[论文解读] Exploiting Color Name Space for Salient Object Detection

Jing Lou, Huan Wang+5 more|arXiv (Cornell University)|Mar 27, 2017

Visual Attention and Saliency Detection参考文献 48被引用 3

一句话总结

该论文提出了一种新颖的显著性目标检测模型，利用颜色名称空间——将图像转换为11个概率颜色名称通道——以增强自底向上的显著性检测。通过结合周围度线索与基于全局颜色名称的对比度，并引入改进的后处理步骤，该方法在公共基准测试中表现优异，在三个数据集的关键指标上超越了21种现有模型。

ABSTRACT

In this paper, we will investigate the contribution of color names for the task of salient object detection. An input image is first converted to color name space, which is consisted of 11 probabilistic channels. By exploiting a surroundedness cue, we obtain a saliency map through a linear combination of a set of sequential attention maps. To overcome the limitation of only using the surroundedness cue, two global cues with respect to color names are invoked to guide the computation of a weighted saliency map. Finally, we integrate the above two saliency maps into a unified framework to generate the final result. In addition, an improved post-processing procedure is introduced to effectively suppress image backgrounds while uniformly highlight salient objects. Experimental results show that the proposed model produces more accurate saliency maps and performs well against twenty-one saliency models in terms of three evaluation metrics on three public data sets.

研究动机与目标

• 探究语言颜色名称在显著性目标检测中的贡献，超越传统低级特征。
• 解决基于周围度的显著性模型的局限性，特别是处理与图像边界相连或与背景颜色相似的目标时的问题。
• 通过整合全局颜色名称统计信息和形态学后处理步骤，提升显著性图的质量，实现显著区域的均匀突出显示。
• 开发一种稳健的自底向上框架，在不依赖自顶向下先验或复杂深度学习架构的前提下，提升检测准确率。

提出的方法

• 将输入图像转换为11通道的颜色名称空间，表示每个像素属于某种语言颜色（如红色、蓝色、绿色）的概率。
• 利用颜色名称空间中周围度线索生成的序列注意力图的线性组合计算显著性图。
• 引入两种全局线索——全局颜色名称稀有度和区域颜色名称对比度——以指导加权显著性图，提升显著目标的检测效果。
• 将基于周围度的显著性图与基于全局线索的显著性图融合，形成统一的输出框架。
• 应用改进的后处理流水线，结合形态学闭合与重建操作，以抑制背景并均匀突出显著区域。
• 使用固定半径的形态学操作并结合经验调优的参数来优化显著性图，尽管论文指出自适应性将是未来的研究方向。

实验结果

研究问题

• RQ1 语言颜色名称作为语义颜色表示，是否能超越传统低级特征，提升显著性目标检测性能？
• RQ2 整合全局颜色名称统计信息在多大程度上能提升基于周围度的显著性模型性能？
• RQ3 所提出的后处理程序在多大程度上改善了检测到的显著区域的均匀性和清晰度？
• RQ4 该模型在处理与图像边界相连或与背景颜色相似的显著目标等复杂情况时表现如何？
• RQ5 基于颜色名称空间的自底向上、非深度学习模型是否能在标准基准测试中超越最先进方法？

主要发现

• 在三个公开数据集上，该模型在F-measure、平均绝对误差（MAE）和S_measure三项评估指标上，均优于21种现有的显著性检测模型。
• 全局颜色名称线索的整合显著提升了检测准确率，尤其在前景与背景颜色相近的情况下表现更优。
• 改进的后处理步骤能有效抑制背景区域，同时保持显著目标区域的高且均匀的强度，有利于后续的分割任务。
• 该模型在大尺寸显著目标上表现良好，但因形态学核大小固定，对小目标检测效果较差。
• 当显著目标通过细小的人工边界与图像边界相连时，模型无法检测到，表明需要引入背景先验或自顶向下线索。
• 消融实验验证了周围度与全局颜色名称线索的结合能取得最佳性能，证实了所提出融合框架的有效性。