کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4947496 | 1439584 | 2017 | 40 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Salient object detection via color and texture cues
ترجمه فارسی عنوان
تشخیص شیء برجسته از طریق رنگ و نشانه بافت
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
تشخیص جسم برجسته، سابقه قبلی، رتبه بندی منیفولد، رنگ و نشانه بافت، خوشه بندی ترویج وابستگی،
ترجمه چکیده
در این مقاله، با استفاده از ساختن دو نمودار با استفاده از ویژگی های رنگ و بافت در چارچوب رتبه بندی چند طبقه، روش جدید تشخیص شیء بالا از پایین به بالا را ارائه می کنیم. ابتدا محتویات تکه های مرزی را محاسبه می کنیم و آنهایی را که دارای اهمیت بالایی هستند و ممکن است بخشی از شیوه ی ذهنی باشند محو کنیم. دوم، ما یک طرح دو مرحلهای برای تشخیص آشکارسازی با استفاده از خوشه بندی ترویج وابستگی و رتبه بندی چندجملهای مبتنی بر گراف را اتخاذ میکنیم. تشخیص زودهنگام مبتنی بر پس زمینه به هدف به دست آوردن مناطق جسم برجسته تا آنجا که ممکن است. در تشخیص انگیزه مبتنی بر پیش زمینه، یک محاسبات مشابه همانطور که در مرحله قبل پردازش شده و در عین حال کمی متفاوت است. به جای اینکه همزمان با استفاده از تمام تکه های مرزی استخراج شده یا تکه های پیش زمینه به عنوان نمایش داده شود، ما با استفاده از تکه های در هر خوشه به نوبه خود و تقسیم آنها را محاسبه می کنیم. در نهایت، نقشه ی نهایی یابی به وسیله ی خطی ترکیب دو نقشه ی ذهنی به دست می آید که به ترتیب به بررسی رنگ و بافت اشاره می شود. هر دو ارزیابی کیفی و کمی در سه مجموعه داده عمومی موجود نشان دهنده استحکام و کارایی روش پیشنهادی ما در برابر 21 روش جدید است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
In this paper, we present a new bottom-up salient object detection approach by constructing two graphs using color and texture features within the manifold ranking framework. First, we calculate the saliency of boundary patches and exclude the ones with high saliency which might be a part of saliency object. Second, we adopt a two-stage scheme for salient detection via affinity propagation clustering and graph-based manifold ranking. The background-based saliency detection aims to obtain the salient object regions as much as possible. In the foreground-based saliency detection, a similar computation is processed as that in the former step and yet slightly different. Instead of simultaneously using all the extracted boundary patches or foreground patches as queries, we compute saliency by using the patches in each cluster in turn and integrating them. At last, the final saliency map is generated by linearly combining two saliency maps respectively exploring color and texture cues. Both qualitative and quantitative evaluations on three publicly available datasets demonstrate the robustness and efficiency of our proposed approach against 21 state-of-the-art methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 243, 21 June 2017, Pages 35-48
Journal: Neurocomputing - Volume 243, 21 June 2017, Pages 35-48
نویسندگان
Qing Zhang, Jiajun Lin, Yanyun Tao, Wenju Li, Yanjiao Shi,