کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4947694 1439588 2017 17 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Diffusion-based saliency detection with optimal seed selection scheme
ترجمه فارسی عنوان
تشخیص پذیری مبتنی بر اشباع با طرح انتخاب بذر مطلوب
کلمات کلیدی
تشخیص سلامت، انتخاب دانه، نفوذ،
ترجمه چکیده
برای شناسایی مناطق برجسته در تصاویر، یک عمل به طور گسترده ای پذیرفته شده است ساخت یک گراف در عناصر تصویر، و سپس ارزش هر یک از گره ها را در گراف بر حسب فاصله آن تا تعدادی از دانه های اولیه تعیین می کند. در این روش دو مشکل رخ می دهد، یعنی تولید دانه های اولیه و انتشار مقادیر معیار. در این کار، یک طرح برای انتخاب دانه های اولیه معرفی شده است. یک مدل خطی برای پیش بینی اعتماد به نفس تعیین یک سوپرپیکسل به پیش زمینه یا پس زمینه یاد می شود و سپس یک روش آستانه ای سازگار برای تولید دانه های پیش زمینه و پس زمینه قابل اطمینان است که از آن مقدار ارزش گذاری در روش پخش منتشر می شود. رویکرد پیشنهادی در چندین مجموعه داده های تشخیص پذیری مورد بررسی قرار می گیرد و نتایج بهبود یافته در مقایسه با تعدادی از روش های پیشرفته هنر مشاهده می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
تشخیص پذیری مبتنی بر اشباع با طرح انتخاب بذر مطلوب
چکیده انگلیسی
To detect salient regions in images, a widely accepted practice is to construct a graph on the image elements, and then assign a saliency value to each node in the graph according to its distance to a number of initial seeds. Two problems emerge in this procedure, i.e., generating the initial seeds and propagating the saliency values. In this work, a scheme for selecting the initial seeds is introduced. A linear model is learned to predict the confidence of assigning a superpixel to the foreground or to the background, and then an adaptive thresholding method is adopted to generate reliable foreground and background seeds, from which the saliency value is propagated in the diffusion procedure. The proposed approach is experimentally evaluated on several saliency detection datasets, and improved results are observed compared with a number of the state of the art methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 239, 24 May 2017, Pages 94-101
نویسندگان
, , , , ,