基于多通道脉冲耦合神经网络的特征向量空间显著性融合
计算机视觉与模式识别
2017-03-02 v1
摘要
由于显著图提供的有用信息，显著性计算已成为许多应用的热门研究领域。对于显著图，应以感兴趣区域内部一致性为目标，从多通道角度考虑显著区域周围的局部关系。同时，必须尽可能避免无关的显著区域。大多数工作通过外部处理模块来实现这些标准；然而，这些可以在显著图融合过程中完成。因此，本文提出了一种新的显著性/显著图融合模型，包含两个概念：a) 基于主成分分析 (PCA) 的输入图像变换，以及 b) 基于多通道脉冲耦合神经网络 (m-PCNN) 的显著性显著图融合。实验结果通过精确率、召回率、F 测度和曲线下面积 (AUC) 进行评估，支持了所提方法通过增强显著性计算的可靠性。
引用
@article{arxiv.1703.00160,
title = {Saliency Fusion in Eigenvector Space with Multi-Channel Pulse Coupled Neural Network},
author = {Nevrez Imamoglu and Zhixuan Wei and Huangjun Shi and Yuki Yoshida and Myagmarbayar Nergui and Jose Gonzalez and Dongyun Gu and Weidong Chen and Kenzo Nonami and Wenwei Yu},
journal= {arXiv preprint arXiv:1703.00160},
year = {2017}
}
备注
8 pages, 9 figures, 1 table. This submission includes detailed explanation of partial section (saliency detection) of the work "An Improved Saliency for RGB-D Visual Tracking and Control Strategies for a Bio-monitoring Mobile Robot", Evaluating AAL Systems Through Competitive Benchmarking, Communications in Computer and Information Science, vol. 386, pp.1-12, 2013