کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6865941 679603 2015 26 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Saliency detection via sparse reconstruction and joint label inference in multiple features
ترجمه فارسی عنوان
تشخیص حساسیت از طریق بازسازی ضعیف و پیوند برچسب های مشترک در چندین ویژگی
کلمات کلیدی
تشخیص سلامت، برنامه نویسی انعطاف پذیر، استنتاج برچسب تقسیم طیفی، همجوشی ویژگی،
ترجمه چکیده
بر اساس انگیزه ای که ظاهر هدف برجسته به طور کلی در صحنه وجود دارد، نمایندگی نادرست به تشخیص علت است. با این حال، روش های موجود مبتنی بر ارائه های پراکنده موجود، اغلب تنها مرزهای جسم برجسته را به جای کل شی، به ویژه برای شیء نسبتا بزرگ برجسته می کنند. در این مقاله، ما روش جدیدی را پیشنهاد می کنیم. با توجه به تصویر، ابتدا سلسله مراتب آن را به سوپرپیکسل های خوب و بخش های درشت تقسیم می کنیم. بعد، ما از استراتژی باقی مانده باقی مانده در مقیاس درشت برای ساختن فرهنگ لغت برای بازسازی ابرهای پیکسل خوب استفاده می کنیم، به عنوان مثال، برای یک بخش، هر سوپرپیکسل که در آن وجود دارد، به عنوان ترکیبی وزنی از همه سوپرپیکسل ها در بخش های باقیمانده توصیف شده است. ما خطاهای بازسازی را در یک بخش به عنوان مقیاس اولیه آن می سنجیم. درمان سلسله مراتبی برای غلبه بر مشکل فوق مفید است. در نهایت، ما با استفاده از یک مدل استنتاج مبتنی بر رتبه بندی و تعریف یک پتانسیل متناسب با چند ویژگی برای توصیف تعامل بین ویژگی های چندگانه، نتیجه یابی می کنیم. نتایج تجربی در چهار مجموعه داده های معیار نشان می دهد که روش پیشنهادی با توجه به دقت و فراخوانی مطلوب در برابر روش های پیشرفته تر انجام می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
تشخیص حساسیت از طریق بازسازی ضعیف و پیوند برچسب های مشترک در چندین ویژگی
چکیده انگلیسی
Based on the motivation that the appearance of salient target tends to be sparse in the entire scene, sparse representation has been applied to saliency detection. However, existing sparse representation based methods often only highlight the boundaries of salient object rather than the whole object, especially for relatively large object. In this paper, we propose a new saliency method. Given an image, we first hierarchically segment it into fine superpixels and coarse segments. Next, we use the center-remaining strategy at the coarse scale to build the dictionary to reconstruct the fine superpixels, i.e., for a segment, each superpixel it contains is described as the weighted combination of all the superpixels in the remaining segments. We average the reconstruction errors in a segment as its initial saliency. The hierarchical treatment is helpful to overcome the above problem. Finally, we further refine saliency result by using a ranking-based inference model and define a multi-feature fitting potential to describe the interaction among multiple features. Experimental results on four benchmark datasets show that the proposed method performs favorably against the state-of-the-art methods in terms of precision and recall.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 155, 1 May 2015, Pages 1-11
نویسندگان
, , , ,