基于多示例學(xué)習(xí)的顯著性目標(biāo)檢測(cè).pdf

1、視覺顯著性檢測(cè)就是用計(jì)算機(jī)和成像設(shè)備來(lái)模擬人類的視覺注意系統(tǒng)，快速地從大量景象中提取關(guān)鍵信息，為智能視覺系統(tǒng)提供高效的預(yù)處理。雖然目前顯著性檢測(cè)領(lǐng)域已經(jīng)涌現(xiàn)了大量的算法，但是想要研發(fā)出一個(gè)快速且能處理復(fù)雜圖像的顯著性目標(biāo)檢測(cè)方法仍然存在較大的挑戰(zhàn)。
　　本文提出了一個(gè)新穎的、無(wú)監(jiān)督的顯著性檢測(cè)模型，該模型是基于目標(biāo)候選區(qū)域和多示例學(xué)習(xí)而建立的。目標(biāo)候選區(qū)域指一系列有可能包含目標(biāo)的區(qū)域，被廣泛應(yīng)用在各種視覺任務(wù)中。然而，目前大部分的

2、顯著性目標(biāo)檢測(cè)算法僅僅利用目標(biāo)候選區(qū)域計(jì)算位置先驗(yàn)。本文巧妙地將目標(biāo)候選區(qū)域作為多示例學(xué)習(xí)的示例包，將目標(biāo)候選區(qū)域中包含的超像素作為包中的示例，同時(shí)考慮到了高層次的目標(biāo)信息和中層次的區(qū)域信息。然后通過一個(gè)在多示例學(xué)習(xí)框架下的分類器來(lái)預(yù)測(cè)示例的顯著性標(biāo)簽，這就將顯著性檢測(cè)問題轉(zhuǎn)化為一個(gè)多示例學(xué)習(xí)任務(wù)。該模型是基于包層次的，在尋找決策邊界時(shí)具有一定的靈活性，并且能從模棱兩可的目標(biāo)候選區(qū)域中檢測(cè)出顯著區(qū)域。為了進(jìn)一步提升該算法的檢測(cè)結(jié)果，本文

3、構(gòu)建了一個(gè)傳播顯著性標(biāo)簽的能量函數(shù)，將圖像中的外觀相似性、結(jié)構(gòu)信息平滑和全局獨(dú)特性三個(gè)準(zhǔn)則融合為一個(gè)目標(biāo)函數(shù)，并且求出了閉合解。此外，本文將多示例學(xué)習(xí)嵌入到一個(gè)優(yōu)化機(jī)制中，從現(xiàn)存的顯著性檢測(cè)算法的結(jié)果中獲取訓(xùn)練包，并將訓(xùn)練樣本從容易被分辨的迭代更新為難以區(qū)分的，最終學(xué)習(xí)出一個(gè)強(qiáng)的顯著性分類器。該優(yōu)化模型能極大地提升現(xiàn)存的顯著性目標(biāo)檢測(cè)算法的性能。
　　本文在六個(gè)被廣泛應(yīng)用的顯著性目標(biāo)檢測(cè)數(shù)據(jù)庫(kù)上進(jìn)行了大量的測(cè)試和評(píng)估。首先，為了了