Image salient object detection algorithm based on adaptative multi-feature template

• Jinping Sun ^[1] ; Enjie Ding ^[1] ; Bo Sun ^[2] ; Lei Chen ^[3] ; Matthew Keith Kerns ^[4]
  1. [1] China University of Mining and Technology

     China University of Mining and Technology

     China

     
  2. [2] Shandong Agricultural University

     Shandong Agricultural University

     China

     
  3. [3] Xuzhou Institute of Technology

     Xuzhou Institute of Technology

     China

     
  4. [4] G2K Equipment and Services LLC. Mckinney. Texas. EEUU

  Mostrar afiliaciones +
• Localización: Revista DYNA, ISSN-e 0012-7361, ISSN 0012-7361, Vol. 95, Nº 6, 2020 (Ejemplar dedicado a: Energías alternativas al cambio clímatico), págs. 646-653
• Idioma: inglés
• Títulos paralelos:
  • Algoritmo de detección de objetos destacados en imágenes basado en una plantilla adaptativa de múltiples características
• Texto completo no disponible (Saber más ...)
• Resumen

  • La detección de objetos destacados en imágenes afectadas por la borrosidad de los bordes del área y la complejidad de la escena tiene varios problemas, como la extracción incompleta de los bordes y las representaciones destacadas borrosas. La fusión de múltiples características destacadas mejora el rendimiento de la detección, pero un algoritmo de fusión inapropiado puede reducir los resultados de la detección. Se propuso un algoritmo de detección de objetos destacados basado en una plantilla adaptativa de múltiples características para resolver la fusión ineficaz de varias características destacadas. En primer lugar, las características (salientes) destacadas de los bordes se obtuvieron utilizando Conv1 y Conv2 en el modelo Resnet50 combinando la información de los bordes locales con la información de localización global de alto nivel. En segundo lugar, aunque algunos atributos como la textura, el contraste de color, los rasgos espaciales y los rasgos de borde destacados se introdujeron en la plantilla multifunción adaptable, estos rasgos se extendieron a todas las capas de los autómatas celulares. La representación final de destacados se obtuvo calculando el histograma del objetivo, el fondo y toda el área de la imagen y generando automáticamente coeficientes de peso de diferentes características según la intersección del histograma. Los resultados muestran que el error absoluto medio (MAE) del algoritmo propuesto es sólo 0,044, mientras que el índice de evaluación global (F-score) llega a 0,899. Así pues, este algoritmo logra una mayor precisión y una mayor tasa de recuperación. La plantilla multifuncional adaptable resuelve eficazmente el problema de la fusión de múltiples características destacadas y puede obtener con precisión las áreas salientes de la imagen. Este estudio proporciona referencias para la segmentación de imágenes, la clasificación de imágenes, el seguimiento de objetos y otros campos de la visión por computadora.