Optimizing multi-graph learning based salient object detection

در این مقاله، یک الگوریتم شناسایی جدیدی از پایین به بالا را پیشنهاد می کنیم تا به طور موثر تشخیص اشیاء برجسته. از بسیاری از روش های موجود که صحنه های پیچیده ای نیستند، متفاوت است، ما از یادگیری چند گراف برای در نظر گرفتن صحنه های مختلف استفاده می کنیم. اول، برای نمایش سوپرپیکسل ها، از ویژگی های چندگانه استفاده می شود و سپس با استفاده از ضرایب فاصله چندگانه برای ساخت چندین نمودار، اندازه گیری می شود. انگیزه این است که از اطلاعات مکمل خود برای مقابله با محیط های مختلف استفاده کنند. دوم، فیشینگ و نشانه های مرزی به ترتیب به عنوان دانه های پیش زمینه و پس زمینه استفاده می شود. فیشینگ برای زمینه های شلوغ مؤثر است زیرا مشاهدات این است که مناطقی که در فتوشاپ های چشم هستند احتمالا پیش زمینه تصویر هستند. سوم، گرافها و دانه های چندگانه را به یک چارچوب یادگیری مبتنی بر چندگانه تنظیم شده و بهینه سازی شده به طور موثر برای ایجاد نقشه های مبتنی بر پیش زمینه و مبتنی بر پس زمینه، به کار می بریم. در نهایت، ما این دو نقشه کشوری را برای به دست آوردن نقشه معقولی صاف و دقیق تر ادغام می کنیم. آزمایش های گسترده بر روی پنج مجموعه داده های معیار انجام می شود. نتایج تجربی نشان می دهد که روش تشخیص پذیری پیشنهادی پایین به بالا نتایج قابل مقایسه یا بهتر در برابر روش های پیشرفته تر را به ارمغان می آورد و برای هر دو صحنه متمایل و پاک است.