Saliency detection using sparse and nonlinear feature representation.
Saliency detection using sparse and nonlinear feature representation.
复制标题
使用稀疏和非线性特征表示的显着性检测
DOI：
10.1155/2014/137349
复制
发表时间：
2014
影响因子：
--
通讯作者：
Khan SI
中科院分区：
文献类型：
--
作者：
Anwar S;Zhao Q;Manzoor MF;Khan SI
视觉显著性检测的一个重要方面是如何表示形成输入图像的特征。一种流行的理论支持稀疏特征表示，图像用具有稀疏加权系数的基字典表示。另一种方法使用图像特征的非线性组合来表示。在我们的工作中，我们联合收割机的两种方法，并提出了一个计划，利用稀疏和非线性特征表示。为此，我们使用独立成分分析（ICA）和协变矩阵，分别。为了计算显着性，我们使用生物学上合理的中心环绕差异（CSD）机制。我们的稀疏特征本质上是自适应的; ICA基函数在每个图像表示中都是学习的，而不是固定的。我们表明，自适应稀疏特征与CSD机制一起使用时，会产生更好的结果相比，固定的稀疏表示。我们还表明，协变矩阵组成的非线性整合的颜色信息本身就足以有效地估计显着性的图像。然后，针对人眼注视预测、对心理模式的响应以及在知名数据集上的显著对象检测来评估所提出的双重表示方案。我们的结论是，有两种形式的代表互补，并导致更好的显着性检测。
An important aspect of visual saliency detection is how features that form an input image are represented. A popular theory supports sparse feature representation, an image being represented with a basis dictionary having sparse weighting coefficient. Another method uses a nonlinear combination of image features for representation. In our work, we combine the two methods and propose a scheme that takes advantage of both sparse and nonlinear feature representation. To this end, we use independent component analysis (ICA) and covariant matrices, respectively. To compute saliency, we use a biologically plausible center surround difference (CSD) mechanism. Our sparse features are adaptive in nature; the ICA basis function are learnt at every image representation, rather than being fixed. We show that Adaptive Sparse Features when used with a CSD mechanism yield better results compared to fixed sparse representations. We also show that covariant matrices consisting of nonlinear integration of color information alone are sufficient to efficiently estimate saliency from an image. The proposed dual representation scheme is then evaluated against human eye fixation prediction, response to psychological patterns, and salient object detection on well-known datasets. We conclude that having two forms of representation compliments one another and results in better saliency detection.
登录
查看更多内容
DOI：
10.1109/tpami.2012.89
发表时间：
2013-01-01
影响因子：
23.6
作者：
Borji, Ali;Itti, Laurent
通讯作者：
Itti, Laurent
用于视频中视觉显着性估计的概率多任务学习
影响因子：
19.5
作者：
Li, Jia;Tian, Yonghong;Gao, Wen
通讯作者：
Gao, Wen
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
影响因子：
1.8
作者：
Itti L;Baldi P
通讯作者：
Baldi P
DOI：
10.1109/tpami.2006.86
发表时间：
2006-05-01
影响因子：
23.6
作者：
Le Meur, O;Le Callet, P;Thoreau, D
通讯作者：
Thoreau, D