Adaptive Metric Learning for Saliency Detection
Adaptive Metric Learning for Saliency Detection
复制标题
用于显着性检测的自适应度量学习
DOI：
10.1109/tip.2015.2440755
复制
发表时间：
2015-06
期刊：
影响因子：
--
通讯作者：
Brian Price
中科院分区：
文献类型：
--
作者：
Shuang Li;Huchuan Lu;Zhe Lin;Xiaohui Shen;Brian Price
在本文中，我们提出了一种新的自适应度量学习算法（AML）的视觉显著性检测。一个关键的观察是，超像素的显着性可以通过与最确定的前景和背景种子的距离来估计。我们提出了一种基于两个互补的马氏距离度量的学习方法，而不是在欧氏空间上测量距离：1）通用度量学习（GML）和2）特定度量学习（SML）。GML针对整个训练集的全局分布，而SML考虑单个图像的特定结构。考虑到多个不同视角的相似性度量可以增强相关信息，减少无关信息，我们尝试将GML和SML融合在一起，实验结果表明融合效果良好。与现有的直接基于低层特征的方法不同，我们设计了一种超像素Fisher矢量编码方法，以更好地区分显著对象和背景。我们还提出了一个准确的种子选择机制，并利用上下文和多尺度信息时，构建最终的显着图。在不同图像集上的实验结果表明，所提出的AML对国家的艺术表现良好。
In this paper, we propose a novel adaptive metric learning algorithm (AML) for visual saliency detection. A key observation is that the saliency of a superpixel can be estimated by the distance from the most certain foreground and background seeds. Instead of measuring distance on the Euclidean space, we present a learning method based on two complementary Mahalanobis distance metrics: 1) generic metric learning (GML) and 2) specific metric learning (SML). GML aims at the global distribution of the whole training set, while SML considers the specific structure of a single image. Considering that multiple similarity measures from different views may enhance the relevant information and alleviate the irrelevant one, we try to fuse the GML and SML together and experimentally find the combining result does work well. Different from the most existing methods which are directly based on low-level features, we devise a superpixelwise Fisher vector coding approach to better distinguish salient objects from the background. We also propose an accurate seeds selection mechanism and exploit contextual and multiscale information when constructing the final saliency map. Experimental results on various image sets show that the proposed AML performs favorably against the state-of-the-arts.
登录
查看更多内容
DOI：
10.1145/1390156.1390302
发表时间：
2008-07
期刊：
--
影响因子：
--
作者：
Kilian Q. Weinberger;L. Saul
通讯作者：
Kilian Q. Weinberger;L. Saul
DOI：
10.1109/cvpr.2009.5206596
发表时间：
2009-06
期刊：
2009 IEEE Conference on Computer Vision and Pattern Recognition
影响因子：
--
作者：
R. Achanta;S. Hemami;F. Estrada;S. Süsstrunk
通讯作者：
R. Achanta;S. Hemami;F. Estrada;S. Süsstrunk
DOI：
10.1109/icip.2012.6467052
发表时间：
2012-09
期刊：
2012 19th IEEE International Conference on Image Processing
影响因子：
--
作者：
Jing Sun;Huchuan Lu;Shifeng Li
通讯作者：
Jing Sun;Huchuan Lu;Shifeng Li
影响因子：
10.6
作者：
Jingang Sun;Huchuan Lu;Xiuping Liu
通讯作者：
Jingang Sun;Huchuan Lu;Xiuping Liu
DOI：
10.1109/34.730558
发表时间：
1998-11-01
影响因子：
23.6
作者：
Itti, L;Koch, C;Niebur, E
通讯作者：
Niebur, E