基于简单帧选择的显著性检测方法

提出了一种新颖的视频显著性检测方法。为了提取视频序列中具有高置信度的特征,根据输入帧和输入帧的初始显著图提出一种简单帧选择标准,并使用该简单选择标准挑选出视频序列中比较容易且准确提取前景对象的帧,从简单帧中获得鲁棒的前景背景标签;将图像进行超像素分割,提取时空特征与前景标签输入集成学习模型,经过多核SVM集成学习,最终生成像素级别的显著图,并且由运动特征扩散到整个视频集。各种视频序列的实验结果表明,该算法在定性和定量上优于传统的显着性检测算法。     

图像显著性传播及约束的协同显著性检测*

协同显著性检测是指在一组相关图像中发现共同的显著前景区域。现有方法捕获图像中节点对的关系,利用人类先验知识构建协同显著性检测模型,然而忽略了检测中节点之间的高阶关系,没有挖掘到节点间的潜在联系,从而导致次优的协同显著图。提出了一个新颖的基于超图的种子传播的协同显著性检测框架。具体来说,框架由交叉图像显著性传播和图像内显著性约束组成,前者利用基于单显著图的显著种子点,跨图像交叉传播机制,融合算法检测图像组的协同显著对象并抑制非协同显著对象,获得初步协同显著图;后者再引入图像的凸包先验机制,学习空间分布信息,约束共同背景噪声,抑制相似背景区域,获得更精确的协同显著图。在两个广泛使用的协同显著性检测数据集上进行大量的实验,结果表明,同为无监督模型,相比现存的无监督协同显著性方法,获得了最优的性能。