基于引導學習和局部約束線性編碼的顯著性檢測算法研究.pdf

1、傳統(tǒng)的顯著性目標檢測算法習慣于應用圖像底層特征，或者采用大量的含有人工標注真值的樣本圖像訓練一個高層學習模型。然而在本文中，我們提出了兩種顯著性檢測方法，其中既應用了底層特征，同時也研究開發(fā)了無需人工標簽的學習模型。第一種方法為基于引導學習的模型，該方法包含了弱顯著性檢測模型和強顯著性檢測模型兩部分，步驟如下:首先，我們基于圖像先驗信息以及區(qū)域?qū)Ρ榷刃畔嫿ㄈ躏@著圖，該圖為之后的強顯著性檢測模型提供可靠的訓練樣本。其次，利用上述方法在同

2、一張圖片的多個尺度內(nèi)提取樣本集合，并根據(jù)該樣本采用多核學習增強的方法訓練得到一個強顯著性檢測模型，再將該模型應用到該圖片的所有測試樣本中，得到強顯著圖。然后，融合多尺度的強顯著圖進一步提高顯著圖的準確性。最后，我們結合弱顯著圖與強顯著圖作為基于引導學習方法的最終顯著圖。
　　另外一種算法是基于局部約束線性編碼方法，該方法結合了局部與全局特征進行顯著性目標檢測，步驟如下:首先，通過考慮基于底層特征的全局信息構建一個自底向上的顯著性檢

3、測模型，與第一種方法的弱顯著圖類似，自底向上的顯著圖為之后的基于編碼的方法提供前景以及背景字典。接下來，本文采用基于局部約束線性編碼方法，根據(jù)重構誤差構建自頂向下的顯著圖。最后，結合自底向上以及自頂向下的兩種顯著圖得到最終的顯著性檢測結果。
　　本文在六個公開的顯著性檢測數(shù)據(jù)庫上對本文提出的算法以及19種國際領先的算法進行對比評測，評測標準為該領域廣泛應用的三種方法:準確率-召回率曲線(P-R)、ROC曲線下面積(AUC)以及F-