基于梯度域边缘融合的显著性增强
计算机视觉与模式识别
2020-02-12 v1
摘要
近年来，计算机视觉中二值问题的求解取得了快速进展，例如寻找图像边界的边缘检测与寻找图像中重要目标的显著目标检测。这一进展得益于深度学习和卷积神经网络（CNN）的兴起，其能够提取复杂而抽象的特征。然而，边缘检测与显著性仍是两个互不相干的领域且并未协同，尽管人类凭直觉即可依据边界检测显著目标。这些特征在 CNN 中未能良好融合，因为边缘与表面不相交——前者表征区域，后者表征不同区域间的边界。本工作的主要目标是开发一种将边缘与显著性图相融合以提升显著性性能的方法。为此，我们提出了梯度域融合（GDM），可快速将显著目标检测的图像域信息与边缘检测的梯度域信息相结合。由此得到我们所提出的利用边缘的显著性增强（SEE），在 DUT-OMRON 数据集上相较 denseCRF 与 BGOF 等对比算法的 F-measure 平均提升至少 3.4 倍，在 ECSSD 数据集上提升 6.6 倍。SEE 算法分为两部分：用于预处理的 SEE-Pre 与用于后处理的 SEE-Post。
引用
@article{arxiv.2002.04380,
title = {Saliency Enhancement using Gradient Domain Edges Merging},
author = {Dominique Beaini and Sofiane Achiche and Alexandre Duperre and Maxime Raison},
journal= {arXiv preprint arXiv:2002.04380},
year = {2020}
}