显著性物体检测与分割

  • 活动时间:2014年9月4日星期4,北京时间20:00开始。
  • 主持人:山世光
  • 主讲人卢湖川李寅程明明,等
  • 专题题目:显著性物体检测与分割

1. 相关文献阅读

2. 讲座资料

3. 代码数据下载

Locations of visitors to this page

24 thoughts on “显著性物体检测与分割

  • September 4, 2014 at 9:18 pm
    Permalink

    显著性分割主流算法的时间效率是什么情况?有没有ms级别且效果不错的算法?

    Reply
    • September 4, 2014 at 9:25 pm
      Permalink

      我们的survey中对现有方法做了评测,后续会放出来。快速算法也有不少,详见:http://mmcheng.net/salobjbenchmark/

      Reply
      • September 4, 2014 at 9:30 pm
        Permalink

        好的。那显著性检测算法的耗时一般是和像素数量呈线性关系吗?

        Reply
    • July 22, 2015 at 1:28 pm
      Permalink

      http://vision.sysu.edu.cn/project/PISA/ 给出了图像显著物体检测的源代码(在六个公共数据集上:效果好的state-of-arts中速度最快,速度快的state-of-arts中效果最好),发表于IEEE T IMAGE PROCESS 2015。 此外,还给出了一个以淘宝商品为显著物体的数据集,不同于目前所有的自然场景数据集,可作为新的评测标准。

      Reply
  • September 4, 2014 at 9:29 pm
    Permalink

    卢老师,我觉得稀疏重构做显著性的时候会出现对前景噪声很敏感,这不是稀疏表达的问题,而是用于表达的字典的问题,如果直接用图像边界的超像素做了字典,确实会出现这种现象,但是要是对他们进行字典学习,可能就解决这个问题了,也许就能够一步完成sparse和dense重构的效果。

    Reply
    • September 4, 2014 at 9:38 pm
      Permalink

      我们之后做了一个工作,就是学习了一下sparse 的字典,结果好了很多。说明字典学习确实能提高性能。

      Reply
  • September 4, 2014 at 9:31 pm
    Permalink

    程老师,问下您提到的CVPR 2012那篇特别值得一看的论文是哪篇?就是用显著性检测的结果来训练分类器的,如果我没有听错的话。

    Reply
    • September 4, 2014 at 9:39 pm
      Permalink

      那篇文章是将显著性检测结果高的区域看做正样本,低的看做负样本,用来训练检测器

      Reply
      • September 4, 2014 at 9:43 pm
        Permalink

        那输入给分类器的是原来的整张图像还是局部区域?之后分类器是对于新的图像或区域,然后预测其中的每一个像素的显著性值吗?具体的论文标题是什么?

        Reply
        • September 4, 2014 at 9:50 pm
          Permalink

          输入给分类器的是bounding box,是利用显著性目标检测的结果。unsupervised object class discovery via saliency-guided multiple class learning, cvpr 2012

          Reply
    • September 4, 2014 at 9:50 pm
      Permalink

      CVPR 2012 屠卓文老师组的文章:http://jiajunwu.com/projects/bmcl.html

      Reply
  • September 4, 2014 at 9:35 pm
    Permalink

    碰到一个问题,大量的视频,如何从中截取其中最佳的代表帧? 感觉与人脸,显著性区域检测,还有图像的清晰度评价有关。有谁能给个建议,图像的清晰度如何来评价呢? 有了显著区,怎样的是有代表的帧呢?

    Reply
    • September 4, 2014 at 9:35 pm
      Permalink

      就是在一个视频中,选取最具代表的一帧,作为海报

      Reply
  • September 5, 2014 at 9:23 am
    Permalink

    一般的物体检测与显著性物体检测的最重要的区别是在哪里呢?如果说一般性的物体检测做的很好的情况下,比如说场景中的大部分object都能给框出来并且能给定label,(看着今年ILSVRC2014上的object dection的的MAP都刷的很高),那么显著性物体检测是不是就没有没有那么重要了呢?

    Reply
    • September 5, 2014 at 9:49 am
      Permalink

      今年在imagenet上的算法,大多数采用object proposal(objectness)加速,实际上objectness和以前的boosting算法检测人脸之类的有类似之处。boosting检测人脸一般最开始的week classifier也是根据一些十分简单的feature,过滤掉大多数明显不是人脸的区域,后边的classifier选择的特征越来越复杂,时间复杂度也就高了,但是windows已经过滤到很少了。现在objectness一个道理,就是利用简单的方法,过滤掉明显不是目标的区域

      Reply
      • September 5, 2014 at 2:20 pm
        Permalink

        我说的不是指objectness这个方法,是指的显著性物体检测这个问题。我是想说为什么要突出显著性这个问题呢?如果常规的物体检测能解决的很好话,似乎显著不显著就没那么重要了?

        Reply
        • September 5, 2014 at 3:28 pm
          Permalink

          实际,我意思是objectness是利用或者借鉴了salient object detection的思想的, 也可以算一类性质的pre-processing的方法。比如,最开始的what is an object, 基本就是利用saliency的一些prior。 再比如,object肯定要和周围有个强对比度和封闭的强边缘,而这也是saliency最基本和常用的定义,也就是说saliency和objectness基本相通, 只不过目前saliency的算法,对多目标效果一般,而这是objectness要解决的。当然,一个图像中的多个object有显著强弱的区别,如果涉及到具体应用这个还是有用的,比如depth的估计,或者auto focus,需要对一个最关注的目标(如人物照片的人)进行突出,其他区域都进行blur

          Reply
    • September 9, 2014 at 9:36 pm
      Permalink

      一方面,不是图像中所有物体都是“显著的”。另一方面,从应用的角度讲,很多显著性物体检测算法不需要对每一种待检测类别label大量的数据做training,在很多应用中更衣用。

      Reply
  • June 9, 2015 at 4:22 pm
    Permalink

    卢老师,您那个关于稠密和稀疏重构的图像显著性检测算法的代码怎么找不到相关的页面啊?您可以给一份吗?我想参考一下,谢谢了

    Reply

Leave a Reply

Your email address will not be published. Required fields are marked *