文献

J-GLOBAL ID：201702246586509876   整理番号：17A1773326

isと集合線形模範リグレッサーによる顕著なオブジェクト学習顕著なオブジェクト検出器ではないこと【Powered by NICT】

What is and What is Not a Salient Object? Learning Salient Object Detector by Ensembling Linear Exemplar Regressors

著者 (5件)： Xia Changqun ,  Li Jia ,  Chen Xiaowu ,  Zheng Anlin ,  Zhang Yu
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： CVPR  ページ： 4399-4407  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 何であり何が顕著な対象となっていない発見が,突出対象検出(SOD)の優れた特徴とモデルの開発に役立つことができる。本論文では,新しいSODデータセットの構築に選択し,廃棄されている画像を調べ,多くの類似した候補,複雑な形状と低目的性は多くの非顕著物体の三つの主要な属性であることを見出した。さらに,オブジェクトは,顕著なする多様な属性を持つ可能性がある。その結果,編成線形模範回帰による新しい顕著なオブジェクト検出器を提案した。境界事前分布を用いた信頼性のある前景および背景種子を選択し,局所線形埋め込み(LLE)を採用した多様体保持型foregroundness伝搬を行った。このようにして,foregroundnessマップは,pop out顕著なオブジェクトと多くの類似した候補非顕著ものを抑制するために発生させることができる。さらに,抽出された物体の提案を特性化するために形状,foregroundnessと留意点記述子を抽出し,線形模範回帰は特定の画像における顕著な提案を検出するためにどのように符号化するために訓練した。最後に,種々の線形模範回帰は種々のシナリオに適応する単一検出器を形成するensembled。5データセットと新しいSODデータセット上での包括的実験結果により,提案アプローチでは,9の最先端技術に基づく手法よりも優れていることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *学習 ,  画像 ,  *検出器 ,  コンピュータビジョン ,  信頼性 ,  多様体 ,  *線形性 ,  キャラクタリゼーション ,  モデル ,  符号化
準シソーラス用語： 最先端技術 ,  前景 ,  事前分布 ,  突出し ,  *物体検出 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (6件)： IS ,  集合 ,  線形 ,  オブジェクト ,  学習 ,  オブジェクト検出