دانلود مقاله ترجمه شده رتبه‌بندی برجستگی

چکیده

بیشتر الگوریتم‌های پایین‌به‌بالا، برجستگی پیش‌زمینه‌ی یک پیکسل یا ناحیه را بر اساس تمایز آن در یک زمینه‌ی محلی یا کل تصویر می‌سنجند. در حالی که روش‌های کمی بر روی قطعه‌بندی نواحی پس‌زمینه و درنتیجه اشیاء برجسته تمرکز می‌کنند. ما در این کار به جای این که فقط تمایز بین اشیاء برجسته و نواحی پیرامون آن‌ها را در نظر بگیریم، هم نشانه‌های پس‌زمینه و هم نشانه‌های پیش‌زمینه را مد نظر قرار قرار می‌دهیم. از طریق رتبه‌بندی manifold مبتنی بر گراف، شباهت اجزاء تصویر را با نشانه‌های پیش‌زمینه یا پس‌زمینه رتبه‌بندی می‌نماییم. برجستگی اجزاء تصویر بر اساس ارتباط آن‌ها با seedها یا پرس‌وجوهای مفروض تعریف می‌شوند. تصویر را به صورت یک گراف چندمقیاسه بازنمایی می‌کنیم که رئوس آن ابرپیکسل‌های ریز و نواحی درشت هستند. این رئوس با استفاده از ماتریس‌هایaffinity  بر اساس شباهت به پرس‌وجوهای پس‌زمینه یا پیش‌زمینه رتبه‌بندی می‌گردند. تشخیص برجستگی به یک روش آبشاری برای استخراج کارای نواحی پس‌زمینه و اشیاء برجسته‌ی پیش‌زمینه انجام می‌شود. نتایج تجربی نشان می‌دهند که عملکرد روش پیشنهادی از نظر دقت و سرعت نسبت به روش‌های مدرن خوب است. هم‌چنین یک مجموعه‌داده‌ی محک جدید حاوی 5,168 تصویر برای ارزیابی مقیاس بزرگ کارایی روش‌های تشخیص برجستگی ارائه می‌کنیم.

1- مقدمه

سامانه‌ی بینایی انسان با استفاده از توجه دیداری انتخابی می‌تواند اشیاء برجسته را در یک صحنه‌ی دیداری درهم تشخیص دهد. این توانایی در سامانه‌های محاسباتی دیداری برای اداره کردن مسأله‌ی اطلاعات بیش از حد، اهمیت فراوانی دارد. هدف از تشخیص برجستگی، شبیه‌سازی توجه دیداری انتخابی انسان برای شناسایی مهم‌ترین و بامعنی‌ترین بخش‌های یک صحنه است. تشخیص برجستگی به طور گسترده بر روی مسائل بینایی زیادی شامل مواردی مانند قطعه‌بندی تصویر [1]، تشخیص اشیاء [2]، فشرده‌سازی تصویر [3] و بازیابی مبتنی بر محتوای تصویر [4] اعمال شده است.

به طور کلی می‌توان تشخیص برجستگی را به مدل‌های پایین‌به‌بالا یا بالابه‌پایین دسته‌بندی کرد. روش‌های پایین‌به‌بالا [1]، [5]-[21] سریع، داده‌محور و پیش‌توجه هستند. این روش‌ها به وسیله‌ی تمایز یا نادر بودن دیداری و با استفاده از اطلاعات سطح پایین تصویر مانند تمایز (کنتراست)، رنگ، بافت و مرز، برجستگی را مدل می‌کنند. مدل‌های بالا‌به‌پایین [22]، [23] توجه دیداری وظیفه‌محور را تحلیل می‌نمایند که اغلب مستلزم یادگیری نظارتی از روی علامت دسته از مجموعه‌ای از نمونه‌های آموزشی است. یادآوری می‌کنیم که مدل‌های برجستگی برای پیش‌بینی توجه دیداری با تثبیت چشم (خیره شدن به یک نقطه) در بینایی انسان [5]-[10]،[24] و تشخیص اشیاء برجسته در بینایی رایانه [13]، [14]، [16] و [23] ایجاد شده‌اند. ما در این کار یک مدل پایین‌به‌بالا برای تشخیص اشیاء برجسته در تصاویر ارائه می‌کنیم....