Category independent object discovery via background modeling

رویکردهای سنتی برای کشف شیء فرض بر این است که ویژگی های مشترک در میان اشیاء وجود دارد و سپس به منظور استخراج ویژگی های خاص برای اشیاء به منظور جداسازی اشیا از پس زمینه، تلاش می کنیم. با این حال، فرض یک ویژگی های رایج ممکن است با توجه به تغییرات مختلف بین و درون اشیا نگهدارند. در عوض، ما به این مشکل از یک زاویه دیگر نگاه میکنیم: اگر ما بتوانیم مناطق پس زمینه را شناسایی کنیم، پس بقیه باید به پیش زمینه تعلق داشته باشند. در این مقاله، ما پیشنهاد می کنیم که پس زمینه را برای مکانیزه کردن مناطق ممکن شبیه سازی کنیم. روش ما بر اساس مشاهدات است: (1) پس زمینه دارای دسته های محدودی از قبیل آسمان، درخت، آب، زمین و غیره است و میتوان آن را آسانتر شناخت، در حالی که میلیونها اشیاء در دنیا با اشکال مختلف، رنگها و بافت؛ (2) پس زمینه به دلیل اشیاء پیش زمینه بسته شده است. بنابراین، ما می توانیم اشیا را بر اساس رأی گیری از مرز انحطاط پیشین / پس زمینه قرار دهیم. مشارکت ما این است: (1) ما از تقسیم بندی تصویر مبتنی بر گراف برای تولید بخش های با کیفیت بالا استفاده می کنیم که به طور موثر هر دو تقسیم مسطح و روش های تقسیم بندی سلسله مراتبی را دربر می گیرد؛ (2) ما پس زمینه مدل برای برآورد و رتبه بندی فرضیه های شبیه سازی. به طور خاص، ما برای ایجاد مدل پس زمینه از ظاهر پس زمینه و تکه های تبعیضی در اطراف مرز پیشین / پس زمینه استفاده می کنیم. نتایج تجربی نشان می دهد که روش ما می تواند پیشنهادات جسمی با کیفیت خوب را تولید کند و آنها را رتبه بندی کند در حالیکه اشیا درون یک استخر کوچک از مناطق پیشنهادی قرار می گیرند.