显著性物体检测与分割-CSDN博客

http://valse.mmcheng.net/salobj/

显著性物体检测与分割

活动时间：2014年9月4日星期4，北京时间20:00开始。
主持人：山世光
主讲人：卢湖川，李寅，程明明，等
专题题目：显著性物体检测与分割

1. 相关文献阅读

Salient Object Detection: A survey. Ali Borji, Ming-Ming Cheng, Huaizu Jiang, Jia Li. Techniqual report. [pdf]
Global Contrast based Salient Region Detection. Ming-Ming Cheng, Niloy J. Mitra, Xiaolei Huang, Philip H. S. Torr, Shi-Min Hu. IEEE TPAMI, 2014. [pdf] [Project page, code, data] [Bib]
Salient Object Detection: A Discriminative Regional Feature Integration Approach, Huaizu jiang, Jingdong Wang, Zejian Yuan, Yang Wu, Nanning Zheng, Shipeng Li, in CVPR, 2013.
Chuan Yang, Lihe Zhang, Huchuan Lu, Minghsuan Yang, Saliency Detection via Graph-Based Manifold Ranking, CVPR2013，P3166-3173 [PDF] [C++ Code][CODE]
Yin Li, Xiaodi Hou, Christof Koch, James M. Rehg, Alan L. Yuille. The Secrets of Salient Object Segmentation, CVPR 2014.

2. 讲座资料

3. 代码数据下载

C++: “Global Contrast based Salient Region Detection“, IEEE TPAMI 2014. [FAQs] [Bib]
PASCAL-S 数据集 The Secrets of Salient Object Segmentation, CVPR 2014
Saliency Detection via Dense and Sparse Reconstruction, ICCV2013, [PDF][CODE][Project site]

(Visited 1,878 times, 1 visits today)

Newest Oldest Hotest

24条评论

可泽
1. 无数白兰瓜 2014年9月4日
  1Level
  
  显著性分割主流算法的时间效率是什么情况？有没有ms级别且效果不错的算法？　　　　　　　
http://vision.sysu.edu.cn/project/PISA/ 给出了图像显著物体检测的源代码（在六个公共数据集上：效果好的state-of-arts中速度最快，速度快的state-of-arts中效果最好），发表于IEEE T IMAGE PROCESS 2015。此外，还给出了一个以淘宝商品为显著物体的数据集，不同于目前所有的自然场景数据集，可作为新的评测标准。

2015年7月22日 Reply Support Forward
高广帅
1. 高广帅 2015年6月9日
  1Level
  
  卢老师，您那个关于稠密和稀疏重构的图像显著性检测算法的代码怎么找不到相关的页面啊？您可以给一份吗？我想参考一下，谢谢了　　　　　　　
2. sun 2015年6月11日
  2Level
  
  请到我的主页上直接下载即可： http://202.118.75.4/lu/publications.html　　　　　　　
好的，已下过，谢谢老师了！

2015年6月12日 Reply Support Forward
sun
1. 高广帅 2015年6月9日
  1Level
  
  卢老师，您那个关于稠密和稀疏重构的图像显著性检测算法的代码怎么找不到相关的页面啊？您可以给一份吗？我想参考一下，谢谢了　　　　　　　
请到我的主页上直接下载即可： http://202.118.75.4/lu/publications.html

2015年6月11日 Reply Support Forward
高广帅

卢老师，您那个关于稠密和稀疏重构的图像显著性检测算法的代码怎么找不到相关的页面啊？您可以给一份吗？我想参考一下，谢谢了

2015年6月9日 Reply Support Forward
程明明
1. 田虎 2014年9月5日
  1Level
  
  一般的物体检测与显著性物体检测的最重要的区别是在哪里呢？如果说一般性的物体检测做的很好的情况下，比如说场景中的大部分object都能给框出来并且能给定label，（看着今年ILSVRC2014上的object dection的的MAP都刷的很高），那么显著性物体检测是不是就没有没有那么重要了呢？　　　　　　　
一方面，不是图像中所有物体都是“显著的”。另一方面，从应用的角度讲，很多显著性物体检测算法不需要对每一种待检测类别label大量的数据做training，在很多应用中更衣用。

2014年9月9日 Reply Support Forward
fenghoujianyi
1. 田虎 2014年9月5日
  1Level
  
  一般的物体检测与显著性物体检测的最重要的区别是在哪里呢？如果说一般性的物体检测做的很好的情况下，比如说场景中的大部分object都能给框出来并且能给定label，（看着今年ILSVRC2014上的object dection的的MAP都刷的很高），那么显著性物体检测是不是就没有没有那么重要了呢？　　　　　　　
2. 还有1条评论
3. 田虎 2014年9月5日
  3Level
  
  我说的不是指objectness这个方法，是指的显著性物体检测这个问题。我是想说为什么要突出显著性这个问题呢？如果常规的物体检测能解决的很好话，似乎显著不显著就没那么重要了？　　　　　　　
实际，我意思是objectness是利用或者借鉴了salient object detection的思想的，也可以算一类性质的pre-processing的方法。比如，最开始的what is an object，基本就是利用saliency的一些prior。再比如，object肯定要和周围有个强对比度和封闭的强边缘，而这也是saliency最基本和常用的定义，也就是说saliency和objectness基本相通，只不过目前saliency的算法，对多目标效果一般，而这是objectness要解决的。当然，一个图像中的多个object有显著强弱的区别，如果涉及到具体应用这个还是有用的，比如depth的估计，或者auto focus，需要对一个最关注的目标（如人物照片的人）进行突出，其他区域都进行blur

2014年9月5日 Reply Support Forward
田虎
1. 田虎 2014年9月5日
  1Level
  
  一般的物体检测与显著性物体检测的最重要的区别是在哪里呢？如果说一般性的物体检测做的很好的情况下，比如说场景中的大部分object都能给框出来并且能给定label，（看着今年ILSVRC2014上的object dection的的MAP都刷的很高），那么显著性物体检测是不是就没有没有那么重要了呢？　　　　　　　
2. fenghoujianyi 2014年9月5日
  2Level
  
  今年在imagenet上的算法，大多数采用object proposal（objectness）加速，实际上objectness和以前的boosting算法检测人脸之类的有类似之处。boosting检测人脸一般最开始的week classifier也是根据一些十分简单的feature，过滤掉大多数明显不是人脸的区域，后边的classifier选择的特征越来越复杂，时间复杂度也就高了，但是windows已经过滤到很少了。现在objectness一个道理，就是利用简单的方法，过滤掉明显不是目标的区域　　　　　　　
我说的不是指objectness这个方法，是指的显著性物体检测这个问题。我是想说为什么要突出显著性这个问题呢？如果常规的物体检测能解决的很好话，似乎显著不显著就没那么重要了？

2014年9月5日 Reply Support Forward
fenghoujianyi
1. 田虎 2014年9月5日
  1Level
  
  一般的物体检测与显著性物体检测的最重要的区别是在哪里呢？如果说一般性的物体检测做的很好的情况下，比如说场景中的大部分object都能给框出来并且能给定label，（看着今年ILSVRC2014上的object dection的的MAP都刷的很高），那么显著性物体检测是不是就没有没有那么重要了呢？　　　　　　　
今年在imagenet上的算法，大多数采用object proposal（objectness）加速，实际上objectness和以前的boosting算法检测人脸之类的有类似之处。boosting检测人脸一般最开始的week classifier也是根据一些十分简单的feature，过滤掉大多数明显不是人脸的区域，后边的classifier选择的特征越来越复杂，时间复杂度也就高了，但是windows已经过滤到很少了。现在objectness一个道理，就是利用简单的方法，过滤掉明显不是目标的区域

2014年9月5日 Reply Support Forward
田虎

一般的物体检测与显著性物体检测的最重要的区别是在哪里呢？如果说一般性的物体检测做的很好的情况下，比如说场景中的大部分object都能给框出来并且能给定label，（看着今年ILSVRC2014上的object dection的的MAP都刷的很高），那么显著性物体检测是不是就没有没有那么重要了呢？

2014年9月5日 Reply Support Forward
无数白兰瓜
1. 无数白兰瓜 2014年9月4日
  1Level
  
  显著性分割主流算法的时间效率是什么情况？有没有ms级别且效果不错的算法？　　　　　　　
2. 还有2条评论
3. 程明明 2014年9月4日
  4Level
  
  算法的耗时很多并不与像素数呈线性关系，有些随着像素数增加耗时增加会多于线性　　　　　　　
thx

2014年9月5日 Reply Support Forward
无名六号yyy
1. 无名六号yyy 2014年9月4日
  1Level
  
  卢老师，我觉得稀疏重构做显著性的时候会出现对前景噪声很敏感，这不是稀疏表达的问题，而是用于表达的字典的问题，如果直接用图像边界的超像素做了字典，确实会出现这种现象，但是要是对他们进行字典学习，可能就解决这个问题了，也许就能够一步完成sparse和dense重构的效果。　　　　　　　
2. 卢湖川 2014年9月4日
  2Level
  
  我们之后做了一个工作，就是学习了一下sparse 的字典，结果好了很多。说明字典学习确实能提高性能。　　　　　　　
哈哈，已经发表了吗？

2014年9月4日 Reply Support Forward
程明明
1. wsz@ICT-VIPL 2014年9月4日
  1Level
  
  程老师，问下您提到的CVPR 2012那篇特别值得一看的论文是哪篇？就是用显著性检测的结果来训练分类器的，如果我没有听错的话。　　　　　　　
CVPR 2012 屠卓文老师组的文章：http://jiajunwu.com/projects/bmcl.html

2014年9月4日 Reply Support Forward
贾旭kul_visics
1. wsz@ICT-VIPL 2014年9月4日
  1Level
  
  程老师，问下您提到的CVPR 2012那篇特别值得一看的论文是哪篇？就是用显著性检测的结果来训练分类器的，如果我没有听错的话。　　　　　　　
2. 还有1条评论
3. wsz@ICT-VIPL 2014年9月4日
  3Level
  
  那输入给分类器的是原来的整张图像还是局部区域？之后分类器是对于新的图像或区域，然后预测其中的每一个像素的显著性值吗？具体的论文标题是什么？　　　　　　　
输入给分类器的是bounding box，是利用显著性目标检测的结果。unsupervised object class discovery via saliency-guided multiple class learning, cvpr 2012

2014年9月4日 Reply Support Forward
程明明
1. 无数白兰瓜 2014年9月4日
  1Level
  
  显著性分割主流算法的时间效率是什么情况？有没有ms级别且效果不错的算法？　　　　　　　
2. 还有1条评论
3. 无数白兰瓜 2014年9月4日
  3Level
  
  好的。那显著性检测算法的耗时一般是和像素数量呈线性关系吗？　　　　　　　
算法的耗时很多并不与像素数呈线性关系，有些随着像素数增加耗时增加会多于线性

2014年9月4日 Reply Support Forward
wsz@ICT-VIPL
1. wsz@ICT-VIPL 2014年9月4日
  1Level
  
  程老师，问下您提到的CVPR 2012那篇特别值得一看的论文是哪篇？就是用显著性检测的结果来训练分类器的，如果我没有听错的话。　　　　　　　
2. 贾旭kul_visics 2014年9月4日
  2Level
  
  那篇文章是将显著性检测结果高的区域看做正样本，低的看做负样本，用来训练检测器　　　　　　　
那输入给分类器的是原来的整张图像还是局部区域？之后分类器是对于新的图像或区域，然后预测其中的每一个像素的显著性值吗？具体的论文标题是什么？

2014年9月4日 Reply Support Forward
贾旭kul_visics
1. wsz@ICT-VIPL 2014年9月4日
  1Level
  
  程老师，问下您提到的CVPR 2012那篇特别值得一看的论文是哪篇？就是用显著性检测的结果来训练分类器的，如果我没有听错的话。　　　　　　　
那篇文章是将显著性检测结果高的区域看做正样本，低的看做负样本，用来训练检测器

2014年9月4日 Reply Support Forward
卢湖川
1. 无名六号yyy 2014年9月4日
  1Level
  
  卢老师，我觉得稀疏重构做显著性的时候会出现对前景噪声很敏感，这不是稀疏表达的问题，而是用于表达的字典的问题，如果直接用图像边界的超像素做了字典，确实会出现这种现象，但是要是对他们进行字典学习，可能就解决这个问题了，也许就能够一步完成sparse和dense重构的效果。　　　　　　　
我们之后做了一个工作，就是学习了一下sparse 的字典，结果好了很多。说明字典学习确实能提高性能。

2014年9月4日 Reply Support Forward
taoYocsef
1. taoYocsef 2014年9月4日
  1Level
  
  碰到一个问题，大量的视频，如何从中截取其中最佳的代表帧？感觉与人脸，显著性区域检测，还有图像的清晰度评价有关。有谁能给个建议，图像的清晰度如何来评价呢？有了显著区，怎样的是有代表的帧呢？　　　　　　　
就是在一个视频中，选取最具代表的一帧，作为海报

2014年9月4日 Reply Support Forward
taoYocsef

碰到一个问题，大量的视频，如何从中截取其中最佳的代表帧？感觉与人脸，显著性区域检测，还有图像的清晰度评价有关。有谁能给个建议，图像的清晰度如何来评价呢？有了显著区，怎样的是有代表的帧呢？

2014年9月4日 Reply Support Forward
wsz@ICT-VIPL

程老师，问下您提到的CVPR 2012那篇特别值得一看的论文是哪篇？就是用显著性检测的结果来训练分类器的，如果我没有听错的话。

2014年9月4日 Reply Support Forward
无数白兰瓜
1. 无数白兰瓜 2014年9月4日
  1Level
  
  显著性分割主流算法的时间效率是什么情况？有没有ms级别且效果不错的算法？　　　　　　　
2. 程明明 2014年9月4日
  2Level
  
  我们的survey中对现有方法做了评测，后续会放出来。快速算法也有不少，详见：http://mmcheng.net/salobjbenchmark/　　　　　　　
好的。那显著性检测算法的耗时一般是和像素数量呈线性关系吗？

2014年9月4日 Reply Support Forward
无名六号yyy

卢老师，我觉得稀疏重构做显著性的时候会出现对前景噪声很敏感，这不是稀疏表达的问题，而是用于表达的字典的问题，如果直接用图像边界的超像素做了字典，确实会出现这种现象，但是要是对他们进行字典学习，可能就解决这个问题了，也许就能够一步完成sparse和dense重构的效果。

2014年9月4日 Reply Support Forward
程明明
1. 无数白兰瓜 2014年9月4日
  1Level
  
  显著性分割主流算法的时间效率是什么情况？有没有ms级别且效果不错的算法？　　　　　　　
我们的survey中对现有方法做了评测，后续会放出来。快速算法也有不少，详见：http://mmcheng.net/salobjbenchmark/

2014年9月4日 Reply Support Forward
无数白兰瓜

显著性分割主流算法的时间效率是什么情况？有没有ms级别且效果不错的算法？

2014年9月4日 Reply Support Forward