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：一种判别区域特征融合方法）---2013

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 = {S₁, S₂, ···, S_M}。S₂是由S₁融合所得，阈值是算法生成的。

为了融合计算，作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自己的计算方式。

1 Regional contrast descriptor： di?(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

最终得到一个显著性区域R = {R₁,R₂, ··· ,R_Q}，与之对应的分数 A = {a₁,a₂, ··· ,a_Q}。

置信度内，背景和目标的比例在百分80以上的区域，将其标记为1和0.

通过随机森林算法得到最终融合的20个特征。

最后的优化部分通过线性组合对显著性map进行更新

损失函数为：

通过最小化损失函数进行迭代更新得到最好的显著性区域map A。

原文地址：https://www.cnblogs.com/ariel-dreamland/p/8933364.html