基于深度卷积网络的光场显著性检测
计算机视觉与模式识别
2019-10-30 v2 图像与视频处理
摘要
光场成像因记录入射光方向而成为 RGB 成像的一种诱人替代方案。光场图像中显著区域的检测得益于对角度模式的额外建模。对于 RGB 成像，使用 CNN 的方法在包括显著性检测在内的一系列任务上取得了优异结果。然而，将基于 CNN 的方法用于光场图像显著性检测并非易事，因为这些方法并非专为处理光场输入而设计。此外，当前光场数据集不足以训练 CNN。为克服这些问题，我们提出一个新的 Lytro Illum 数据集，包含 640 个光场及其对应的真值显著图。与当前光场显著性数据集 [1]、[2] 相比，我们的新数据集更大、质量更高、变化更多且光场输入类型更丰富。这使得我们的数据集适于训练更深网络与基准测试。此外，我们提出一种新颖的端到端基于 CNN 的光场显著性检测框架。具体而言，我们提出三个新颖的 MAC（建模角度变化）模块来处理光场微透镜图像。我们系统研究了不同架构变体的影响，并比较了光场显著性与常规 2D 显著性。我们广泛的对比表明，我们的新网络在所提数据集上显著优于最先进方法，并在其他现有数据集上具有理想的泛化能力。
引用
@article{arxiv.1906.08331,
title = {Light Field Saliency Detection with Deep Convolutional Networks},
author = {Jun Zhang and Yamei Liu and Shengping Zhang and Ronald Poppe and Meng Wang},
journal= {arXiv preprint arXiv:1906.08331},
year = {2019}
}
备注
14 pages, 14 figures