Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phát hiện độ nổi bật trên hình ảnh được lấy mẫu để xếp hạng thẻ
Tóm tắt
Độ nổi bật của hình ảnh góp phần xếp hạng các thẻ không có thứ tự được trích xuất từ phương tiện truyền thông xã hội, nhưng các phương pháp phát hiện độ nổi bật hiện có khó có thể xử lý hiệu quả một lượng lớn hình ảnh trong việc xếp hạng thẻ. Trong bài báo này, chúng tôi tập trung vào việc cải thiện hiệu suất của các phương pháp phát hiện độ nổi bật bằng cách áp dụng chúng cho các hình ảnh được lấy mẫu với độ phân giải phù hợp. Chúng tôi điều tra sâu sắc ảnh hưởng của độ phân giải hình ảnh đến hiệu suất phát hiện độ nổi bật của các phương pháp điển hình, và tóm tắt một chiến lược lấy mẫu cho các loại phương pháp phát hiện đối tượng nổi bật khác nhau. Hơn nữa, chúng tôi xác thực tính hiệu quả của chiến lược lấy mẫu bằng cách áp dụng các phương pháp phát hiện đối tượng nổi bật trên các hình ảnh được lấy mẫu với độ phân giải được chọn trong việc xếp hạng thẻ. Kết quả thực nghiệm cho thấy rằng việc lấy mẫu có thể cải thiện đáng kể hiệu quả của các phương pháp phát hiện đối tượng nổi bật hiện tại mà không làm mất đi hiệu quả rõ rệt.
Từ khóa
#độ nổi bật #phát hiện hình ảnh #xếp hạng thẻ #phương tiện truyền thông xã hội #hình ảnh được lấy mẫuTài liệu tham khảo
Sang, J., Xu, C.: Right buddy makes the difference: An early exploration of social relation analysis in multimedia applications. In: ACM International Conference on Multimedia, ACM, pp. 19–28 (2012)
Zhang, H., Yang, Y., Luan, H., Yang, S., Chua, T.S.: Start from scratch: towards automatically identifying, modeling, and naming visual attributes. In: ACM International Conference on Multimedia, ACM, pp. 187–196 (2014)
Zheng, L., Wang, S., Guo, P., Liang, H., Tian, Q.: Tensor index for large scale image retrieval. Multimed. Syst. 21(6), 569–579 (2015)
Cheng, Z., Shen, J.: On very large scale test collection for landmark image search benchmarking. Signal Process. 124, 13–26 (2016)
Corridoni, J.M., Del Bimbo, A., Pala, P.: Image retrieval by color semantics. Multimed. Syst. 7(3), 175–183 (1999)
Xu, X., Geng, W., Ju, R., Yang, Y., Ren, T., Wu, G.: Obsir: object-based stereo image retrieval. In: IEEE International Conference on Multimedia and Expo, IEEE, pp. 1–6 (2014)
Cao, W., Liu, N., Kong, Q., Feng, H.: Content-based image retrieval using high-dimensional information geometry. Sci. China Inf. Sci. 57(7), 1–11 (2014)
Zhu, L., Shen, J., Xie, L.: Unsupervised visual hashing with semantic assistant for content-based image retrieval. IEEE Trans. Knowl. Data Eng. 29(2), 472–486 (2016)
Zhao, N., Hong, R., Wang, M., Hu, X., Chua, T.S.: Searching for recent celebrity images in microblog platform. In: ACM International Conference on Multimedia, ACM, pp. 841–844 (2014)
Zhang, H., Shang, X., Luan, H., Wang, M., Chua, T.S.: Learning from collective intelligence: Feature learning using social images and tags. ACM Trans. Multimed. Comput. Commun. Appl. 13, 1–23 (2016)
Sang, J., Xu, C., Liu, J.: User-aware image tag refinement via ternary semantic analysis. IEEE Trans. Multimed. 14(3), 883–895 (2012)
Zhong, S.H., Liu, Y., Liu, Y.: Bilinear deep learning for image classification. In: ACM International Conference on Multimedia, ACM, pp. 343–352 (2011)
Tang, J., Zha, Z.J., Tao, D., Chua, T.S.: Semantic-gap-oriented active learning for multilabel image annotation. IEEE Trans. Image Process. 21(4), 2354–2360 (2012)
Gao, Z., Zhang, L.F., Chen, M.Y., Hauptmann, A., Zhang, H., Cai, A.N.: Enhanced and hierarchical structure algorithm for data imbalance problem in semantic extraction under massive video dataset. Multimed. Tools Appl. 68(3), 641–657 (2014)
Zhang, H., Shang, X., Yang, W., Xu, H., Luan, H., Chua, T.S.: Online collaborative learning for open-vocabulary visual classifiers. In: IEEE International Conference on Computer Vision and Pattern Recognition, ACM (2016)
Liu, A.A., Su, Y.T., Nie, W.Z., Kankanhalli, M.: Hierarchical clustering multi-task learning for joint human action grouping and recognition. IEEE Trans. Pattern Anal. Mach. Intell. 39(1), 102–114 (2017)
Sang, J., Xu, C.: Browse by chunks: topic mining and organizing on web-scale social media. ACM Trans. Multimed. Comput. Commun. Appl. 7(1), 30 (2011)
Wang, M., Ni, B., Hua, X.S., Chua, T.S.: Assistive tagging: a survey of multimedia tagging with human–computer joint exploration. ACM Comput. Surv. 44(4), 25 (2012)
Gao, Y., Wang, M., Zha, Z.J., Shen, J., Li, X., Wu, X.: Visual–textual joint relevance learning for tag-based social image search. IEEE Trans. Image Process. 22(1), 363–376 (2013)
Liu, D., Hua, X.S., Yang, L., Wang, M., Zhang, H.J.: Tag ranking. In: International World Wide Web Conference, ACM, pp. 351–360 (2009)
Li, X., Snoek, C.G., Worring, M.: Learning tag relevance by neighbor voting for social image retrieval. In: ACM International Conference on Multimedia Information Retrieval, ACM, pp. 180–187 (2008)
Feng, S., Lang, C., Xu, D.: Beyond tag relevance: integrating visual attention model and multi-instance learning for tag saliency ranking. In: ACM International Conference on Image and Video Retrieval, ACM, pp. 288–295 (2010)
Nguyen, T.V., Xu, M., Gao, G., Kankanhalli, M., Tian, Q., Yan, S.: Static saliency vs. dynamic saliency: a comparative study. In: ACM International Conference on Multimedia, ACM, pp. 987–996 (2013)
Jian, M., Lam, K.M., Dong, J., Shen, L.: Visual-patch-attention-aware saliency detection. IEEE Trans. Cybernet. 45(8), 1575–1586 (2015)
Zhong, S.H., Liu, Y., Ng, T.Y., Liu, Y.: Perception-oriented video saliency detection via spatio-temporal attention analysis. Neurocomputing 207, 178–188 (2016)
Ren, T., Liu, Y., Wu, G.: Image retargeting based on global energy optimization. In: IEEE International Conference on Multimedia and Expo, IEEE, pp. 406–409 (2009)
Du, H., Liu, Z., Jiang, J., Shen, L.: Stretchability-aware block scaling for image retargeting. J. Vis. Commun. Image Represent. 24(4), 499–508 (2013)
Wei, Y., Xia, W., Lin, M., Huang, J., Ni, B., Dong, J., Zhao, Y., Yan, S.: Hcp: a flexible cnn framework for multi-label image classification. IEEE Trans. Pattern Anal. Mach. Intell. 38(9), 1901–1907 (2015)
Lu, Y., Lai, Z., Fan, Z., Cui, J., Zhu, Q.: Manifold discriminant regression learning for image classification. Neurocomputing 166, 475–486 (2015)
Bao, B.K., Liu, G., Xu, C., Yan, S.: Inductive robust principal component analysis. IEEE Trans. Image Process. 21(8), 3794–3800 (2012)
Kuang, H., Chong, Y., Li, Q., Zheng, C.: Mutualcascade method for pedestrian detection. Neurocomputing 137, 127–135 (2014)
Cheng, M.M., Mitra, N.J., Huang, X., Torr, P.H.S., Hu, S.M.: Global contrast based salient region detection. IEEE Trans. Pattern Anal. Mach. Intell. 37(3), 569–582 (2015)
Wang, W., Lang, C., Feng, S.: Contextualizing tag ranking and saliency detection for social images. In: International Conference on Multimedia Modeling, Springer, pp. 428–435 (2013)
Cao, Y., Kang, K., Zhang, S., Zhang, J., Wang, Z.: Automatic tag saliency ranking for stereo images. Neurocomputing 172, 9–18 (2016)
Yang, C., Zhang, L., Lu, H., Ruan, X., Yang, M.H.: Saliency detection via graph-based manifold ranking. In: IEEE Conference on Computer Vision and Pattern Recognition, IEEE, pp. 3166–3173 (2013)
Jiang, B., Zhang, L., Lu, H., Yang, C., Yang, M.H.: Saliency detection via absorbing markov chain. In: IEEE International Conference on Computer Vision, IEEE, 1665–1672 (2013)
Zhu, W., Liang, S., Wei, Y., Sun, J.: Saliency optimization from robust background detection. In: IEEE Conference on Computer Vision and Pattern Recognition, IEEE, 2814–2821 (2014)
Zhang, J., Sclaroff, S., Lin, Z., Shen, X., Price, B., Mĕch, R.: Minimum barrier salient object detection at 80 fps. In: IEEE International Conference on Computer Vision, IEEE (2015)
Hou, X., Zhang, L.: Saliency detection: a spectral residual approach. In: IEEE Conference on Computer Vision and Pattern Recognition, IEEE (2007)
Guo, J., Ren, T., Bei, J.: A comprehensive study of salient object detection on diverse image resolutions. In: National Conference on Multimedia Technology, CCF (2016)
Zhuang, J., Hoi, S.C.: A two-view learning approach for image tag ranking. In: ACM International Conference on Web Search and Data Mining, ACM, pp. 625–634 (2011)
Tang, J., Li, M., Li, Z., Zhao, C.: Tag ranking based on salient region graph propagation. Multimed. Syst. 21(3), 267–275 (2015)
Feng, S., Lang, C., Liu, H., Huang, X.: Adaptive all-season image tag ranking by saliency-driven image pre-classification. J. Vis. Commun. Image Represent. 24(7), 1031–1039 (2013)
Achanta, R., Hemami, S., Estrada, F., Süsstrunk, S.: Frequency-tuned salient region detection. In: IEEE Conference on Computer Vision and Pattern Recognition, IEEE, pp. 1597–1604 (2009)
Achanta, R., Süsstrunk, S.: Saliency detection using maximum symmetric surround. In: IEEE International Conference on Image Processing, IEEE, pp. 2653–2656 (2010)
Achanta, R., Shaji, A., Smith, K., Lucchi, A., Fua, P., Süsstrunk, S.: Slic superpixels compared to state-of-the-art superpixel methods. IEEE Trans. Pattern Anal. Mach. Intell. 34(11), 2274–2282 (2012)
Ju, R., Liu, Y., Ren, T., Ge, L., Wu, G.: Depth-aware salient object detection using anisotropic center-surround difference. Signal Process. Image Commun. 38, 115–126 (2015)
Guo, J., Ren, T., Bei, J.: Salient object detection for rgb-d image via saliency evolution. In: IEEE International Conference on Multimedia and Expo, IEEE (2016)
Chua, T.S., Tang, J., Hong, R., Li, H., Luo, Z., Zheng, Y.: NUS-WIDE: a real-world web image database from national university of Singapore. In: ACM International Conference on Image and Video Retrieval, ACM, p. 48 (2009)
Margolin, R., Zelnik-Manor, L., Tal, A.: How to evaluate foreground maps. In: IEEE Conference on Computer Vision and Pattern Recognition, IEEE, pp. 248–255 (2014)
Zhang, M.L., Zhou, Z.H.: Adapting RBF neural networks to multi-instance learning. Neural Process. Lett. 23(1), 1–26 (2006)