用于显著性检测的上下文提议
计算机视觉与模式识别
2018-07-03 v1
摘要
显著目标区域的基本属性之一是其与邻近上下文的对比。问题在于存在大量可能均为显著的目标区域。避免对所有目标区域进行穷举搜索的一种方法是使用目标提议算法。这类算法返回一组有限的、最可能包含目标的区域。若干显著性估计方法已使用目标提议，但它们仅关注提议自身的显著性，而其邻近上下文的重要性尚未被评估。本文旨在改进显著目标检测。为此，我们将目标提议方法扩展为上下文提议，从而将邻近上下文纳入显著性计算。我们提出了若干从上下文提议计算的显著性特征。在实验中，我们评估了五种目标提议方法在显著性分割任务上的表现，发现多尺度组合分组（Multiscale Combinatorial Grouping）优于其他方法。此外，实验表明所提出的上下文特征提升了性能，且我们的方法在 FT 数据集上匹配了已有结果，并在另外三个数据集（PASCAL-S、MSRA-B 和 ECSSD）上取得了有竞争力的结果。
引用
@article{arxiv.1806.10359,
title = {Context Proposals for Saliency Detection},
author = {Aymen Azaza and Joost van de Weijer and Ali Douik and Marc Masana},
journal= {arXiv preprint arXiv:1806.10359},
year = {2018}
}
备注
Accepted at Computer Vision and Image Understanding (CVIU)