2018年4月24日论文阅读

国内精读！title（26）：Salient Object Detection: A Discriminative Regional Feature Integration Approach（显著性检测：一个多特征自适应融合的显著性检测方法）---2013

Abstract ：

本文将显著图计算视为回归（regression）问题；

所提出的方法基于多级图像分割（multi-level image segmentation）;

使用监督学习（supervised learning）的方式学习出区域特征向量（regional feature vector）所对应的显著性得分（saliency score）；

并最终将这些不一样的多级（请注意“多级”一词）分数进行融合，获得显著性图（saliency map）。

本文贡献主要有两点（不翻译是由于英文读起来更容易理解：）

一、Integrates the regional contrast, regional property and regional backgroundness descriptors together to form the master saliency map；

二、 introduce a new regional feature vector, backgroundness, to characterize the background, which can be regarded as a counterpart of the objectness descriptor。

本文提出一种监督学习框架下的显著性检测方法。采用multi-level segmentation的方法进行分割。其主要思想为：

将原图进行m级分割， S = {S ₁, S ₂, ···, S _M}。S ₂是由S ₁融合所得，阈值是算法生成的。

为了融合计算，做者提出了特征描述器。提出了三个 Regional contrast descriptor，Regional property descriptor，Regional backgroundness descriptor。这三个特征描述器分别提出了本身的计算方式。

 

1 Regional contrast descriptor： diff(v ^R,v ^N)。v由26维的特征组成。

 

2 Regional property descriptor，由34-dimensional的特征组成。

 

3 Regional backgroundnessdescriptor：

见表1

最终获得一个显著性区域R = {R ₁,R ₂, ··· ,R _Q}，以及与之对应的分数 A = {a ₁,a ₂, ··· ,a _Q}。

在置信度内，背景和目标的比例在百分之80以上的区域，将其标记为1；不然标记为0.

经过随机森林算法获得最终融合的20个特征。

 

 

最后的优化部分经过线性组合对显著性map进行更新

 

损失函数为：

 

经过最小化损失函数进行迭代更新获得最好的显著性区域map A。