点击上方蓝字
关注我们
导
读
近年来,随着监督显著性物体检测算法的发展,其在基准数据集的性能有了显著的提升。然而,大多数现有的显著性物体检测模型假设输入图像中存在至少一个显著性对象。这样的假设经常导致在不包含显著性物体的背景图像上得到错误的显著性图。因此,如果模型可以更好的处理这些情况,则模型的误报率就会显著的降低。在本文中,我们提出了一种监督学习方法,联合解决显著性物体检测和存在性预测问题。给定一组仅有背景的图像和具有标注的包含显著性物体的图像,我们采用结构化支持向量机框架,并在单个目标函数中联合建模这两个问题:包含超像素的显著性标签的分类项(该项以显着对象存在变量为条件,该变量依赖于全局图像和区域显着特征)以及显著性标签分配。损失函数还考虑图像级别和区域级别的错误分类。对基准数据集的广泛评估验证了我们提出的联合方法与基线和最先进模型相比的有效性。源代码和数据可在http://mmcheng.net/salexist/获得。
文章精要
请长按下方二维码识别,阅读该文。
相关内容推荐:
【FCS 人工智能专栏】基于不定核的大间隔聚类算法研究 2019 13(4):813-827
【FCS优秀青年计算机科学家论坛】李宇峰:安全半监督学习综述 2019 13(4):669-676
CodeAttention:基于代码结构信息的代码注释自动生成 2019 13(3):565-578
基于非负局部约束词汇树的指静脉图像检索 2019 13(2):318-332
基于标记分布学习的软视频行为解析 2019 13(2):302-317
随机局部搜索求解最大可满足性问题的经验研究 2019 13(1):86-98
基于情感信息和神经网络模型的立场分析 2019 13(1):127-138
Frontiers of Computer Science
Frontiers of Computer Science (FCS)是由教育部主管、高等教育出版社和北京航空航天大学共同主办、SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊,双月刊,全球发行。主要刊登计算机科学领域具有创新性的综述论文、研究论文等。本刊主编为周志华教授,共同主编为熊璋教授。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和中国科学引文数据库(CSCD)核心库等收录,为 CCF 推荐期刊;两次入选“中国科技期刊国际影响力提升计划”;入选“第4届中国国际化精品科技期刊”。
长按二维码关注Frontiers of Computer Science公众号