基于低秩矩阵恢复的由粗到细显著性目标检测
计算机视觉与模式识别
2019-09-10 v4
摘要
低秩矩阵恢复（LRMR）近来被应用于显著性检测，通过将图像特征分解为与背景相关的低秩分量以及与视觉显著区域相关的稀疏分量。尽管潜力巨大，现有基于LRMR的显著性检测方法很少考虑这两类分量内部元素间的相互关系，因此易生成分散或不完整的显著性图。本文引入一种新颖且高效的基于LRMR的显著性检测模型，采用由粗到细框架以规避此局限。首先，我们用一个集成范数稀疏约束与拉普拉斯正则化平滑项的基线LRMR模型粗略度量图像区域的显著性。给定来自粗显著性图的样本，我们随后学习一个将图像特征映射到精炼显著性值的投影，以显著锐化物体边界并保留物体整体。我们在三个基准数据集上针对现有基于LRMR的方法评估了我们的框架。实验结果验证了本方法的优越性及所提由粗到细框架的有效性，尤其对含多个物体的图像。
引用
@article{arxiv.1805.07936,
title = {Coarse-to-Fine Salient Object Detection with Low-Rank Matrix Recovery},
author = {Qi Zheng and Shujian Yu and Xinge You and Qinmu Peng},
journal= {arXiv preprint arXiv:1805.07936},
year = {2019}
}
备注
Manuscript accepted by Neurocomputing, matlab code is available from https://github.com/qizhust/HLRSaliency