1. 本文实在10年的ACM MM会议论文的基础上进行扩展的
2. 显著性计算过程:
- 用adaptive mean shift进行超像素分割
- 用平均颜色表示超像素
- 将超像素集合做为GMM的输入,得到K个cluster
- 计算每一个cluster的compatness,并作为cluster的显著性 (假设:背景区域很分散,而对象区域很集中。故cluster的空间分布越是紧密,越显著)
- 对每一个cluter进行PageRank(CVPR13有一篇论文就是采用的Manifolds Rank,具有一定的相似性)
- 计算最终的显著性,即超像素的显著性=sum(超像素属于cluster i的概率*cluster k的PageRank)
3. 对象识别
传统框架:Sparse Coding + SVM
在学习字典的时候,目标函数中加入了显著性做为权重,但是对目标函数的优化方法不影响
本文来自:http://www.cnblogs.com/qingliu411/p/3541458.html