Saliency detection via affinity graph learning and weighted manifold ranking

به دلیل سادگی و کارایی الگوریتم های گراف، محبوبیت زیادی به دست آورده است. در این رویکردها، مقادیر ثانویه عناصر تصویر توسط شباهت عناصر تصویر با پیش زمینه و یا نشانه های پس زمینه از طریق رتبه بندی بر اساس رتبه بندی قرار می گیرند. با این حال، در روش های قبلی، شباهت بین هر دو عنصر تصویر بر گراف وابستگی با توابع دستی تنظیم شده که به پارامترهای تابع حساس هستند محاسبه می شود و گراف ساخته شده ممکن است در واقع ارتباط بین بردارهای ویژگی استخراج شده از عناصر مختلف تصویر را نشان نمی دهد. علاوه بر این، در طول فرایند رتبه بندی ثروت، تمام برچسب های اولیه به طور مساوی به عملکرد رتبه بندی مشارکت می کنند در حالی که اعتماد به نفس جهانی هر عنصر تصویر مورد توجه قرار نمی گیرد. به منظور رفع این دو موضوع، ما یک روش شناسایی معیار پایین به بالا را با استفاده از یادگیری گراف همبستگی و رتبه بندی چندگانه وزن پیشنهاد می کنیم. یک روش یادگیری بی نظیر برای یادگیری گراف وابستگی بر اساس نمایندگی تصویر داده های تصویری معرفی شده است. با قرار دادن ابرهای پیکسل مرزهای تصویر به عنوان دانه های پس زمینه، اعتماد به نفس جهانی پیش از این در ماتریس وابستگی نشان داده می شود تا رتبه بندی معیار را به دست آورد. به این ترتیب، سوپرپیکسل هایی با محرمانگی بالاترین میزان امتیازات بالاتر را به دست می آورند در نقشه نهایی نهایی، و سوپرپیکسل های پس زمینه می توانند به طور موثر سرکوب شوند. ارزیابی جامع در سه مجموعه داده های چالش نشان می دهد که الگوریتم ما به طور جهانی بیش از دیگر روش های غیرقابل کنترل بر اساس روش های تشخیص پذیری گراف است.