学习笔记：Salient Object Detection: A Discriminative Regional Feature Integration Approach

本文是显著性目标检测用监督学习的方法来作。

本文采用multi-level segmentation的方法进行分割。其主要思想为：

将原图进行m级分割， S = {S1, S2, ···, SM}。S2是由S1融合所得，阈值是算法生成的。

最终融合得到SM。

为了融合计算，作者提出了特征描述器。提出了三个 Regional contrast descriptor，Regional property descriptor，Regional backgroundness descriptor。

这个三个分别提出了自己的计算方式。

Regional contrast descriptor： diff(vR,vN)。v是由26维的特征组成。

Regional property descriptor：

 34-dimensional组成。

Regional backgroundnessdescriptor：

见表1

最终得到一个显著性的区域R = {R1,R2, ··· ,RQ}，与之对应的分数 A = {a1,a2, ··· ,aQ}。

将置信度内在背景和目标的比例在百分80以上的区域标记为1和0.

通过随机森林算法的到最终融合的20个特征。

最后优化部分是通过线性组合对显著性map更新

损失函数为：

通过最小化损失函数进行迭代更新得到最好的显著性区域map A。