基于全局与局部敏感性引导的关键显著目标再增强的视频显著性检测
计算机视觉与模式识别
2018-11-20 v1
摘要
现有的基于静态图像的深度学习显著性研究未考虑对不同层提取特征的加权与突出，所有特征对最终显著性决策贡献均等。此类方法总是均匀检测所有“潜在显著区域”，无法突出关键显著目标，导致动态场景检测失败。本文基于视频中显著区域相对较小且集中的事实，提出一种利用自顶向下语义知识与自底向上特征引导的关键显著目标再增强方法(KSORA)，以提升视频场景检测精度。KSORA 包含两个子模块(WFE 与 KOS)：WFE 采用自底向上策略进行局部显著特征选择，而 KOS 通过自顶向下统计知识以全局方式对各目标排序，并选取最关键的目标区域进行局部增强。所提 KSORA 不仅能增强局部关键显著目标的显著性值，还能保证全局显著性一致性。在三个基准数据集上的结果表明，我们的模型具备提升复杂场景检测精度的能力。KSORA 的显著性能已在现代 GPU 上以 17FPS 的速度，通过与其它十种 SOTA 算法的对比得到验证。
引用
@article{arxiv.1811.07480,
title = {Global and Local Sensitivity Guided Key Salient Object Re-augmentation for Video Saliency Detection},
author = {Ziqi Zhou and Zheng Wang and Huchuan Lu and Song Wang and Meijun Sun},
journal= {arXiv preprint arXiv:1811.07480},
year = {2018}
}
备注
6 figures, 10 pages