Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
3D Shapes Isometric Deformation Using in-tSNE Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

A Comparative Study of Saliency Aggregation for Salient Object Detection

verfasst von : Shuhan Chen, Ling Zheng, Xuelong Hu, Ping Zhou

Erschienen in: Image and Graphics

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

A variety of saliency detection methods have been proposed in recently, which often complement each other. In this study, we try to improve their performances by aggregating these individual ones. First, we propose an improved Bayes aggregation method with double thresholds. Then, we compare it with five other aggregation approaches on four benchmark datasets. Experiments show that all the aggregation methods significantly outperform each individual one. Among these aggregation methods, average and Non-negative Matrix Factorization (NMF) weights perform best in terms of precision-recall curve, our Bayes is very close to them. While for mean absolute error score, NMF and our Bayes perform best. We also find that it is possible to further improve their performance by using more accurate reference map. The ideal is ground truth, of course. Our results could have an important impact for applications required robust and uniform saliency maps.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Combination Method of Edge Detection and SVM Filtering for License Plate Extraction
Nächstes Kapitel A Digital Watermarking Algorithm for Trademarks Based on U System
Literatur
1.
Itti, L., Koch, C.: Computational modeling of visual attention. Nat. Rev. Neurosci. 2, 194–203 (2001)CrossRef
2.
Hou, X., Zhang, L.: Saliency detection: a spectral residual approach. In: CVPR (2007)
3.
Cheng, M.-M., Zhang, G.-X., Mitra, N.J., Huang, X., Hu, S.-M.: Global contrast based salient region detection. In: CVPR (2011)
4.
Cheng, M.-M., Zhang, Z., Lin, W.-Y., Torr, P.: BING: binarized normed gradients for objectness estimation at 300fps. In: CVPR (2014)
5.
Mai, L., Niu, Y., Liu, F.: Saliency aggregation: a data-driven approach. In: CVPR (2013)
6.
Li, X., Lu, H., Zhang, L., Ruan, X., Yang, M.-H.: Saliency detection via dense and sparse reconstruction. In: ICCV (2013)
7.
Le Meur, O., Liu, Z.: Saliency aggregation: does unity make strength? In: Cremers, D., Reid, I., Saito, H., Yang, M.-H. (eds.) ACCV 2014. LNCS, vol. 9006, pp. 18–32. Springer, Heidelberg (2015)
8.
Borji, A., Sihite, D.N., Itti, L.: Salient object detection: a benchmark. In: Fitzgibbon, A., Lazebnik, S., Perona, P., Sato, Y., Schmid, C. (eds.) ECCV 2012, Part II. LNCS, vol. 7573, pp. 414–429. Springer, Heidelberg (2012)CrossRef
9.
Achantay, R., Hemamiz, S., Estraday, F., Susstrunk, S.: Frequency-tuned salient region detection. In: CVPR (2009)
10.
Yang, C., Zhang, L., Lu, H., Ruan, X., Yang, M-H.: Saliency detection via graph-based manifold ranking. In: CVPR (2013)
11.
Jiang, B., Zhang, L., Lu, H., Yang, M.-H., Yang, C.: Saliency detection via absorbing Markov chain. In: ICCV (2013)
12.
Jiang, H., Wang, J., Yuan, Z., Wu, Y., Zheng, N., Li, S.: Salient object detection: a discriminative regional feature integration approach. In: CVPR (2013)
13.
Zhu, W., Liang, S., Wei, Y., Sun, J.: Saliency optimization from robust background detection. In: CVPR (2014)
14.
Cheng, M.-M., Mitra, N.J., Huang, X., Torr, P.H.S., Hi, S.-M.: Global contrast based salient region detection. IEEE Trans. Pattern Anal. Mach. Intell. 37(3), 569–582 (2015)CrossRef
15.
Yan, Q., Xu, L., Shi, J., Jia, J.: Hierarchical saliency detection. In: CVPR (2013)
16.
Liu, T., Sun, J., Zheng, N.-N., Tang, X., Shum, H.-Y.: Learning to detect a salient object. In: CVPR (2007)
17.
Borji, A., Cheng, M.-M., Jiang, H., Li, J.: Salient object detection: a benchmark. arXiv eprint (2015)
18.
Roweis, S., Saul, L.: Nonlinear dimensionality reduction by locally linear embedding. Science 5500, 2323–2326 (2000)CrossRef
19.
Lee, D.D., Seung, H.S.: Algorithms for non-negative matrix factorization. In: NIPS (2000)
20.
Liu, R., Cao, J., Lin, Z., Shan, S.: Adaptive partial differential equation learning for visual saliency detection. In: CVPR (2014)
21.
Chen, S.-H., Shi, W.-R., Zhang, W.-J.: Visual saliency detection via multiple background estimation and spatial distribution. Optik 125(1), 569–574 (2014)CrossRefMathSciNet
22.
Perazzi, F., Krahenbuhl, P., Pritch, Y., Hornung, A.: Saliency filters: contrast based filtering for salient region detection. In: CVPR (2012)
23.
Borji, A., Cheng, M.-M., Jiang, H., Li, J.: Salient object detection: a survey. arXiv eprint (2014)
24.
Movahedi, V., Elder, J. H.: Design and perceptual validation of performance measures for salient object segmentation. In: POCV, pp. 49–56 (2010)
25.
Jiang, H., Yuan, Z., Cheng, M.-M., Gong, Y., Zheng, N., Wang, J.: Salient object detection: a discriminative regional feature integration approach. arXiv (2014)
Metadaten
Titel
A Comparative Study of Saliency Aggregation for Salient Object Detection
verfasst von
Shuhan Chen
Ling Zheng
Xuelong Hu
Ping Zhou
Copyright-Jahr
2015
Buch
Image and Graphics

Print ISBN: 978-3-319-21977-6

Electronic ISBN: 978-3-319-21978-3

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-21978-3_4

Premium Partner

    Bildnachweise