基于極限學(xué)習(xí)機(jī)與目標(biāo)候選子空間優(yōu)化的顯著目標(biāo)檢測(cè).pdf

1、顯著性檢測(cè)是許多圖像處理過(guò)程的預(yù)過(guò)程，它廣泛應(yīng)用于圖像分割、目標(biāo)追蹤以及行人再識(shí)別等領(lǐng)域。本文提出了兩種顯著目標(biāo)檢測(cè)算法，它們?nèi)诤狭说讓右约案邔拥奶卣?，并結(jié)合了自上而下以及自下而上模式的優(yōu)勢(shì)。
　　本文提出的第一種方法是基于極限學(xué)習(xí)機(jī)的顯著目標(biāo)檢測(cè)模型，該模型可以用于提升現(xiàn)有算法的檢測(cè)性能。其主要步驟如下：首先，輸入圖像被分割成一定數(shù)目的超像素，每個(gè)超像素都采用人工提取的底層顏色、紋理特征進(jìn)行表征。之后，現(xiàn)有算法產(chǎn)生的顯著圖被作為

2、先驗(yàn)圖，并在此先驗(yàn)圖基礎(chǔ)上在多個(gè)尺度上選取正、負(fù)訓(xùn)練樣本。這些訓(xùn)練樣本被用于訓(xùn)練極限學(xué)習(xí)機(jī)分類器，該分類器可以產(chǎn)生顯著圖。最后，將多尺度顯著圖進(jìn)行整合得到最后的結(jié)果。此外，本算法還提出一種融合機(jī)制以利用多種方法的優(yōu)勢(shì)產(chǎn)生更準(zhǔn)確的結(jié)果。
　　本文提出的第二種方法是基于目標(biāo)候選子空間優(yōu)化的算法。本文在該算法中提出了兩個(gè)模塊，即關(guān)注語(yǔ)義信息模塊以及關(guān)注空間信息模塊，他們的目的是為目標(biāo)候選區(qū)域?qū)ふ乙粋€(gè)子集，使該子集中的目標(biāo)候選屬于顯著目標(biāo)

3、。關(guān)注語(yǔ)義信息模塊使用快速區(qū)域卷積網(wǎng)絡(luò)提取高級(jí)語(yǔ)義信息以篩選與前景目標(biāo)具有相似語(yǔ)義含義的候選區(qū)域。而關(guān)注空間模塊通過(guò)對(duì)比度計(jì)算估計(jì)顯著目標(biāo)的位置，并通過(guò)候選與前景的空間相似性來(lái)篩選顯著區(qū)域。這兩個(gè)模塊從不同的角度計(jì)算顯著性，并能夠產(chǎn)生具有互補(bǔ)特性的顯著圖。因而，本文將兩個(gè)模塊的結(jié)果融合以提升檢測(cè)的性能。
　　為了證實(shí)本文提出的算法的有效性，本文采用了大量的實(shí)驗(yàn)對(duì)兩個(gè)算法進(jìn)行評(píng)測(cè)。本文在五個(gè)國(guó)際公開(kāi)的顯著性檢測(cè)數(shù)據(jù)庫(kù)上與其他共24種