2018年4月24日論文閱讀

國內精讀！title（26）：Salient Object Detection: A Discriminative Regional Feature Integration Approach（顯著性檢測：一個多特徵自適應融合的顯著性檢測方法）---2013

Abstract ：

本文將顯著圖計算視爲迴歸（regression）問題；

所提出的方法基於多級圖像分割（multi-level image segmentation）;

使用監督學習（supervised learning）的方式學習出區域特徵向量（regional feature vector）所對應的顯著性得分（saliency score）；

並最終將這些不一樣的多級（請注意「多級」一詞）分數進行融合，獲得顯著性圖（saliency map）。

本文貢獻主要有兩點（不翻譯是由於英文讀起來更容易理解：）

一、Integrates the regional contrast, regional property and regional backgroundness descriptors together to form the master saliency map；

二、 introduce a new regional feature vector, backgroundness, to characterize the background, which can be regarded as a counterpart of the objectness descriptor。

本文提出一種監督學習框架下的顯著性檢測方法。採用multi-level segmentation的方法進行分割。其主要思想爲：

將原圖進行m級分割， S = {S ₁, S ₂, ···, S _M}。S ₂是由S ₁融合所得，閾值是算法生成的。

爲了融合計算，做者提出了特徵描述器。提出了三個 Regional contrast descriptor，Regional property descriptor，Regional backgroundness descriptor。這三個特徵描述器分別提出了本身的計算方式。

 

1 Regional contrast descriptor： diff(v ^R,v ^N)。v由26維的特徵組成。

 

2 Regional property descriptor，由34-dimensional的特徵組成。

 

3 Regional backgroundnessdescriptor：

見表1

最終獲得一個顯著性區域R = {R ₁,R ₂, ··· ,R _Q}，以及與之對應的分數 A = {a ₁,a ₂, ··· ,a _Q}。

在置信度內，背景和目標的比例在百分之80以上的區域，將其標記爲1；不然標記爲0.

經過隨機森林算法獲得最終融合的20個特徵。

 

 

最後的優化部分經過線性組合對顯著性map進行更新

 

損失函數爲：

 

經過最小化損失函數進行迭代更新獲得最好的顯著性區域map A。