杂乱场景中对称部件检测的框架
计算机视觉与模式识别
2015-02-09 v1
摘要
对称性在计算机视觉中的作用随着该领域从最早期发展至今，其重要性经历了起伏。起初它在支持自底向上的索引方面表现突出，但随着形状让位于外观、识别让位于检测，其地位逐渐下降。在具有目标对象这一强先验的情况下，感知分组所提供的较弱先验的作用大大减弱。然而，随着该领域回归到从大型数据库中进行识别的问题，自底向上地恢复杂乱场景中构成物体的部件对于识别至关重要。中轴社区长期以来一直利用对称性的普遍规律性，作为将闭合轮廓分解为中轴部件的基础。然而，当今的识别系统面临的是杂乱场景，而假设存在闭合轮廓（即已解决图 - 底分割问题）使得中轴社区的大部分工作不再适用。在本文中，我们回顾了一个计算框架（此前在 Lee 等人 (2013)、Levinshtein 等人 (2009, 2013) 中报道），该框架弥合了中轴的表示能力与在杂乱场景中恢复和分组物体部件的需求。我们的框架植根于这样一个理念：作为中轴构建块的最大内切圆盘可以建模为图像中的紧凑超像素。我们在杂乱场景的图像上评估了该方法。
引用
@article{arxiv.1502.01761,
title = {A Framework for Symmetric Part Detection in Cluttered Scenes},
author = {Tom Lee and Sanja Fidler and Alex Levinshtein and Cristian Sminchisescu and Sven Dickinson},
journal= {arXiv preprint arXiv:1502.01761},
year = {2015}
}
备注
10 pages, 8 figures