利用从无监督分割任务中学得的特征进行高光谱图像显著目标检测
计算机视觉与模式识别
2019-03-01 v1
摘要
已有多种基于彩色图像的显著性检测算法被提出，以模拟人类观察者对相同场景的眼固定或注意对象检测响应。然而，高光谱成像系统的发展使我们能从物体反射光源获取观测场景的冗余光谱信息。少数使用高光谱图像低级特征的研究表明可实现显著目标检测。本工作中，我们通过对无监督图像分割任务的自监督卷积神经网络（CNN）特征（高级特征）应用流形排序（MR），提出一种高光谱图像显著目标检测模型。CNN的自监督持续至聚类损失或显著性图在每次迭代间收敛至定义误差内。最终，当自监督过程以收敛终止时，显著性估计在最后一次迭代的显著性图上完成。实验评估表明，所提高光谱图像显著性检测算法优于包括原始基于MR的显著性模型在内的最先进高光谱显著性模型。
引用
@article{arxiv.1902.10993,
title = {Salient object detection on hyperspectral images using features learned from unsupervised segmentation task},
author = {Nevrez Imamoglu and Guanqun Ding and Yuming Fang and Asako Kanezaki and Toru Kouyama and Ryosuke Nakamura},
journal= {arXiv preprint arXiv:1902.10993},
year = {2019}
}
备注
5 pages, 3 figures, accepted to appear in IEEE ICASSP 2019 (accepted version)