【论文】Spectral salient object detection

最新推荐文章于 2024-05-14 22:04:28 发布

原创

最新推荐文章于 2024-05-14 22:04:28 发布 · 1k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#目标检测 #显著物体检测 #显著性检测 #SOD #机器视觉

该论文提出了一种分层次的光谱分类方法，结合Ncut的全局分割能力与显著物体的颜色和纹理特性，以提高显著物体检测的准确性。通过先用Ncut保持物体的整体性，然后在每层进行显著性建模，加入统计特性和图形-背景法则的判断。实验证明，这种方法在测试集上展现出最先进的性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文信息：（GB/T 7714）

Fu K, Gong C, Gu I Y H,et al. Spectral salient object detection[J]. Neurocomputing, 2017:1-6.如需文献pdf可联系本人索要。

1、Introduction

saliency detection ，理解为图像的显著性检测，这个主题下主要有两个子方向：眼睛固视建模（eye fixation，不知道如何翻译）和显著物体/区域检测（salient object/region detection）。本文主要聚焦于后者。

目前现有的许多方法，都是通过采用某些预分割技术，结果区域/超像素随后被视为基本处理单元并被引入显着性计算。这意味着不仅便于计算，而且还可以避免像素级噪声。但是这些技术聚焦于图像的局部特征，会破坏被检测出来的显著物体的整体性。只有与人类视觉感受一致、能保持物体整体性的预分割算法才能更精确地分割物体。被完整保留下来的物体也能使得特征提取和分析更加可靠。

文章提出使用Ncut（the normalized graph cut）方法，这种方法Rather than focusingon local features and their consistencies in the image data, Ncutaims at extracting the global impression of an image ，具有从物体级别分割图像内容的能力，具体参见参考文献：Shi J, Malik J. Normalized Cuts and Image Segmentation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2000, 22(8):888-905.