ITSELF：迭代显著性估计灵活框架
计算机视觉与模式识别
2020-07-28 v2
摘要
显著性目标检测估计图像中最突出的对象。现有的无监督显著性估计器依赖于一组预定义的关于人类如何感知显著性的假设来创建判别特征。由于将这些预选假设固定为其模型的固有部分，这些方法难以针对特定设置与不同图像域进行扩展。为此，我们提出一种基于超像素的迭代显著性估计灵活框架（ITSELF），允许在需要时向模型添加任何用户定义的假设。得益于超像素分割算法的最新进展，显著性图可用于改善超像素划分。通过将基于显著性的超像素算法与基于超像素的显著性估计器相结合，我们提出了一种新颖的显著性/超像素自我改进循环，以迭代增强显著性图。我们在五项指标与六个数据集（其中四个由自然图像组成，两个由生物医学图像组成）上将ITSELF与两种最先进的显著性估计器进行比较。实验表明，我们的方法比对比方法更鲁棒，在自然图像数据集上取得具竞争力的结果，并在生物医学图像数据集上优于它们。
引用
@article{arxiv.2006.16956,
title = {ITSELF: Iterative Saliency Estimation fLexible Framework},
author = {Leonardo de Melo Joao and Felipe de Castro Belem and Alexandre Xavier Falcao},
journal= {arXiv preprint arXiv:2006.16956},
year = {2020}
}