基于極限學習機與目標候選子空間優(yōu)化的顯著目標檢測.pdf

1、顯著性檢測是許多圖像處理過程的預過程，它廣泛應用于圖像分割、目標追蹤以及行人再識別等領域。本文提出了兩種顯著目標檢測算法，它們融合了底層以及高層的特征，并結合了自上而下以及自下而上模式的優(yōu)勢。
　　本文提出的第一種方法是基于極限學習機的顯著目標檢測模型，該模型可以用于提升現(xiàn)有算法的檢測性能。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，每個超像素都采用人工提取的底層顏色、紋理特征進行表征。之后，現(xiàn)有算法產(chǎn)生的顯著圖被作為

2、先驗圖，并在此先驗圖基礎上在多個尺度上選取正、負訓練樣本。這些訓練樣本被用于訓練極限學習機分類器，該分類器可以產(chǎn)生顯著圖。最后，將多尺度顯著圖進行整合得到最后的結果。此外，本算法還提出一種融合機制以利用多種方法的優(yōu)勢產(chǎn)生更準確的結果。
　　本文提出的第二種方法是基于目標候選子空間優(yōu)化的算法。本文在該算法中提出了兩個模塊，即關注語義信息模塊以及關注空間信息模塊，他們的目的是為目標候選區(qū)域尋找一個子集，使該子集中的目標候選屬于顯著目標

3、。關注語義信息模塊使用快速區(qū)域卷積網(wǎng)絡提取高級語義信息以篩選與前景目標具有相似語義含義的候選區(qū)域。而關注空間模塊通過對比度計算估計顯著目標的位置，并通過候選與前景的空間相似性來篩選顯著區(qū)域。這兩個模塊從不同的角度計算顯著性，并能夠產(chǎn)生具有互補特性的顯著圖。因而，本文將兩個模塊的結果融合以提升檢測的性能。
　　為了證實本文提出的算法的有效性，本文采用了大量的實驗對兩個算法進行評測。本文在五個國際公開的顯著性檢測數(shù)據(jù)庫上與其他共24種