杜杰
,
吴谨
,
朱磊
液晶与显示
doi:10.3788/YJYXS20163101.0117
为了对各类自然场景中的显著目标进行检测,本文提出了一种将图像的深度信息引入区域显著性计算的方法,用于目标检测.首先对图像进行多尺度分割得到若干区域,然后对区域多类特征学习构建回归随机森林,采用监督学习的方法赋予每个区域特征显著值,最后采用最小二乘法对多尺度的显著值融合,得到最终的显著图.实验结果表明,本文算法能较准确地定位RGBD图像库中每幅图的显著目标.
关键词:
目标检测
,
深度信息
,
区域特征
,
随机森林
,
监督学习
李蓉
,
邓春健
,
邹昆
液晶与显示
doi:10.3788/YJYXS20163103.0301
综合分析了常见的基于图像的三维重构方法的优缺点,提出了一种基于单张图像,采用马尔科夫随机场(MRF)推断3D位置和方向的3D重构方法.该算法首先将图片分割成多个小的区域(超像素块),并假定空间场景由许多很小的平面组成,超像素块与平面相互对应,对图像中每个超像素块求取出一组特征向量(纹理、颜色等),使用MRF模型化平面参数之间、超像素特征向量与平面参数之间的关系,采用监督学习的方式求取相关参数,求解MRF模型,并根据平面参数进行场景重建.这种算法不需对场景结构做明确的假定,因此较之以前的方法可以获得更多3D结构细节信息.用该方法对200张图片样本进行验算,样本中有60％实现了较为准确的3D重构.
关键词:
三维重构
,
超像素块
,
最大后验概率
,
监督学习
程藜
,
吴谨
,
朱磊
液晶与显示
doi:10.3788/YJYXS20163107.0726
提出了一种基于结构标签学习的显著性目标检测算法,将结构化学习方法应用到显著性目标检测中.首先从含有标记的图像中随机采集固定大小的矩形区域,并记录其结构标签；然后使用含结构标签的区域特征构建决策树集合；最后采用监督学习的方法对图像进行优化预测,得到最终的显著图.实验结果表明,本文方法能较准确地检测出图像库中图像的显著性区域,在数据库 MSRA5000和 BSD300的 AUC 值分别为0．8918、0．7052,说明本文方法具有较好的显著性检测效果.
关键词:
显著目标检测
,
结构标签
,
决策树
,
监督学习
