×

兹马思-数学第一资源

视觉显著性的层次元胞自动机。(英语) Zbl 1458.68247
摘要:显著性检测,寻找图像中最重要的部分,在计算机视觉中已经越来越流行。在这篇文章中,我们介绍了层次细胞自动机(HCA),一种用于智能检测显著目标的时间演化模型。HCA由两个主要部分组成:单层元胞自动机(SCA)和长方体元胞自动机(CCA)。作为一种无监督的传播机制,单层元胞自动机可以通过与相邻区域的相互作用来利用相似区域的内在相关性。将低层图像特征和从深层神经网络中提取的高层语义信息融合到SCA中,以度量不同图像块之间的相关性。利用这些层次性的深层特征,构造了影响因子矩阵和相干矩阵来平衡对每个细胞下一个状态的影响。所有单元的显著性值根据定义良好的更新规则进行迭代更新。此外,我们提出在贝叶斯框架下整合SCA在不同尺度下生成的多个显著性图。因此,在我们统一的HCA中,单层传播和多尺度集成被联合建模。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,结果是无论原始结果如何,都具有类似的精度水平。CCA可以作为一种有效的像素级聚合算法,它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的大量实验表明,该算法优于现有的传统方法,并且与基于深度学习的方法相比具有竞争力。
理学硕士:
68T45型 机器视觉与场景理解
68Q80型 细胞自动机(计算方面)
PDF格式 BibTeX公司 XML 引用
全文: 内政部
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。在IEEE计算机视觉和模式识别会议论文集(1597-1604页)。
[2] Achanta,R.,Shaji,A.,Smith,K.,Lucchi,A.,Fua,P.和Süsstrunkm,S.(2010年)。Slic超级混合体。技术报告。
[3] Alexe,B.,Deselaers,T和Ferrari,V.(2010年)。什么是对象?在IEEE计算机视觉和模式识别会议论文集(第73-80页)。
[4] Batty,M.(2007年)。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年)。显著目标检测:一个基准。IEEE图像处理汇刊,24(12),5706-5722·Zbl 1408.94882
[6] Bruce,N.和Tsotsos,J.(2005年)。基于信息最大化的显著性。神经信息处理系统的进展(第155-162页)。
[7] Cheng,M.,Mitra,N.J.,Huang,X.,Torr,P.H.和Hu,S.(2015年)。基于全局对比度的显著区域检测。IEEE模式分析与机器智能汇刊,37(3),569-582。
[8] Cheng,M.M.,Warrell,J.,Lin,W.Y.,Zheng,S.,Vienet,V.和Crook,N.(2013年)。基于软图像提取的有效显著区域检测。IEEE国际计算机视觉会议论文集(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
[10] Cowburn,R.和Welland,M.(2000年)。室温磁性量子细胞自动机。《科学》,287(5457),1466年。
[11] de Almeida,C.M.,Batty,M.,Monteiro,A.M.V.,C.mara,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模型:实证发展与估计。计算机,环境和城市系统,27(5),481-509。
[12] Ding,Y.,Xiao,J.和Yu,J.(2011年)。图像重定目标的重要性过滤。在IEEE计算机视觉和模式识别会议论文集(第89-96页)。
[13] Donahue,J.,Jia,Y.,Vinyals,O.,Hoffman,J.,Zhang,N.,Tzeng,E.和Darrell,T.(2014年)。Decaf:一种用于一般视觉识别的深卷积激活特征。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可视化对象类(voc)挑战。国际计算机视觉杂志,88(2),303-338。
[15] Farabet,C.,Couprie,C.,Najman,L.和LeCun,Y.(2013年)。学习场景标记的层次特征。IEEE模式分析与机器智能汇刊,35(8),1915-1929。
[16] Girshick,R.,Donahue,J.,Darrell,T.和Malik,J.(2014年)。丰富的特征层次结构用于精确的对象检测和语义分割。在IEEE计算机视觉和模式识别会议论文集(第580-587页)。
[17] Goferman,S.,Zelnik manor,L.和Tal,A.(2010年)。上下文感知显著性检测。IEEE计算机视觉与模式识别会议论文集。
[18] Gong,C.,Tao,D.,Liu,W.,Maybank,S.J.,Fang,M.,Fu,K.和Yang,J.(2015年)。显著性传播由简单到困难。在IEEE计算机视觉和模式识别会议论文集(第2531-2539页)。
[19] Hariharan,B.,Arbeláez,P.,Girshick,R.和Malik,J.(2014年)。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年)。超列用于对象分割和细粒度定位。计算机视觉与模式识别会议论文集。
[21] Hou,X.和Zhang,L.(2007年)。显著性检测:光谱残差法。IEEE计算机视觉与模式识别会议论文集(第1-8页)
[22] Itti,L.和Koch,C.(2001年)。视觉注意的计算模型。《自然评论神经科学》,2(3),194-203。
[23] Itti,L.,Koch,C.和Niebur,E.(1998年)。一种基于显著性的快速场景分析视觉注意模型。IEEE模式分析与机器智能汇刊,11254-1259。
[24] Jiang,B.,Zhang,L.,Lu,H.,Yang,C.,和Yang,MH。(2013a)。基于吸收马尔可夫链的显著性检测。在IEEE国际计算机视觉会议记录(1665-1672页)。
[25] Jiang,H.,Wang,J.,Yuan,Z.,Liu,T.,Zheng,N.和Li,S.(2011年)。基于上下文和形状先验的显著目标自动分割。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计算机视觉与模式识别会议论文集(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探测:唯一性、聚焦性和目标性。在IEEE国际计算机视觉会议记录(1976-1983页)。
[28] Jiang,Z.和Davis,L.(2013年)。子模显著区域检测。IEEE计算机视觉与模式识别会议论文集(2043-2050页)。
[29] Kanan,C.和Cottrell,G.W.(2010年)。使用自然图像统计对物体、人脸和花朵进行稳健分类。在IEEE计算机视觉和模式识别会议论文集(第2472-2479页)。
[30] Kim,J.和Pavlovic,V.(2016年)。一种基于形状的基于深度学习的显著目标检测方法。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年)。基于高维颜色变换的显著区域检测。在IEEE计算机视觉和模式识别会议论文集(第883-890页)。
[32] Klein,D.A.和Frintrop,S.(2011年)。显著目标检测中特征统计量的中心环绕发散。IEEE国际计算机视觉会议论文集(第2214-2219页)。
[33] Krizhevsky,A.,Sutskever,I.和Hinton,G.E.(2012年)。用深卷积神经网络进行图像网络分类。神经信息处理系统进展(第1097-1105页)。
[34] Li,G.和Yu,Y.(2015年)。基于多尺度深度特征的视觉显著性。在IEEE计算机视觉和模式识别会议论文集(第5455-5463页)。
[35] Li,N.,Ye,J.,Ji,Y.,Ling,H.和Yu,J.(2014a)。光场的显著性检测。IEEE计算机视觉与模式识别会议论文集。
[36] Li,X.,Lu,H.,Zhang,L.,Ruan,X.和Yang,M.H.(2013年)。通过稠密和稀疏重建进行显著性检测。在IEEE国际计算机视觉会议记录(第2976-2983页)。
[37] Li,X.,Zhao,L.,Wei,L.,Yang,M.H.,Wu,F.,庄,Y.等人(2016年)。深度显著性:用于显著目标检测的多任务深层神经网络模型。IEEE图像处理汇刊,25(8),3919-3930·Zbl 1408.94420号
[38] Li,Y.,Hou,X.,Koch,C.,Rehg,J.和Yuille,A.(2014b)。突出目标分割的秘密。IEEE计算机视觉与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.等人(2011年)。学会探测突出的物体。IEEE模式分析与机器智能汇刊,33(2),353-367。
[40] Long,J.,Shelhamer,E.和Darrell,T.(2015年)。用于语义分割的完全卷积网络。在IEEE计算机视觉和模式识别会议论文集(第3431-3440页)。
[41] Ma,C.,Huang,JB.,Yang,X.和Yang,M.H.(2015年)。用于视觉跟踪的分层卷积特征。IEEE国际计算机视觉会议论文集(第3074-3082页)。
[42] Mahadevan,V.和Vasconcelos,N.(2009年)。基于显著性的判别跟踪。在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。在IEEE国际计算机视觉会议记录(第2232-2239页)。
[44] 马丁斯,A.C.(2008年)。意见动力学问题中的连续意见和离散行动。国际现代物理学杂志C,19(04),617-624·11542ZB913号
[45] Ng,A.Y.,Jordan,M.I.,Weiss,Y.等人(2002年)。谱聚类:分析与算法。神经信息处理系统的进展,2849-856。
[46] 大津,N.(1975年)。一种基于灰度直方图的阈值选择方法。自动,11(285-296),23-27。
[47] Pan,Q.,Qin,Y.,Xu,Y.,Tong,M.,和He,M.(2016年)。开放社区中的意见演变。国际现代物理杂志C,281750003。
[48] Perazzi,F.,Krähenbühl,P.,Pritch,Y.和Hornung,A.(2012年)。显著滤波器:用于显著区域检测的基于对比度的滤波。在IEEE计算机视觉和模式识别会议论文集(第733-740页)。IEEE。
[49] Pinheiro,P.H.和Collobert,R.(2014年)。用于场景标记的递归卷积神经网络。国际机器学习会议论文集(第82-90页)。
[50] Qin,Y.,Lu,H.,Xu,Y.,和Wang,H.(2015年)。通过元胞自动机进行显著性检测。IEEE计算机视觉与模式识别会议论文集。
[51] Rahtu,E.,Kannala,J.,Salo,M.和HeikkiläJ.(2010年)。从图像和视频中分割突出的物体。欧洲计算机视觉会议论文集(第366-379页)。
[52] Reinagel,P.和Zador,A.M.(1999年)。凝视中心的自然场景统计。网络:神经系统的计算,10(4),341-350·Zbl 1073.91636
[53] Scharfenberger,C.,Wong,A.,Fergani,K.,Zelek,J.S.和Clausi,D.A.(2013年)。自然图像中显著区域检测的统计纹理显著性。在IEEE计算机视觉和模式识别会议论文集(第979-986页)。
[54] Shen,X.和Wu,Y.(2012年)。一种基于低秩矩阵恢复的突出目标检测统一方法。在IEEE计算机视觉和模式识别会议论文集(第853-860页)。
[55] Shi,K.,Wang,K.,Lu,J.和Lin,L.(2013年)。Pisa:通过将互补的外观对比度与空间优先级聚合起来的像素图像显著性。在IEEE计算机视觉和模式识别会议论文集(第2115-2122页)。
[56] Siagian,C.和Itti,L.(2007年)。利用视觉注意力共享的特征快速进行生物启发场景分类。IEEE模式分析与机器智能汇刊,29(2),300-312。
[57] 史密斯,A.R.(1972年)。一维元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
[58] Sun,J.,Ling,H.(2011年)。缩放和对象感知图像重定目标的缩略图浏览。在IEEE国际计算机视觉会议论文集(1511-1518页)。
[59] Sun,J.,Lu,H.,Li,S.(2012年)。基于边界和软分割相结合的显著性检测。IEEE国际图像处理会议论文集(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年)。卷积得更深。在IEEE计算机视觉和模式识别会议论文集(第1-9页)。
[61] Szegedy,C.,Toshev,A.和Erhan,D.(2013年)。用于目标检测的深层神经网络。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)。基于自举学习的显著目标检测。在IEEE计算机视觉和模式识别会议论文集(1884-1892页)。
[63] Tong,N.,Lu,H.,Zhang,Y.,和Ruan,X.(2015b)。基于全局和局部线索的显著目标检测。模式识别,48(10),3258-3267。
[64] 冯·诺依曼,J.(1951年)。自动机的一般逻辑理论。行为的大脑机制,1(41),1-2。
〔65〕 冯诺依曼,J.,伯克斯,A.W.等人(1966年)。自复制自动机理论。IEEE神经网络汇刊,5(1),3-14。
[66] Wang,L.,Lu,H.,Ruan,X.,Yang,M.H.(2015年)。通过局部估计和全局搜索进行显著性检测的深层网络。在IEEE计算机视觉和模式识别会议论文集(3183-3192页)。
[67] Wang,L.,Xue,J.,Zheng,N.,和Hua,G.(2011年)。基于上下文线索的显著目标自动提取。在IEEE国际计算机视觉会议记录(第105-112页)。
[68] Wang,Q.,Zheng,W.和Piramuthu,R.(2016年)。Grab:通过新的图模型和背景先验的视觉显著性。在IEEE计算机视觉和模式识别会议论文集(第535-543页)。
〔69〕 Wei,Y.,Wen,F.,Zhu,W.和Sun,J.(2012年)。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
[71] Xie,Y.和Lu,H.(2011年)。基于贝叶斯模型的视觉显著性检测。IEEE国际图像处理会议论文集(第645-648页)。
[72] Xie,Y.,Lu,H.和Yang,M.H.(2013年)。通过中低水平线索的贝叶斯显著性。IEEE图像处理汇刊,22(5),1689-1698·Zbl 1373.94821
[73] Yan,Q.,Xu,L.,Shi,J.和Jia,J.(2013年)。层次显著性检测。在IEEE计算机视觉和模式识别会议论文集(1155-1162页)。
[74] Yang,C.,Zhang,L.,Lu,H.,Ruan,X.,和Yang,MH。(2013年)。基于图流形排序的显著性检测。在IEEE计算机视觉和模式识别会议论文集(第3166-3173页)。
[75] Yang,J.和Yang,M.H.(2012年)。自上而下的视觉显著性通过联合crf和词典学习。在IEEE计算机视觉和模式识别会议论文集(2296-2303页)。IEEE。
[76] Zhao,R.,Ouyang,W.,Li,H.和Wang,X.(2015年)。基于多上下文深度学习的显著性检测。IEEE计算机视觉与模式识别会议论文集(第1265-1274页)。
[77] Zhou,F.,Bing Kang,S.和Cohen,M.F.(2014年)。使用时空显著性的时间映射。IEEE计算机视觉与模式识别会议论文集。
[78] Zhu,W.,Liang,S.,Wei,Y.,和Sun,J.(2014年)。基于鲁棒背景检测的显著性优化。在IEEE计算机视觉和模式识别会议论文集(第2814-2821页)。
[79] Zou,W.和Komodakis,N.(2015年)。Harf:用于显著目标检测的层次关联丰富特征。在IEEE国际计算机视觉会议记录(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。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。