基于目标性和背景先验的多尺度显著性目标检测算法

"这篇论文是刘凡等人发表在《华中科技大学学报(自然科学版)》2018年3月第46卷第3期的一篇文章，主要研究了显著性目标检测领域的多尺度融合背景与目标先验方法。文章讨论了如何利用目标性和背景先验信息来改进显著性检测的准确性，特别针对目标不在图像中心或边缘时可能出现的误检问题。" 在显著性目标检测中，传统的方法通常依赖于中心先验或背景先验，但这些方法在处理非中心或边缘目标时容易失效。为解决这一问题，论文提出了一个创新的解决方案，即利用目标性作为先验信息来生成前景显著图。目标性是一种衡量图像区域可能包含目标对象的概率的指标，它能有效地增强目标区域的显著性。 论文中描述的算法首先通过计算得到基于背景先验信息的显著图，然后将这个显著图与利用目标性信息生成的显著图进行融合，融合过程采用了乘法运算，以确保两个图的重要信息能够相互补充。之后，通过空间优化进一步提升单尺度显著图的质量。最后，通过多尺度融合策略，将不同尺度下的显著图进行加权融合，生成最终的、更具鲁棒性的显著图。 实验部分，作者使用了公开数据库对提出的算法进行了验证，结果显示，与现有的多种前沿算法相比，该算法在显著性目标检测上表现出更优秀的性能，能更准确地凸显出整个显著目标。这一成果对于视觉显著性研究以及相关应用，如视频分析、图像理解等，具有重要的理论和实践意义。 关键词涵盖了视觉显著性、显著性目标检测、目标性、背景先验、空间优化和多尺度融合等核心概念，这表明论文深入探讨了这些领域的关键技术和方法，旨在提高计算机视觉系统在目标识别和检测方面的精度和效率。通过多尺度融合，算法可以更好地适应不同大小和位置的目标，提高了检测的全面性和可靠性。 这篇论文的贡献在于提出了一种新的显著性目标检测方法，它结合了目标性和背景先验的多尺度融合策略，有效解决了传统方法在处理非中心或边缘目标时的局限性，为显著性检测领域提供了有价值的理论和技术支持。