CVPR2012-On Multiple Foreground Cosegmentation

最新推荐文章于 2020-09-06 06:01:24 发布

原创最新推荐文章于 2020-09-06 06:01:24 发布 · 1.7k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #优化

Computer Vision 专栏收录该内容

22 篇文章

订阅专栏

本文关注多前景分割问题，采用迭代优化方法，包括前景建模（GMM, SVM结合颜色和SIFT特征）和区域标号（拍卖算法与最优化组合）。通过启发式策略解决组合爆炸难题，实现高效标号结果。" 47668275,5147489,解决Raspberry Pi 2上RPi.GPIO Python库加载错误,"['raspberry pi', 'python', 'library']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文要解决问题的基本定位是多前景分割问题，同时分为监督与分监督两种工作方式。本文贡献的解决方案是迭代优化；整体算法主要包括2个子过程-前景建模和区域标号。

前景的建模过程分别基于GMM和SVM对颜色和SIFT为每个前景建模（所有的背景也当做一个前景）。本文还将GMM与SPM模型在本算法中的使用进行对比。如下图所示：

区域标号过程是一个拍卖算法过程，基于前面的建模过程，为每个区域计算其属于各个前景类的得分。在此基础上，将区域标号过程转化为使得整体标号划分所得分数最大的最优化组合问题。由于该问题是个指数级的组合爆炸问题，作者采用了启发式的算法近似求解最后的标号结果，具体来说，通过相邻关系减少可组合区域，在通过保留各类最高得分的区域减少候选区域集。过滤有重叠的区域的候选集，最后通过搜索算法完成标号。

本文给出了整体算法过程，如下图所示：