文献

J-GLOBAL ID：201702252471571688   整理番号：17A1029070

連続条件付きランダム場完全学習による突出性検出【Powered by NICT】

Saliency Detection by Fully Learning a Continuous Conditional Random Field

著者 (3件)： Fu Keren (Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University, Shanghai, China) ,  Gu Irene Yu-Hua (Department of Signals and Systems, Chalmers University of Technology, Gothenburg, Sweden) ,  Yang Jie (Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University, Shanghai, China)
資料名： IEEE Transactions on Multimedia  (IEEE Transactions on Multimedia)
巻： 19  号： 7  ページ： 1531-1544  発行年： 2017年 
JST資料番号： W1116A  ISSN： 1520-9210  CODEN： ITMUF8  資料種別： 逐次刊行物 (A)
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： 顕著なオブジェクト検出は,シーンを見る場合,人間の目は最もに焦点を当てているオブジェクトの検出およびセグメンテーションを目的としている。最近,条件付き確率場(CRF)は,新たな関心を集め,この分野に利用されている。しかし,重要なパラメータを有する単一要素とペアワイズポテンシャルとCRFを利用するとき,ほとんどの既存の方法は,手動で設計パラメータを利用するだけの,または単項ポテンシャルに対する部分的にパラメータを学習する。顕著性推定は連続標識問題であることを,本論文では,特別なCRFフレームワーク,いわゆる連続CRF(C CRF)に基づく新しいデータ駆動方式を提案し,単一要素とペアワイズ両ポテンシャルのパラメータを共同学習した。提案したCCRF学習は顕著なオブジェクトを発見するために対キューを持つ種々の単項顕著性特徴を統合するために最適な方法を提供した。著者らの知る限り,提案した方式は,顕著性検出のためのCCRFを完全に学ぶ最初のものである。添加では,スーパーピクセルグラフ上の異なる空間範囲のための学習重みを可能にする対ポテンシャルの新しい定式化を提案した。提案したCCRF学習に基づく顕著性モデルを六つのベンチマークデータセットで試験し,11の既存の方法と比較した。結果と比較により,再現率とF測定に関して提案した方法に更なる支持を提供した。CCRFを通した対キューを持つ既存顕著性モデルを組み込んだ個別のモデルに対し,顕著なブースティング性能を与えることを示した。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： 待ち行列 ,  *学習 ,  定式化 ,  セグメンテーション ,  モデル
準シソーラス用語： ブースティング ,  再現率 ,  対ポテンシャル ,  協調学習 ,  データ駆動 ,  設計変数 ,  条件つき確率場 ,  物体検出 ,  *突出し ,  *確率場 , 【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 (2件)： ランダム場 ,  学習