基于深度显著性网络与集成图上种子传播的协同显著目标检测

本文提出一种协同显著目标检测方法，用于在一组图像中发现共同的显著区域。我们利用深度显著性网络迁移协同显著先验知识并更好地捕获高层语义信息，并通过在集成图上的种子传播步骤增强得到的初始协同显著图。深度显著性网络以监督方式训练，以避免在线弱监督学习，并利用它们不仅提取高层特征，还生成图像内和图像间的显著性图。通过细化步骤，初始协同显著图能够均匀高亮协同显著区域并定位精确的对象边界。为处理尺寸不一致的输入图像组，我们提出汇聚包含段内和组内信息的多区域描述子。此外，构建集成多层图，通过具有低层描述子的种子传播找到先前步骤可能未检测到的区域。本工作中，我们利用了高层、低层信息以及若干基于学习的步骤的有用互补成分。我们的实验表明，所提方法在广泛使用的公共数据库上优于可比较的协同显著性检测方法，并且也可直接应用于协同分割任务。