基于高階能量項(xiàng)和學(xué)習(xí)關(guān)聯(lián)模型的顯著目標(biāo)檢測.pdf

1、人類的視覺系統(tǒng)可以利用選擇性視覺注意機(jī)制，非常迅速地在雜亂無章的視覺場景中捕獲顯著性的目標(biāo)。這種能力急需應(yīng)用到計(jì)算機(jī)視覺系統(tǒng)中來處理信息過載問題。因此，學(xué)者們模仿人類的選擇視覺注意機(jī)制提出了大量的顯著性模型。與此同時(shí)，顯著性檢測理論廣泛地應(yīng)用在許多計(jì)算機(jī)視覺任務(wù)之中，例如圖像分割、目標(biāo)識(shí)別、圖像檢索和圖像壓縮等。
　　本文主要貢獻(xiàn)如下:第一，本文改進(jìn)了一個(gè)新穎的基于圖模型的顯著目標(biāo)檢測算法，它通過挖掘高階能量項(xiàng)來獲取尺度間的顯著性

2、線索。這種方式大大改善了之前的統(tǒng)一框架下或者單純的多尺度融合模型。高階能量項(xiàng)可以迫使圖像區(qū)域的標(biāo)簽一致性，并且在本文框架中采用的是魯棒性的P模型。對(duì)于圖像顯著目標(biāo)檢測領(lǐng)域，在高階隨機(jī)游走模型中引入高階能量項(xiàng)，基于顏色和平滑等特性可以更好地完善一次項(xiàng)和二次平滑項(xiàng)的關(guān)系。
　　第二，本文充分考慮了圖模型的關(guān)聯(lián)矩陣在標(biāo)簽分配問題中的重要性。我們通過半監(jiān)督學(xué)習(xí)方式，考慮局部（空間分布）和非局部（特征分布）來學(xué)習(xí)節(jié)點(diǎn)之間的相似性值，進(jìn)而得到