Salient object detection via point-to-set metric learning

متریک فاصله یک گام ضروری از تشخیص شیء برجسته است، که در آن، فاصله های متناوب اغلب برای تشخیص عناصر تصویر برجسته (پیکسل ها و مناطق) از عناصر پس زمینه استفاده می شود. به جای استفاده از معیارهای نقطه نقطه به نقطه که احتمالا ضمن اشاره به اطلاعات متنی در اطراف نقاط داده، ما متریک نقطه به مجموعه را به صورت صریح محاسبه فاصله از نقاط تک به مجموعه ای از نقاط همبسته و ارزیابی میزان ارزیابی به عنوان مشکل طبقه بندی نقطه به تنظیم. اول، ما مجموعه ای از پیشنهادات جعبه محدوده و پیشنهادات منطقه برای یک تصویر ورودی (به عنوان مثال، برخی از مناطق از پیش تشخیص که احتمالا شامل نمونه های شیء)، تولید می کنیم، و از آنها برای محاسبه نقشه ذهنی یادآوری و اولویت دقت، بر اساس این که مناطق پس زمینه و پیش زمستانی به ترتیب تعیین می شوند. سپس ما نمونه های مثبت و منفی (شامل نمونه های نقطه ای و مجموعه ای از نمونه ها) برای یادگیری متریک فاصله از نقطه به مجموعه، و استفاده از آن برای طبقه بندی عناصر تصویر به کلاس های پیش زمینه و پس زمینه. آخر، ما نمونه های آموزشی را به روز می کنیم و نتایج طبقه بندی را اصلاح می کنیم. رویکرد پیشنهادی در سه مجموعه داده های عمومی موجود با حاشیه نویسی دقیق پیکسل ارزیابی می شود. آزمایش های گسترده نشان می دهد که برتر بودن رویکرد پیشنهاد شده در مورد روش های پیشرفته ای را نشان می دهد.