Co-Saliency Detection for RGBD Images Based on Multi-Constraint Feature Matching and Cross Label Propagation
Co-Saliency Detection for RGBD Images Based on Multi-Constraint Feature Matching and Cross Label Propagation
复制标题
基于多约束特征匹配和跨标签传播的RGBD图像共显着性检测
DOI：
10.1109/tip.2017.2763819
复制
发表时间：
2017-10
期刊：
影响因子：
--
通讯作者：
Chunping Hou
中科院分区：
文献类型：
--
作者：
Runmin Cong;Jianjun Lei;Huazhu Fu;Qingming Huang;Xiaochun Cao;Chunping Hou
共显著性检测的目的是从包含两幅或多幅相关图像的图像组中提取共同的显著区域。它是计算机视觉领域的一个新兴课题。与现有的RGB图像共显著性检测方法不同，本文提出了一种新的RGBD图像共显著性检测模型，该模型利用深度信息来增强对共显著性的识别。首先，利用单帧图像显著性模型生成帧内显著性图，利用多约束特征匹配计算帧间显著性图，该特征匹配反映了多幅图像之间的约束关系。然后，使用优化方案，即交叉标签传播，以交叉方式细化帧内和帧间显著性图。最后，将所有原始显著图和优化显著图进行整合以生成最终的共显著结果。该方法引入了深度信息和多约束特征匹配，提高了共显著性检测的性能。此外，该方法可以有效地利用任何现有的单图像显著性模型，以及在共同显着的情况下工作。在两个RGBD共显着性数据集上的实验证明了我们提出的模型的有效性。
Co-saliency detection aims at extracting the common salient regions from an image group containing two or more relevant images. It is a newly emerging topic in computer vision community. Different from the most existing co-saliency methods focusing on RGB images, this paper proposes a novel co-saliency detection model for RGBD images, which utilizes the depth information to enhance identification of co-saliency. First, the intra saliency map for each image is generated by the single image saliency model, while the inter saliency map is calculated based on the multi-constraint feature matching, which represents the constraint relationship among multiple images. Then, the optimization scheme, namely cross label propagation, is used to refine the intra and inter saliency maps in a cross way. Finally, all the original and optimized saliency maps are integrated to generate the final co-saliency result. The proposed method introduces the depth information and multi-constraint feature matching to improve the performance of co-saliency detection. Moreover, the proposed method can effectively exploit any existing single image saliency model to work well in co-saliency scenarios. Experiments on two RGBD co-saliency datasets demonstrate the effectiveness of our proposed model.
登录
查看更多内容
DISC：通过渐进式表示学习进行深度图像显着性计算
DOI：
10.1109/tnnls.2015.2506664
发表时间：
2016-06-01
影响因子：
10.4
作者：
Chen, Tianshui;Lin, Liang;Li, Xuelong
通讯作者：
Li, Xuelong
基于群集的共同检测。
DOI：
10.1109/tip.2013.2260166
发表时间：
2013-10
期刊：
IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
影响因子：
--
作者：
Fu H;Cao X;Tu Z
通讯作者：
Tu Z
DOI：
10.1109/cvpr.2015.7299072
发表时间：
2015-06
期刊：
2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)
影响因子：
--
作者：
H. Fu;Dong Xu;Stephen Lin;Jiang Liu
通讯作者：
H. Fu;Dong Xu;Stephen Lin;Jiang Liu
DOI：
10.1109/icme.2013.6607523
发表时间：
2013-07
期刊：
2013 IEEE International Conference on Multimedia and Expo (ICME)
影响因子：
--
作者：
Xiaochun Cao;Zhiqiang Tao;Bao Zhang;H. Fu;Xuewei Li
通讯作者：
Xiaochun Cao;Zhiqiang Tao;Bao Zhang;H. Fu;Xuewei Li
影响因子：
19.5
作者：
Oliva, A;Torralba, A
通讯作者：
Torralba, A