显著性检测算法学习阶段论文总结(3)

1.Saliency Detection via Dense and Sparse Reconstruction, X. Li, H. Lu, L. Zhang, ICCV2013.
　　这篇文章以稀疏表示分类（SRC）原理为基础，对分割图中的超像素进行稠密和稀疏重构，并通过多尺度重构残差建立显著图。这篇文章对与稀疏在显著性方面的应用值得参考，其大致流程如图所示。
　　
下面对论文核心部分进行简单说明。
(1) 论文首先利用SLIC算法将原图进行多尺度分割，并取图像边界超像素作为背景样本集B=[b1,b2,...,bM]。
(2)重构误差：接着对每个超像素计算重构误差，包括两方面；
a.稠密重构误差，首先利用PCA（主成份分析）对背景样本集B 进行降维处理，计算其特征向量UB=[u1,u2,...,uD′], 然后根据一下两个公式计算稠密重构误差：

βi=U⊤B(xi−x¯)εdi=||xi−(UBβi+x¯)||22

这里的x¯ 表示所有超像素的平均特征。
b.稀疏重构误差，该部分利用SRC的基本原理，以背景样本集为字典对超像素进行稀疏重构，其重构公式如下：

αi=argminαi||xi−Bαi||22+λ||αi||1εsi=||xi−Bαi||22

(3) 在得到上述两个重构误差后，论文首先对它们进行了一个基于上下文的平滑处理（其实就是先聚类，然后在特征空间中去相邻区域进行一个加权均值处理）。最后，为得到一个全分辨率的显著图，论文以贝叶斯推断和高斯模型为基础进行了多尺度的误差融合（具体流程见论文，后面这部分可以作为算法后期处理参考，可改进的地方不多，不过过多叙述）。
下面贴一些该算法的结果：

论文地址：Saliency Detection via Dense and Sparse Reconstruction
类似论文：

a. Saliency Detection via Sparse Reconstruction and Joint Label Inference in Multiple Features
b. Salient object detection based on sparse representation with image-specific prior
c. Improving Bottom-up Saliency Detection by Looking into Neighbors

2. A Unified Approach to Salient Object Detection via Low Rank Matrix Recovery, Xiaohui Shen and Ying Wu, CVRP2012
　　这篇论文与上一篇都使用了稀疏的理论，但是与之前不同的是该文章使用的是低秩恢复而非稀疏重构，其核心思想是将输入图片表示为一个低秩矩阵，而显著目标则认为是稀疏噪声。论文再通过低秩恢复（RPCA;范数规则化）。基于低秩恢复是底层显著图，同时论文还加入了高层先验：
(1) 首先论文从原图中提取出每个像素的53维特征，构建低秩矩阵。这53维特征包括：
a. 颜色特征：这里我们首先提取RGB三通道的颜色信息，此外还有原图像的色度和饱和度分量，将其归一化后就可得到5维的颜色特征。
b. 可控金字塔：该部分是在原图的三个尺度层面上，对四个方向使用可控金字塔滤波，从而得到12维的图像信息特征。
c. Gabor滤波器：是对图像纹理特征提取，算法中对从三个尺度上分别提取出12维的方向特征，得到共36为的方向信息。在实验中，设定最小滤波器的宽度为8，其比例因数设为2.
(2)低秩恢复： 得到图像特征后论文首先对该特征进行了一个线性变换 F′=FT, 这里T是变换矩阵。此后再利用RPCA对低秩矩阵（特征矩阵）恢复，所得的稀疏噪声E 就是对应超像素的底层显著值。
(3) 高层先验： 该算法中的高层先验有三个因素构成，即位置先验（显著目标通常处于图像中心）、图像含义（比如图像中的人脸更可能是目标）、颜色先验（暖色比如红色黄色更易引起注意）。
(4) 得到(2), (3)后论文将两者融合后就得到了最终的显著图（融合部分这里不在说明），其部分检测结果如下图：

论文地址：A Unified Approach to Salient Object Detection via Low Rank Matrix Recovery

3. Salient Object Detection:A Benchmark, Ali Borji, DickyN.Sihite, Laurent Itti, ECCV2012

1.主要贡献：一篇关于显著性模型的综合论文，总结了自2011年以及之前发表的，能容易得到的（代码或者Saliency Map），具有很好的准确率的，或者具有很高引用率的模型。

2.全文共用5个数据库：MSRA，ASD，SED1，SED2，SOD（这个五个数据 库都是包含物体的数据库，该文的重点也是考察包含物体的数据库上比较各 个模型）。
具体参见博客：http://www.cnblogs.com/hSheng/archive/2012/12/06/2804385.html
此外还可以参考程明明的：Salient Object Detection: A Benchmark

Tips：关于显著性检测的我认为比较有价值的论文就写到这了，此外为了方便大家了解其经典论文，可以去看看一下这两片博客：
a. 显著性论文学习阶段总结（一）
b. 显著性论文学习阶段总结（二）