کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4969915 1449983 2017 35 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A novel graph-based optimization framework for salient object detection
ترجمه فارسی عنوان
یک چارچوب بهینه سازی مبتنی بر گراف برای تشخیص شیء برجسته
کلمات کلیدی
چارچوب بهینه سازی، چندین نمودار، نادر بودن بصری، تشخیص سلامت،
ترجمه چکیده
در چارچوب بهینه سازی مبتنی بر گرافیک برای شناسایی شیء برجسته، یک تصویر بیش از حد به سوپرپیکسل ها تقسیم می شود و به یک گراف تکیه می شود. سپس مقدار ارزش افزوده هر سوپرپیکسل براساس شباهت بین گره های متصل شده و درخواست های مرتبط با قابلیت محاسبه محاسبه می شود. هنگام استفاده از چارچوب بهینه سازی مبتنی بر گرافیک سنتی به مسئله تشخیص شی اصلی در تصاویر صحنه طبیعی، ما حداقل دو محدودیت را مشاهده می کنیم: فقط یک نمودار برای توصیف اطلاعات موجود در یک تصویر استفاده می شود و هیچ ویژگی شناختی در مورد ویژگی های بصری به طور صریح مدل سازی نشده است در چارچوب بهینه سازی. در این کار، ما یک چارچوب بهینه سازی جدید مبتنی بر گراف برای تشخیص شیء پیشنهاد می کنیم. اولا، ما در چارچوب بهینه سازی ما چندین نمودار را استخدام می کنیم. یک تصویر صحنه طبیعی معمولا پیچیده است، با استفاده از چندین نمودار از خواص تصویر مختلف می تواند اطلاعات پیچیده موجود در تصویر را بهتر توصیف کند. در مرحله دوم، ما یک ویژگی شناختی عمومی را در مورد اهمیت ویژوال (نادر بصری) در چارچوب بهینه سازی مبتنی بر گراف ما مدل می کنیم، و این چارچوب را برای مسئله تشخیص حساسیت مناسب تر می کند. به طور خاص، ما یک اصطلاح قانونی برای محدود کردن مقدار معنی هر یک از سوپرپیکسل ها به دلخواه بصری در چارچوب بهینه سازی ما اضافه می کنیم. نتایج تجربی ما در چهار پایگاه داده معیار با مقایسه با پانزده روش نمایشی نشان می دهد که چارچوب بهینه سازی مبتنی بر گراف ما کارآمد و محاسباتی است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
یک چارچوب بهینه سازی مبتنی بر گراف برای تشخیص شیء برجسته
چکیده انگلیسی
In traditional graph-based optimization framework for salient object detection, an image is over-segmented into superpixels and mapped to one single graph. The saliency value of each superpixel is then computed based on the similarity between connected nodes and the saliency related queries. When applying the traditional graph-based optimization framework to the salient object detection problem in natural scene images, we observe at least two limitations: only one graph is employed to describe the information contained in an image and no cognitive property about visual saliency is explicitly modeled in the optimization framework. In this work, we propose a novel graph-based optimization framework for salient object detection. Firstly, we employ multiple graphs in our optimization framework. A natural scene image is usually complex, employing multiple graphs from different image properties can better describe the complex information contained in the image. Secondly, we model one popular cognitive property about visual saliency (visual rarity) in our graph-based optimization framework, making this framework more suitable for saliency detection problem. Specifically, we add a regularization term to constrain the saliency value of each superpixel according to visual rarity in our optimization framework. Our experimental results on four benchmark databases with comparisons to fifteen representative methods demonstrate that our graph-based optimization framework is effective and computationally efficient.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 64, April 2017, Pages 39-50
نویسندگان
, , , , ,