[論文レビュー] Salient Object Detection via Objectness Measure

Sai Srivatsa R, R. Venkatesh Babu|arXiv (Cornell University)|Jun 24, 2015

Visual Attention and Saliency Detection参考文献 15被引用数 13

ひとこと要約

本稿では、前景領域を推定するためにオブジェクトネスプロポーザルを活用し、前景重みを割り当てるために新規の「前景連結性」測定値を導入する顕著オブジェクト検出手法を提案する。これらの重みをグローバル最適化フレームワークに統合することで、MSRA-1000およびCSSDデータセット上で最先端の手法を上回る滑らかで正確な顕著マップを生成し、平均絶対誤差（MAE）が低くなる。

ABSTRACT

Salient object detection has become an important task in many image processing applications. The existing approaches exploit background prior and contrast prior to attain state of the art results. In this paper, instead of using background cues, we estimate the foreground regions in an image using objectness proposals and utilize it to obtain smooth and accurate saliency maps. We propose a novel saliency measure called `foreground connectivity' which determines how tightly a pixel or a region is connected to the estimated foreground. We use the values assigned by this measure as foreground weights and integrate these in an optimization framework to obtain the final saliency maps. We extensively evaluate the proposed approach on two benchmark databases and demonstrate that the results obtained are better than the existing state of the art approaches.

研究の動機と目的

• 境界とコントラストの事前知識の限界を克服し、焦点を前景推定にシフトする。
• 特にオブジェクトが画像の端縁に接している場合に脆弱な境界事前知識の問題を解消する。
• ヒューリスティックな特徴結合ではなく、原理的最適化フレームワークを用いることで顕著マップの品質を向上させる。
• 推定された前景に対して領域の連結性を定量化する、頑健な前景連結性メトリックを開発する。
• オブジェクトネスプロポーザルとスーパーピクセルベース処理を用いて、標準ベンチマークで最先端の性能を達成する。

提案手法

• 初期前景領域推定のため、BINGオブジェクトネスプロポーザル手法の変種を用いる。
• スーパーピクセルベースのオブジェクトネスを計算し、各スーパーピクセルが前景に属する確率を決定する。
• 「前景連結性」（FG）を顕著性測定値として導入する：FG = （前景までの距離の合計）／（背景までの距離の合計）、その逆数を前景重みとして使用する。
• 前景重み、背景重み、空間的滑らかさをペairwise項を介して組み合わせたコスト関数を最小化するグローバル最適化フレームワークを適用する。
• 最適化に[13]と同一のパrameter設定を用い、滑らかで一様な顕著マップを保証する。
• 連結性測定値からの前景重みと背景重みをコスト関数に統合し、最終的な顕著値をガイドする。

実験結果

リサーチクエスチョン

• RQ1 境界事前知識に依存せずに、オブジェクトネスプロポーザルを効果的に前景領域推定に活用できるか？
• RQ2 従来のコントラストまたは境界事前知識と比較して、新規の前景連結性測定値が顕著マップの精度を向上させるか？
• RQ3 学習された前景重みを組み込んだ原理的最適化フレームワークは、ヒューリスティックな統合と比較して、より滑らかで正確な顕著マップを生成できるか？
• RQ4 標準ベンチマークにおいて、精度、再現率、およびMAEの観点から、提案手法は最先端のアプローチと比較してどうなるか？
• RQ5 複雑な背景や構造的に挑戦的な画像に対しても、本手法は一般化性能を示せるか？

主な発見

• 提案手法はMSRA-1000データセットで平均絶対誤差（MAE）0.064を達成し、比較したすべての最先端手法を上回った。
• CSSDデータセットではMAEが0.132に達し、評価されたすべての手法の中で最低であった。
• 精度-再現率曲線においても競争力があり、精度と再現率のバランスが優れていた。
• 平均実行時間は1枚あたり0.27秒（事前処理およびスーパーピクセルセグメンテーションを除く）であり、高い効率性を示した。
• 滑らかさ制約を組み込んだ最適化フレームワークのおかげで、滑らかで一様な顕著マップが得られた。
• 前景連結性を前景重み測定値として用いることで、従来の事前知識よりもより正確で信頼性の高い顕著予測が得られた。