×
苏里亚·康特·辛格;拉杰夫·斯利瓦斯塔瓦

一种新的基于概率对比度的复杂显著目标检测方法。 （英语） Zbl 1446.68166号

数学杂志。成像视觉。 61，第7号，990-1006（2019）.
摘要：显著性计算有着广泛的应用。它现在几乎应用于所有与视觉相关的应用程序。但是，识别显著性仍然是一个问题。已经提出了各种计算模型来识别显著性。基于全局对比度的方法被广泛使用。该方法通过测量图像和指定区域之间的色差来计算对比度。它通过非连续点产生显著性，但在此过程中，它丢失了一些结构和空间信息。为了解决这些局限性，所提出的方法，即基于泊松的概率对比，与凹面地形表面产生显著性。这个表面包含了突出物体的所有结构和空间信息，或所有显著特征。然后，它被用作区域深度、颜色和空间显著性集成的参考平面。所提出的方法分为三个阶段。在第一阶段，通过添加色度和亮度对比度，使用基于泊松的最大似然估计来计算概率对比度。亮度对比度通过提出的“增强和抑制亮度方法”进行标准化。第二阶段，将区域颜色、深度和空间显著性集成到地形表面中，以增强显著性。在第三和最后阶段，即显著性增强阶段，中心显著性用于全局颜色区分。在公开可用的数据集上对所提出的方法进行了评估。将其性能与12种最先进的方法进行了比较。实验结果表明，该方法具有更好的性能。

MSC公司：

68T45型 机器视觉和场景理解
94A08型 信息与通信理论中的图像处理（压缩、重建等）

关键词：

泊松分布;全球对比度;高斯背景抑制模型;功能集成;显著目标检测;区域显著性

软件：

太阳;抓斗切割
PDF格式BibTeX公司 XML格式引用
\textit{S.K.Singh}和\textit{R.Srivastava}，J.Math。成像视觉。61，第7号，990--1006（2019；Zbl 1446.68166）
全文： 内政部

参考文献：

[1] Durand，T.，Mordan，T.、Thome，N.、Cord，M.：Wildcat：用于图像分类、逐点定位和分割的深度卷积的弱监督学习。In:IEEE计算机视觉和模式识别会议（CVPR 2017）（2017）
[2] Borji，A.，Sihite，D.N.，Itti，L.：视觉显著性建模中人机模型一致性的定量分析：一项比较研究。IEEE传输。图像处理。22(1), 55-69 (2013) ·Zbl 1373.94046号 ·doi:10.1109/TIP.2012.2210727
[3] Mahasseni，B.，Lam，M.，Todorovic，S.：对抗性lstm网络的无监督视频摘要。收录：IEEE计算机视觉和模式识别会议（CVPR）会议记录（2017）
[4] Lindeberg，T.：使用广义尺度空间兴趣点进行图像匹配。数学杂志。成像视觉。52(1), 3-36 (2015) ·Zbl 1357.94023号 ·doi:10.1007/s10851-014-0541-0
[5] Demirci，M.F.，Platel，B.，Shokoufandeh，A.，Florack，L.L.，Dickinson，S.J.：使用顶点表示和匹配图像。数学杂志。成像视觉。35(2), 103-116 (2009) ·doi:10.1007/s10851-009-0157-y
[6] Itti，L.，Rees，G.，Tsotsos，J.K.：注意力的神经生物学。Elsevier，阿姆斯特丹（2005）
[7] Deng，X.，Zuo，F.，Li，H.：使用迭代相位一致性检测裂纹。数学杂志。成像视觉。60（7），1065-1080（2018）·Zbl 1437.94015号 ·doi:10.1007/s10851-018-0796-y
[8] Ahn，E.，Kim，J.，Bi，L.，Kumar，A.，Li，C.，Fulham，M.，Feng，D.D.：通过皮肤镜图像中的背景检测进行基于显著性的病变分割。IEEE J.生物医学。健康信息21（6），1685-1693（2017）·doi:10.1109/JBHI.2017.2653179
[9] Wolfe，J.M.，Cave，K.R.，Franzel，S.L.：引导式搜索：视觉搜索特征集成模型的替代方案。心理实验杂志。嗯，感觉到了。执行。15(3), 419 (1989) ·doi:10.1037/0096-1523.15.3419
[10] Itti，L.，Koch，C.，Niebur，E.：用于快速场景分析的基于盐度的视觉注意模型。IEEE传输。模式分析。机器。智力。20(11), 1254-1259 (1998) ·数字对象标识代码：10.1109/34.730558
[11] Liu，T.、Yuan，Z.、Sun，J.、Wang，J.，Zheng，N.、Tang，X.、Shum，H.Y.：学习检测显著物体。IEEE传输。模式分析。机器。智力。33(2), 353-367 (2011) ·doi:10.1109/TPAMI.2010.70
[12] Wang，L.，Lu，H.，Wang，Y.，Feng，M.，Wang.，D.，Yin，B.，Ruan，X.：学习在图像级监督下检测显著物体。摘自：IEEE计算机视觉模式识别会议记录，第136-145页（2017）
[13] Judd，T.，Ehinger，K.，Durand，F.，Torralba，A.：学习预测人类的外表。摘自：IEEE第12届计算机视觉国际会议，2009年，第2106-2113页。IEEE（2009）
[14] Kavak，Y.，Erdem，E.，Erden，A.：动态显著性估计中特征集成策略的比较研究。信号处理。图像通信。51, 13-25 (2017) ·doi:10.1016/j.image.2016.11.003
[15] Yang，J.，Yang，M.H.：通过联合CRF和字典学习实现自上而下的视觉显著性。2012年IEEE计算机视觉和模式识别会议（CVPR），第2296-2303页。IEEE（2012）
[16] Qi，J.，Dong，S.，Huang，F.，Lu，H.：通过联合建模全局形状和局部一致性进行显著性检测。神经计算22281-90（2017）·doi:10.1016/j.neucom.2016.10.007
[17] Donoser，M.、Urschler，M.，Hirzer，M..、Bischof，H.：显著性驱动的总变异分割。2009年IEEE第12届计算机视觉国际会议，第817-824页。IEEE（2009）
[18] 朱，C.，李，G.，王，W.，王，R.：一种创新的使用中心标记通道先验的显著目标检测。参加：IEEE国际计算机视觉研讨会（ICCVW）（2017）
[19] Cheng，M.M.，Mitra，N.J.，Huang，X.，Torr，P.H.，Hu，S.M.：基于全局对比度的显著区域检测。IEEE传输。模式分析。机器。智力。37(3), 569-582 (2015) ·doi:10.10109/TPAMI.2014.2345401
[20] Zhang，J.、Ehinger，K.A.、Wei，H.、Zhang、K.、Yang，J.：一种新的基于图形的显著对象检测优化框架。模式识别。64, 39-50 (2017) ·doi:10.1016/j.patcog.2016.10.25
[21] Huang，X.，Zhang，Y.J.：通过最小方向对比度进行300-FPS显著对象检测。IEEE传输。图像处理。26(9), 4243-4254 (2017) ·Zbl 1409.94241号 ·doi:10.1109/TIP.2017.2710636
[22] Oh，K.，Lee，M.，Kim，G.，Kin，S.：通过整合估计的前景线索来检测多个显著物体。图像可视性。计算。54, 31-44 (2016) ·doi:10.1016/j.imavis.2016.07.007
[23] Kienzle，W.，Franz，M.O.，Schölkopf，B.，Wichmann，F.A.：中心-周围模式成为人类扫视目标的最佳预测因子。J视觉。9(5), 7-7 (2009) ·doi:10.1167/9.5.7
[24] Zhu，W.，Liang，S.，Wei，Y.，Sun，J.：鲁棒背景检测的显著性优化。摘自：IEEE计算机视觉和模式识别会议记录，第2814-2821页（2014）
[25] Huang，K.，Zhu，C.，Li，G.：融合前景和背景先验的鲁棒显著性检测。arXiv预印arXiv:1711.00322（2017）
[26] Tu，W.C.，He，S.，Yang，Q.，Chien，S.Y.：使用最小生成树进行实时显著目标检测。摘自：IEEE计算机视觉和模式识别会议记录，第2334-2342页（2016）
[27] Zhang，J.，Sclaroff，S.：利用周围性进行显著性检测：布尔映射方法。IEEE传输。模式分析。机器。智力。38(5), 889-902 (2016) ·doi:10.1109/TPAMI.2015.2473844
[28] Cheng，Y.，Fu，H.，Wei，X.，Xiao，J.，Cao，X.：深度增强显著性检测方法。摘自：《互联网多媒体计算和服务国际会议论文集》，第23页。ACM（2014）
[29] Alexe，B.，Deselaers，T.，Ferrari，V.：测量图像窗口的对象性。IEEE传输。模式分析。机器。智力。34(11), 2189-2202 (2012) ·doi:10.1109/TPAMI.2012.28
[30] Chikkerur，S.，Serre，T.，Tan，C.，Poggio，T.：什么和哪里：注意力的贝叶斯推理理论。视觉。第50（22）号决议，2233-2247（2010）·doi:10.1016/j.visres.2010.05.013
[31] Ren，J.，Liu，Z.，Zhou，X.，Sun，G.，Bai，C.：相似图像驱动的显著性整合。视觉杂志。Commun公司。图像表示。50, 227-236 (2018) ·doi:10.1016/j.jvcir.2017.12.002
[32] Gao，G.、Han，C.、Ma，K.、Liu，C.H.、Ding，G.，Liu，E.：人群显著性预测的最佳特征组合分析。视觉杂志。Commun公司。图像表示。50, 1-8 (2018) ·doi:10.1016/j.jvcir.2017.11.002
[33] Zeqiri，B.：动态视觉场景中视觉注意力的启动——一项使用眼动追踪的实验研究。In:MEi:2013年CogSci会议，布达佩斯（2013）
[34] Achanta，R.、Hemami，S.、Estrada，F.、Susstrunk，S.：频率调谐显著区域检测。在：CVPR 2009 IEEE计算机视觉和模式识别会议，2009年，第1597-1604页。IEEE（2009年）
[35] Ma，Y.F.，Zhang，H.J.：使用模糊增长进行基于对比的图像注意力分析。摘自：第十一届ACM国际多媒体会议记录，第374-381页。ACM（2003）
[36] Itti，L.，Baldi，P.：贝叶斯惊喜吸引了人类的注意力。视觉。第49（10）号决议，1295-1306（2009）·doi:10.1016/j.visres.2008.09.007
[37] Yu，Y.，Choi，J.，Kim，Y.、Yoo，K.、Lee，S.H.、Kim，G.：通过人类凝视数据监控视频字幕的神经注意模型。摘自：IEEE计算机视觉和模式识别会议（CVPR 2017），夏威夷火奴鲁鲁，第2680-2688页（2017）
[38] Judd，T.，Durand，F.，Torralba，A.：预测人类注视的显著性计算模型基准，麻省理工学院技术报告（2012）
[39] Comaniciu，D.，Meer，P.：均值漂移：一种稳健的特征空间分析方法。IEEE传输。模式分析。机器。智力。24(5), 603-619 (2002) ·doi:10.1109/34.1000236
[40] Rother，C.，Kolmogorov，V.，Blake，A.：抓取：使用迭代图切割的交互式前景提取。收录于：《美国计算机学会图形学报》（TOG），第23卷，第309-314页。ACM（2004）
[41] Cheng，M.M.，Mitra，N.J.，Huang，X.，Torr，P.H.，Hu，S.M.：突出对象检测和分割。IEEE传输。模式分析。机器。智力。1, 1-1 (2014)
[42] Tepper，M.，Musé，P.，Almansa，A.：关于对比和规律在感知边界显著性中的作用。数学杂志。成像视觉。48(3), 396-412 (2014) ·Zbl 1361.68298号 ·doi:10.1007/s10851-012-0411-6
[43] Fawcett，T.：ROC分析简介。模式识别。莱特。27(8), 861-874 (2006) ·doi:10.1016/j.patrec.2005.10.010
[44] Ahn，E.，Lee，S.，Kim，G.J.：实时调整对比度显著性以提高移动增强现实中的信息可见性。虚拟现实。22(3), 245-262 (2018) ·doi:10.1007/s10055-017-0319-y
[45] Hou，X.，Zhang，L.：显著性检测：一种光谱残差方法。收录于：CVPR'07 IEEE计算机视觉和模式识别会议，2007年，第1-8页。IEEE（2007）
[46] Lv，Q.，Wang，B.，Zhang，L.：通过白化频带选择进行显著性计算。认知。Neurodyn公司。10（3），255-267（2016）·doi:10.1007/s11571-015-9372-y
[47] Achanta，R.，Estrada，F.，Wils，P.，Süsstrunk，S.：显著区域检测和分割。载：国际计算机视觉系统会议，第66-75页。施普林格（2008）
[48] Borji，A.，Itti，L.：利用本地和全球补丁稀缺性进行显著性检测。2012年IEEE计算机视觉和模式识别会议（CVPR），第478-485页。IEEE（2012）
[49] Huang，X.，Zhang，Y.：180 fps时水流驱动的显著物体检测。模式识别。76, 95-107 (2018) ·doi:10.1016/j.patcog.2017.10.027
[50] Borji，A.，Cheng，M.M.，Hou，Q.，Jiang，H.，Li，J.：显著物体检测：一项调查。arXiv预印arXiv:1411.5878（2014）·Zbl 1408.94882号
[51] Borji，A.，Cheng，M.M.，Jiang，H.，Li，J.：显著对象检测：基准。IEEE Trans。图像处理。24(12), 5706-5722 (2015) ·Zbl 1408.94882号 ·doi:10.1109/TIP.2015.2487833
[52] Achanta，R.，Süsstrunk，S.：使用最大对称环绕的显著性检测。2010年IEEE第17届国际图像处理会议（ICIP），第2653-2656页。IEEE（2010）
[53] Liu，F.，Gleicher，M.：区域增强尺度-方差显著性检测。2006年IEEE多媒体与博览会国际会议，第1477-1480页。IEEE（2006）
[54] Perazzi，F.，Krähenbühl，P.，Pritch，Y.，Hornung，A.：显著过滤器：基于对比度的显著区域检测过滤。2012年IEEE计算机视觉和模式识别会议（CVPR），第733-740页。IEEE（2012）
[55] Cheng，M.M.，Warrell，J.，Lin，W.Y.，Zheng，S.，Vineet，V.，Crook，N.：利用软图像抽象进行有效的显著区域检测。2013年IEEE国际计算机视觉会议（ICCV），第1529-1536页。IEEE（2013）
[56] Zhang，L.、Yang，C.、Lu，H.、Ruan，X.、Yang、M.H.：排名显著性。IEEE传输。模式分析。机器。智力。39(9), 1892-1904 (2017) ·doi:10.1109/TPAMI.2016.2609426
[57] Yang，C.，Zhang，L.，Lu，H.，Ruan，X.，Yang，M.H.：通过基于图形的流形排名进行显著性检测。2013年IEEE计算机视觉和模式识别会议（CVPR），第3166-3173页。IEEE（2013）
[58] Zhang，L.，Ai，J.，Jiang，B.，Lu，H.，Li，X.：通过学习转移概率的吸收马尔可夫链进行显著性检测。IEEE传输。图像处理。27(2), 987-998 (2018) ·Zbl 1409.94758号 ·doi:10.10109/TIP.2017.2766787
[59] Shi，J.，Yan，Q.，Xu，L.，Jia，J.：扩展CSSD上的分层图像显著性检测。IEEE传输。模式分析。机器。智力。38(4), 717-729 (2016) ·doi:10.10109/TPAMI.2015.2465960
[60] Qin，Y.，Lu，H.，Xu，Y.，Wang，H.：通过细胞自动机进行显著性检测。2015年IEEE计算机视觉和模式识别会议（CVPR），第110-119页。IEEE（2015）
[61] Cheng，G.，Han，J.，Zhou，P.，Xu，D.：学习用于目标检测的旋转不变和fisher判别卷积神经网络。IEEE传输。图像处理。28(1), 265-278 (2019) ·Zbl 1409.94825号 ·doi:10.1109/TIP.2018.2867198
[62] 赵，R.，欧阳，W.，李，H.，王，X.：基于多上下文深度学习的显著性检测。摘自：IEEE计算机视觉和模式识别会议记录，第1265-1274页（2015）
[63] Hou，Q.，Cheng，M.M.，Hu，X.，Borji，A.，Tu，Z.，Torr，P.H.：短连接的深度监督显著物体检测。摘自：IEEE计算机视觉和模式识别会议记录，第3203-3212页（2017）
[64] Dong，S.、Gao，Z.、Sun，S.，Wang，X.、Li，M.、Zhang，H.、Yang，G.、Liu，H.和Li，S.：显著性检测的整体和深层特征金字塔。摘自：英国机器视觉会议（BMVC），第3-6页。纽卡斯尔诺森比亚大学（2018）
[65] Wang，T.，Borji，A.，Zhang，L.，Zhanng，P.，Lu，H.：用于检测图像中显著对象的分段细化模型。摘自：IEEE计算机视觉国际会议记录，第4019-4028页（2017）
[66] Han，J.，Chen，H.，Liu，N.，Yan，C.，Li，X.：通过跨视图传输和多视图融合基于CNN的RGB-D显著性检测。IEEE传输。赛博。99, 1-13 (2017)
[67] Li，M.，Dong，S.，Zhang，K.，Gao，Z.，Wu，X.，Zhang.，H.，Yang，G.，Li，S.：深入学习图像内和图像间特征以进行共显著检测（2018）
[68] Han，J.，Cheng，G.，Li，Z.，Zhang，D.：基于统一度量学习的共显著性检测框架。IEEE传输。电路系统。视频技术。28(10), 2473-2483 (2018) ·doi:10.1109/TCSVT.2017.2706264
[69] Pérez，P.，Gannet，M.，Blake，A.：泊松图像编辑。ACM事务处理。图表。（TOG）22（3），313-318（2003）·doi:10.1145/8822628.82269
[70] Harremoös，P.：二项式和泊松分布作为最大熵分布。IEEE传输。Inf.理论47（5），2039-241（2001）·Zbl 0999.94012号 ·数字对象标识代码：10.1109/18.930936
[71] Kourtzi，Z.，Kanwisher，N.：人类枕外侧复合体对感知物体形状的表征。《科学》293（5534），1506-1509（2001）·数字对象标识代码：10.1126/science.1061133
[72] Zhang，L.，Tong，M.H.，Marks，T.K.，Shan，H.，Cottrell，G.W.：Sun：使用自然统计的显著性贝叶斯框架。视觉杂志。8(7), 32-32 (2008) ·doi:10.1167/8.7.32
[73] Li，Y.，Hou，X.，Koch，C.，Rehg，J.M.，Yuille，A.L.：显著对象分割的秘密。乔治亚理工学院，亚特兰大（2014）
[74] Li，X.，Li，Y.，Shen，C.，Dick，A.，Van Den Hengel，A.：用于显著对象检测的上下文超图建模。在：2013年IEEE国际计算机视觉会议（ICCV），第3328-3335页。IEEE（2013年a）
[75] Li，J.、Levine，M.D.、An，X.、Xu，X.和He，H.：基于频域尺度空间分析的视觉显著性。IEEE传输。模式分析。机器。智力。35（4），996-2010（2013b）·doi:10.1109/TPAMI.2012.147
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。