，J.，Yuan，Z.，Liu，T.，Zheng，N.和Li，S.（2011）。基于上下文和形状先验的显著对象自动分割。《英国机器视觉会议论文集》（第6卷，第9页）。
[26] Jiang，H.、Wang，J.、Yuan，Z.、Wu，Y.、Zheng，N.和Li，S.（2013b）。显著目标检测：一种区分性区域特征集成方法。IEEE计算机视觉和模式识别会议记录（第2083-2090页）。
[27] Jiang，P.、Ling，H.、Yu，J.和Peng，J.（2013c）。不明飞行物的显著区域检测：唯一性、聚焦性和目标性。IEEE计算机视觉国际会议论文集（1976-1983页）。
[28] Jiang，Z.和Davis，L.（2013）。子模块显著区域检测。IEEE计算机视觉和模式识别会议记录（第2043-2050页）。
[29] Kanan，C.和Cottrell，G.W.（2010年）。使用自然图像统计对对象、人脸和花朵进行稳健分类。IEEE计算机视觉和模式识别会议记录（第2472-2479页）。
[30] Kim，J.和Pavlovic，V.（2016）。使用深度学习的基于形状的显著对象检测方法。《欧洲计算机视觉会议论文集》（第455-470页）。
[31] Kim，J.、Han，D.、Tai，Y.W.和Kim，J（2014）。通过高维颜色变换检测显著区域。IEEE计算机视觉和模式识别会议记录（第883-890页）。
[32] Klein，D.A.和Frintrop，S.（2011年）。用于显著目标检测的特征统计的中心-周围发散。IEEE计算机视觉国际会议论文集（第2214-2219页）。
[33] Krizhevsky，A.、Sutskever，I.和Hinton，G.E.（2012）。基于深度卷积神经网络的Imagenet分类。《神经信息处理系统进展》（第1097-1105页）。
[34] Li，G.，&Yu，Y.（2015）。基于多尺度深度特征的视觉显著性。IEEE计算机视觉和模式识别会议记录（第5455-5463页）。
[35] Li，N.、Ye，J.、Ji，Y.、Ling，H.和Yu，J.（2014a）。光场显著性检测。IEEE计算机视觉和模式识别会议论文集。
[36] Li，X.，Lu，H.，Zhang，L.，Ruan，X.和Yang，M.H.（2013）。通过稠密和稀疏重建进行显著性检测。IEEE计算机视觉国际会议论文集（第2976-2983页）。
[37] Li，X.，Zhao，L.，Wei，L.、Yang，M.H.、Wu，F.、Zhuang，Y.等（2016）。深度显著性：用于显著目标检测的多任务深度神经网络模型。IEEE图像处理汇刊，25（8），3919-3930·Zbl 1408.94420号 ·doi:10.10109/TIP.2016.2579306
[38] Li，Y.、Hou，X.、Koch，C.、Rehg，J.和Yuille，A.（2014b）。显著对象分割的秘密。在IEEE计算机视觉和模式识别会议论文集（第280-287页）。
[39] Liu，T.、Yuan，Z.、Sun，J.、Wang，J.，Zheng，N.、Tang，X.等（2011）。学习检测显著的物体。IEEE模式分析和机器智能汇刊，33（2），353-367·doi:10.1109/TPAMI.2010.70
[40] Long，J.、Shelhamer，E.和Darrell，T.（2015）。语义分割的完全卷积网络。IEEE计算机视觉和模式识别会议记录（第3431-3440页）。
[41] 马，C.，黄，JB。，Yang，X.和Yang，M.H.（2015）。视觉跟踪的层次卷积特征。IEEE计算机视觉国际会议论文集（第3074-3082页）。
[42] Mahadevan，V.和Vasconcelos，N.（2009年）。基于盐度的鉴别跟踪。IEEE计算机视觉和模式识别会议论文集（第1007-1013页）。
[43] Marchesotti，L.、Cifarelli，C.和Csurka，G.（2009年）。视觉显著性检测框架及其在图像缩略图中的应用。IEEE计算机视觉国际会议论文集（第2232-2239页）。
[44] Martins，A.C.（2008）。意见动力学问题中的连续意见和离散行动。国际现代物理杂志C，19（04），617-624·Zbl 1152.91423号 ·doi:10.1142/S0129183108012339
[45] Ng，A.Y.，Jordan，M.I.，Weiss，Y.等人（2002年）。关于谱聚类：分析和算法。神经信息处理系统进展，2849-856。
[46] Otsu，N.（1975）。从灰度直方图中选择阈值的方法。Automatica，11（285-296），23-27。
[47] 潘琦、秦瑜、徐瑜、童美和何美（2016）。开放社区中的意见演变。国际现代物理杂志C，281750003·doi:10.1142/S0129183117500036
[48] Perazzi，F.、Krähenbühl，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。IEEE计算机视觉和模式识别会议记录（第733-740页）。电气与电子工程师协会。
[49] 皮涅罗，P.H.和科洛伯特，R.（2014）。用于场景标记的递归卷积神经网络。机器学习国际会议论文集（第82-90页）。
[50] Qin，Y.、Lu，H.、Xu，Y.和Wang，H.（2015）。通过细胞自动机进行显著性检测。IEEE计算机视觉和模式识别会议论文集。
[51] Rahtu，E.、Kannala，J.、Salo，M.和Heikkilä，J.（2010年）。从图像和视频中分割显著对象。《欧洲计算机视觉会议论文集》（第366-379页）。
[52] Reinagel，P.和Zador，A.M.（1999）。凝视中心的自然场景统计。网络：神经系统计算，10（4），341-350·Zbl 1073.91636号 ·doi:10.1088/0954-898X_10_4_304
[53] Scharfenberger，C.、Wong，A.、Fergani，K.、Zelek，J.S.和Clausi，D.A.（2013）。自然图像中显著区域检测的统计纹理显著性。IEEE计算机视觉和模式识别会议论文集（第979-986页）。
[54] Shen，X.，&Wu，Y.（2012）。一种通过低秩矩阵恢复进行显著目标检测的统一方法。IEEE计算机视觉和模式识别会议记录（第853-860页）。
[55] Shi，K.，Wang，K.、Lu，J.和Lin，L.（2013）。Pisa：通过将互补的外观对比度测量值与空间先验值聚合在一起，实现像素级图像显著性。IEEE计算机视觉和模式识别会议记录（第2115-2122页）。
[56] Siagian，C.和Itti，L.（2007）。使用与视觉关注共享的特征进行生物启发的快速场景分类。IEEE模式分析和机器智能汇刊，29（2），300-312·doi:10.1109/TPAMI.2007.40
[57] Smith，A.R.（1972）。一维细胞自动机的实时语言识别。计算机与系统科学杂志，6（3），233-253·Zbl 0268.68044号 ·doi:10.1016/S0022-0000（72）80004-7
[58] Sun，J.，Ling，H.（2011年）。缩放和对象感知图像重定目标以进行缩略图浏览。IEEE计算机视觉国际会议论文集（第1511-1518页）。
[59] Sun，J.、Lu，H.、Li，S.（2012）。基于边界和软分割相结合的显著性检测。IEEE图像处理国际会议论文集（第1085-1088页）。
[60] Szegedy，C.、Liu，W.、Jia，Y.、Sermanet，P.、Reed，S.、Anguelov，D.、Erhan，D.、Vanhoucke，V.和Rabinovich，A.（2015）。用卷积深入。IEEE计算机视觉和模式识别会议记录（第1-9页）。
[61] Szegedy，C.、Toshev，A.和Erhan，D.（2013）。用于对象检测的深度神经网络。《神经信息处理系统进展》（第2553-2561页）。
[62] Tong，N.、Lu，H.、Ruan，X.和Yang，M.H.（2015a）。通过引导学习进行突出目标检测。《IEEE计算机视觉和模式识别会议论文集》（第1884-1892页）。
[63] Tong，N.、Lu，H.、Zhang，Y.和Ruan，X.（2015b）。通过全局和局部线索检测显著目标。模式识别，48（10），3258-3267·doi:10.1016/j.patcog.2014.12.005
[64] 冯·诺依曼（Von Neumann，J.）（1951）。自动机的一般逻辑理论。行为的大脑机制，1（41），1-2。
[65] Von Neumann，J.、Burks，A.W.等人（1966年）。自生自动机理论。IEEE神经网络汇刊，5（1），3-14。
[66] Wang，L.，Lu，H.，Ruan，X.，Yang，M.H.（2015）。通过局部估计和全局搜索进行显著性检测的深度网络。IEEE计算机视觉和模式识别会议记录（第3183-3192页）。
[67] Wang，L.，Xue，J.，Zheng，N.，&Hua，G.（2011）。具有上下文提示的显著对象自动提取。IEEE计算机视觉国际会议论文集（第105-112页）。
[68] Wang，Q.，Zheng，W.，&Piramuthu，R.（2016）。抓取：通过新颖的图形模型和背景先验信息实现视觉显著性。IEEE计算机视觉和模式识别会议记录（第535-543页）。
[69] Wei，Y.、Wen，F.、Zhu，W.和Sun，J.（2012）。使用背景先验的测地显著性。《欧洲计算机视觉会议论文集》（第29-42页）。
[70] Wolfram，S.（1983年）。细胞自动机的统计力学。《现代物理学评论》，55（3），601·Zbl 1174.82319号 ·doi:10.1103/RevModPhys.55.601
[71] Xie，Y.，&Lu，H.（2011）。基于贝叶斯模型的视觉显著性检测。IEEE图像处理国际会议论文集（第645-648页）。
[72] Xie，Y.、Lu，H.和Yang，M.H.（2013）。贝叶斯显著性通过低级和中级线索。IEEE图像处理汇刊，22（5），1689-1698·兹比尔1373.94821 ·doi:10.1109/TIP.2012.2216276
[73] Yan，Q.，Xu，L.，Shi，J.，&Jia，J.（2013）。层次显著性检测。IEEE计算机视觉和模式识别会议记录（第1155-1162页）。
[74] Yang，C.，Zhang，L.，Lu，H.，Ruan，X.，&Yang，MH.（2013）。通过基于图形的流形排序进行显著性检测。IEEE计算机视觉和模式识别会议记录（第3166-3173页）。
[75] Yang，J.和Yang，M.H.（2012）。通过联合crf和字典学习实现自顶向下的视觉显著性。IEEE计算机视觉和模式识别会议记录（第2296-2303页）。电气与电子工程师协会。
[76] 赵R.、欧阳W.、李H.和王X.（2015）。通过多上下文深度学习进行显著性检测。IEEE计算机视觉和模式识别会议记录（第1265-1274页）。
[77] Zhou，F.、Bing Kang，S.和Cohen，M.F.（2014）。使用时空显著性的时间映射。IEEE计算机视觉和模式识别会议论文集。
[78] Zhu，W.，Liang，S.，Wei，Y.，&Sun，J.（2014）。鲁棒背景检测的显著性优化。IEEE计算机视觉和模式识别会议记录（第2814-2821页）。
[79] Zou，W.和Komodakis，N.（2015）。Harf：用于显著对象检测的层次关联丰富功能。IEEE计算机视觉国际会议论文集（第406-414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。