Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Khung Tích Hợp Bayesian Hai Giai Đoạn cho Phát Hiện Đối Tượng Nổi Bật trên Dữ Liệu Trường Ánh Sáng
Tóm tắt
Các đặc điểm hình ảnh độc đáo của dữ liệu trường ánh sáng 4D đã được chứng minh là ảnh hưởng đến việc phát hiện các đối tượng nổi bật. Tuy nhiên, chỉ có một vài nghiên cứu đã khảo sát vấn đề này. Trong nghiên cứu này, một số đặc điểm hình ảnh hữu ích được trích xuất từ dữ liệu trường ánh sáng được kết hợp trong một khung tích hợp Bayesian hai giai đoạn cho việc phát hiện đối tượng nổi bật. Đầu tiên, tương phản màu sắc có trọng số nền được tính toán trong không gian màu cao chiều, điều này giúp xác định đối tượng quan tâm một cách rõ nét hơn. Thứ hai, bản đồ độ tập trung của lớp tiền cảnh được ước lượng. Sau đó, nó được kết hợp với kết quả tương phản màu sắc thông qua quá trình tích hợp Bayesian giai đoạn đầu. Thứ ba, tương phản độ sâu có trọng số nền được tính toán. Tương phản độ sâu đã được chứng minh là một tín hiệu vô cùng hữu ích cho việc phát hiện đối tượng nổi bật và bổ sung cho tương phản màu sắc. Cuối cùng, trong bước tích hợp Bayesian giai đoạn hai, độ saliency do độ sâu tạo ra được kết hợp thêm với kết quả tích hợp độ saliency giai đoạn đầu để có được bản đồ độ saliency cuối cùng. Các thí nghiệm so sánh với tám phương pháp tiên tiến hiện có trên các tập dữ liệu chuẩn mực của trường ánh sáng cho thấy phương pháp đề xuất có thể xử lý các tình huống thách thức như nền hỗn độn, và đạt được kết quả phát hiện đối tượng nổi bật được chấp nhận về mặt thị giác cao nhất.
Từ khóa
#Phát hiện đối tượng nổi bật #trường ánh sáng #tích hợp Bayesian #tương phản màu sắc #độ sâu.Tài liệu tham khảo
Schade U, Meinecke C (2011) Texture segmentation: do the processing units on the saliency map increase with eccentricity? Vis Res 51(1):1–12
Ren Z, Gao S, Chia L-T, Tsang IWH (2014) Region-based saliency detection and its application in object recognition. IEEE Trans Circuits Syst Video Technol 24(5):769–779
Zhu J-Y, Jiajun W, Yan X, Chang EIC, Tu Z (2015) Unsupervised object class discovery via saliency-guided multiple class learning. IEEE Trans Pattern Anal Mach Intell 37(4):862–875
Chen Y, Pan Y, Song M, Wang M (2015) Image retargeting with a 3D saliency model. Signal Process 112:53–63
Saha A, Wu QMJ (2013) A study on using spectral saliency detection approaches for image quality assessment. In: IEEE international conference on acoustics, speech and signal processing, ICASSP 2013, Vancouver, 26–31 May 2013, pp 1889–1893
Sadaka NG, Karam LJ (2011) Efficient super-resolution driven by saliency selectivity. In: 18th IEEE international conference on image processing, ICIP 2011, Brussels, 11–14 Sept 2011, pp 1197–1200
Zhao R, Ouyang W, Wang X (2013) Unsupervised salience learning for person re-identification. In: 2013 IEEE conference on computer vision and pattern recognition, Portland, 23–28 June 2013, pp 3586–3593
Zhang C, Lin W, Li W, Zhou B, Xie J, Li J (2013) Improved image deblurring based on salient-region segmentation. Signal Process Image Commun 28(9):1171–1186
Goferman S, Zelnik-Manor L, Tal A (2010) Context-aware saliency detection. In: The 23th IEEE conference on computer vision and pattern recognition, CVPR 2010, San Francisco, 13–18 June 2010, pp 2376–2383
Cheng M-M, Mitra NJ, Huang X, Torr PHS, Hu S-M (2015) Global contrast based salient region detection. IEEE Trans Pattern Anal Mach Intell 37(3):569–582
Kim J, Han D, Tai Y-W, Kim J (2014) Salient region detection via high-dimensional color transform. In: 2014 IEEE conference on computer vision and pattern recognition, CVPR 2014, Columbus, 23–28 June 2014, pp 883–890
Lin W, Sun MT, Li H, Chen Z, Li W, Zhou B (2012) Macroblock classification method for video applications involving motions. IEEE Trans Broadcast 58(1):34–46
Han X, Li G, Lin W, Su X, Li H, Yang H, Wei H (2012) Periodic motion detection with ROI-based similarity measure and extrema-based reference-frame selection. In: Signal & information processing association annual summit and conference (APSIPA ASC), 2012 Asia-Pacific, pp 1–4
Zhu W, Liang S, Wei Y, Sun J (2014) Saliency optimization from robust background detection. In: 2014 IEEE conference on computer vision and pattern recognition, CVPR 2014, Columbus, 23–28 June 2014, pp 2814–2821
Zhao R, Ouyang W, Li H, Wang X (2015) Saliency detection by multi-context deep learning. In: 2015 IEEE conference on computer vision and pattern recognition (CVPR), pp 1265–1274
Borji A, Sihite DN, Itti L (2012) Salient object detection: a benchmark. In: Computer vision–ECCV 2012: 12th European conference on computer vision, Florence, 7–13 Oct 2012, Proceedings, part II, pp 414–429
Borji A, Cheng M-M, Jiang H, Li J (2015) Salient object detection: a benchmark. IEEE Trans Image Process 24(12):5706–5722
Jiang P, Ling H, Yu J, Peng J (2013) Salient region detection by UFO: uniqueness, focusness and objectness. In: IEEE international conference on computer vision, ICCV 2013, Sydney, 1–8 Dec 2013, pp 1976–1983
Li N, Ye J, Ji Y, Ling H, Yu J (2014) Saliency detection on light field. In: The IEEE conference on computer vision and pattern recognition (CVPR)
Li N, Sun B, Yu J (2015) A weighted sparse coding framework for saliency detection. In: Proceedings of the IEEE conference on computer vision and pattern recognition, pp 5216–5223
Niu Y, Geng Y, Li X, Liu F (2012) Leveraging stereopsis for saliency analysis. In: 2012 IEEE conference on computer vision and pattern recognition, Providence, 16–21 June 2012, pp 454–461
Desingh K, Madhava Krishna K, Rajan D, Jawahar CV (2013) Depth really matters: improving visual salient region detection with depth. In: British machine vision conference, BMVC 2013, Bristol, 9–13 Sept 2013
Peng H, Li B, Xiong W, Hu W, Ji R (2014) RGBD salient object detection: a benchmark and algorithms. In: Computer vision–ECCV 2014—13th European conference, Zurich, 6–12 Sept 2014, Proceedings, part III, pp 92–109
Ren J, Gong X, Yu L, Zhou W, Yang MY (2015) Exploiting global priors for RGB-D saliency detection. In: 2015 IEEE conference on computer vision and pattern recognition workshops (CVPRW), pp 25–32
Zhang J, Wang M, Gao J, Wang Y, Zhang X, Wu X (2015) Saliency detection with a deeper investigation of light field. In: Proceedings of the 24th international joint conference on artificial intelligence, IJCAI 2015, Buenos Aires, 25–31 July 2015, pp 2212–2218
Achanta R, Shaji A, Smith K, Lucchi A, Fua P, Süsstrunk S (2012) SLIC superpixels compared to state-of-the-art superpixel methods. IEEE Trans Pattern Anal Mach Intell 34(11):2274–2282
Xie Y, Lu H, Yang MH (2013) Bayesian saliency via low and mid level cues. IEEE Trans Image Process Publ IEEE Signal Process Soc 22(5):1689–1698
Li X, Lu H, Zhang L, Ruan X, Yang M-H (2013) Saliency detection via dense and sparse reconstruction. In: IEEE international conference on computer vision, ICCV 2013, Sydney, 1–8 Dec 2013, pp 2976–2983
Yang C, Zhang L, Lu H, Ruan X, Yang M-H (2013) Saliency detection via graph-based manifold ranking. In: 2013 IEEE conference on computer vision and pattern recognition, Portland, 23–28 June 2013, pp 3166–3173
Wei Y, Wen F, Zhu W, Sun J (2012) Geodesic saliency using background priors. In: Computer vision– ECCV 2012—12th European conference on computer vision, Florence, 7–13 Oct 2012, Proceedings, part III, pp 29–42
Perazzi F, Krähenbühl P, Pritch Y, Hornung A (2012) Saliency filters: contrast based filtering for salient region detection. In: 2012 IEEE conference on computer vision and pattern recognition, Providence, 16–21 June 2012, pp 733–740
Achanta R, Hemami SS, Estrada FJ,Süsstrunk S (2009) Frequency-tuned salient regiondetection. In: 2009 IEEE computer society conference on computervision and pattern recognition (CVPR 2009), Miami, 20–25 June 2009, pp 1597–1604