针对传统无监督图像显著性目标检测鲁棒性不强、学习算法复杂度高的问题,提出了一种新的鲁棒无监督显著性目标检测方法--三元结构化矩阵分解目标检测。该方法利用低秩矩阵三元分解降低奇异值分解(singular value decomposition)的算法...针对传统无监督图像显著性目标检测鲁棒性不强、学习算法复杂度高的问题,提出了一种新的鲁棒无监督显著性目标检测方法--三元结构化矩阵分解目标检测。该方法利用低秩矩阵三元分解降低奇异值分解(singular value decomposition)的算法复杂度,结合高层先验知识,提升复杂背景下的显著性目标检测性能。通过分层稀疏正则化和构造索引树,解决显著图的细节缺失问题。在3种标准多目标数据集上对主流无监督显著性目标检测方法进行了实验对比,结果表明,所提方法学习时间最多可以降低40%,并且F-measure指标在超过50%的阈值范围内鲁棒性优于当前最好的无监督检测算法。展开更多
文摘针对传统无监督图像显著性目标检测鲁棒性不强、学习算法复杂度高的问题,提出了一种新的鲁棒无监督显著性目标检测方法--三元结构化矩阵分解目标检测。该方法利用低秩矩阵三元分解降低奇异值分解(singular value decomposition)的算法复杂度,结合高层先验知识,提升复杂背景下的显著性目标检测性能。通过分层稀疏正则化和构造索引树,解决显著图的细节缺失问题。在3种标准多目标数据集上对主流无监督显著性目标检测方法进行了实验对比,结果表明,所提方法学习时间最多可以降低40%,并且F-measure指标在超过50%的阈值范围内鲁棒性优于当前最好的无监督检测算法。
