利用超像素相似性的迭代显著性增强
计算机视觉与模式识别
2022-03-07 v2
摘要
显著性目标检测（SOD）在图像分析中有若干应用。方法已从图像内在模型演变为对象启发（基于深度学习）的模型。然而，当模型失败时，没有替代方案来增强其显著性图。我们通过引入一种名为“基于超像素相似性的迭代显著性增强”（ISESS）的混合方法来填补这一空白，该方法通过交替执行两种操作迭代生成增强的显著性图：基于对象的超像素分割和基于超像素的显著性估计——这是从未被利用的循环操作。ISESS从给定显著性图估计超像素划分的种子，并定义前景和背景中的超像素查询。每次迭代中，新显著性图由查询与超像素之间的颜色相似性得出。过程重复，在经过给定次数的迭代后，生成的显著性图通过元胞自动机组合为一个。最后，所得图通过与初始图按每超像素平均值的极大值进行合并。我们证明了我们的混合模型在五个图像数据集上能持续优于三种最先进的基于深度学习的方法。
引用
@article{arxiv.2112.00665,
title = {Iterative Saliency Enhancement using Superpixel Similarity},
author = {Leonardo de Melo Joao and Alexandre Xavier Falcao},
journal= {arXiv preprint arXiv:2112.00665},
year = {2022}
}