Detecção de região saliente

Prévia do material em texto

Detecção de região saliente
Guilherme F. Silva Vidigal
Sistemas de Informação
1
Resumo
Através de pesquisas, coleta de dados na internet, testes de campo com software Matlab R2017a e partindo de outro artigo já publicado: “Automatic Salient Object Segmentation Based on Context and Shape Prior”, que propõe se um novo algoritmo de segmentação de objeto saliente automático que integre tanto os estímulos salientes de baixo para cima como a forma de nível de objeto anterior, isto é, um objeto saliente possui um limite fechado bem definido. Nossa abordagem é formalizada como uma estrutura de minimização de energia iterativa, levando a segmentação binária do objeto saliente. Essa minimização de energia é inicializada com um mapa de saliência que é computado através de análise de contexto baseada em superpixels de várias escalas. A forma do nível do objeto anterior é então extraída combinando a saliência com a informação do limite do objeto. O mapa de saliência é a atualização prévia de forma após cada iteração. Os resultados experimentais em dois conjuntos de dados públicos de referência mostram que a abordagem proposta no geral é bem eficiente em custos computacionais e operacionais.
No começo, detalhes do curso e/ou livros/materiais necessários para uma aula/projeto.
2
Introdução/Motivação
A detecção de objetos salientes em imagens está aumentando o interesse na pesquisa nos últimos anos, pois pode facilitar substancialmente uma ampla gama de aplicações multimídia baseadas em conteúdo.
O estudo da detecção de objetos salientes visa descobrir as partes mais importantes e informais de uma imagem e está ganhando atenção intensiva à pesquisa nos últimos anos.
Pode servir como base para um grande número de aplicações multimídia, como:
redimensionamento de imagens;
montagem de imagens;
análise de ação;
reconhecimento visual.
A maioria dos modelos de detecção de saliência existentes precisam resolver dois problemas fundamentais:,.
Extrair recursos efetivos para representar a imagem e;
desenvolver um mecanismo ideal para medir a distinção sobre os recursos extraídos.
No começo, detalhes do curso e/ou livros/materiais necessários para uma aula/projeto.
3
Objetivos
Pode servir como base para um grande número de aplicações multimídia, como:
redimensionamento de imagens;
montagem de imagens;
análise de ação;
reconhecimento visual.
A maioria dos modelos de detecção de saliência existentes precisam resolver dois problemas fundamentais:
Extrair recursos efetivos para representar a imagem e;
desenvolver um mecanismo ideal para medir a distinção sobre os recursos extraídos.
No começo, detalhes do curso e/ou livros/materiais necessários para uma aula/projeto.
4
Metodologia Experimental
O que é saliência
Saliência é um atributo de uma região de uma imagem. O atributo de chamar para si a atenção humana de forma reativa. Quando falamos em mapa de saliência nos referimos a um mapeamento que atribui uma importância relativa em cada pixel de uma imagem, que idealmente se agrupa em uma região ou objeto mais importante. Neste sentido, a definição de detecção de saliência aproxima-se daquela de segmentação binária clássica: objeto mais saliente versus fundo da imagem.
Mapa de saliência
É um mapeamento da importância relativa de cada pixel em uma imagem. Em termos matemáticos, dada uma imagem bidimensional I(x, y) como uma foto, um desenho, etc. Um mapa de saliência é a função f (I(x, y)) que calcula a importância relativa de cada pixel da imagem.
No começo, detalhes do curso e/ou livros/materiais necessários para uma aula/projeto.
5
Agora vamos à prática
Primeiro apresentamos três características do objeto saliente, de acordo com essas características, calculamos o mapa de saliência.
Com base na observação, apresentamos três características para definir um objeto saliente:
O objeto saliente é sempre diferente do seu contexto circundante. 
O objeto saliente em uma imagem provavelmente é colocado perto do centro da imagem. 
Um objeto saliente tem um limite fechado bem definido.
No começo, detalhes do curso e/ou livros/materiais necessários para uma aula/projeto.
6
Agora vamos à prática
A primeira característica, baseada em estímulos salientes de baixo para cima, tem sido amplamente estudada. 
Redimensiona-se a imagem original para um tamanho menor, a fim de aliviar o gasto de recurso computacional.
Nossa saliência é definida com base nos superpixels, que são gerados pela fragmentação da imagem.
Uma vez que o número de superpixels em uma imagem é muito menor do que o número de pixels, a saliência de computação no nível da região pode reduzir significativamente o gasto de recursos computacionais.
Assim, podemos produzir um mapa de saliência de resolução total.
No começo, detalhes do curso e/ou livros/materiais necessários para uma aula/projeto.
7
Agora vamos à prática
Comparação visual de mapas de saliência. Na última imagem (a direita) se obtém o resultado esperado pelo algoritmo no método final.
No começo, detalhes do curso e/ou livros/materiais necessários para uma aula/projeto.
8
Conclusão
O mapa de saliência é calculado com base em superpixels de várias escalas, o que prova melhorar significativamente a saliência, através da análise de contexto. E a forma do nível do objeto anterior é extraída combinando a saliência com a informação do limite do objeto. Em seguida, integramos ambos em uma estrutura de minimização de energia iterativa, levando a segmentação binária do objeto saliente, onde a forma anterior encoraja o limite de segmentação a ser alinhado com o contorno saliente. A principal diferença entre nossa abordagem e outros trabalhos utilizados na pesquisa é que consideramos esse nível de objeto antes para definir melhor um objeto saliente. Os resultados experimentais em dois conjuntos de dados de referência mostram que nossa abordagem pode alcançar ótimos resultados finais a um custo baixo de processamento.
No começo, detalhes do curso e/ou livros/materiais necessários para uma aula/projeto.
9