基于超图模型和半监督集成学习的图像显著性区域检测研究

Visual salient region detection based on the graph is one of the main research directions of the image salient region detection field and have a wide range of applications such as target detection and recognition, video compression and human-computer interaction. Reliability of background samples located on the image borders and the applicability of the graph mode are the key technologies for many visual salient region models based on the graph. In order to better fit the complex and diverse image data, this project adopts Mixture of Gaussian distributions to simulate the noise element in the Low Rank Representation of the subspace learning analysis and utility the relevant parameters and space characteristics to construct the probabilistic model for the background samples; In order to solve the lack of the complex image data relationship representation in the common graph model,we utility a hyper-graph model, design the adaptive selection of neighbors according to the local distribution and the weight function to improve detection accuracy in the complex background situation; Finally, under the condition of scarcity of the ground truth information and the deficiency of saliency detection based on the single graph model, we integrate multiple graph-based saliency detection models, adopt the semi-supervised ensemble learning to improve the generalization ability, construct a saliency detection mode more suitable for complex image, thus providing new ideas and theoretical basis for further research and application of the graph based saliency detection.

基于图模型的图像显著性区域检测是目前图像显著性区域检测领域的主要研究方向之一，在目标检测与识别、视频压缩、人机交互等众多前沿领域有着广泛的应用前景。位于图像边缘的背景样本的可靠性和图模型的适用性是基于图模型的图像显著性区域检测的关键技术。为更好的拟合复杂多样形态的图像数据，本研究以混合高斯模型模拟子空间低秩分析中的噪声成分，并以相关参数及空间特征建立背景样本的概率模型；为解决普通图不能表述图像局部范围内多个区域之间复杂关系的问题，本研究以超图模型为基础，并根据图像数据局部分布情况自适应选择邻居，设计权重计算函数实现图像显著性区域检测；最后，在真实标注信息稀缺和单个基于图模型的检测能力不足的情况下，我们将集成多种基于图模型的检测算法，采用半监督集成算法提高模型的泛化能力，设计一种更适合复杂图像的显著性区域检测算法，为基于图模型的图像显著性区域检测的进一步研究与应用提供新思路和理论依据。

图像显著性检测是计算机视觉领域的新兴研究方向，在目标检测与识别、视频压缩、人机交互等众多前沿领域有着广泛的应用前景，具有非常重要的研究意义。基于图模型的非监督及半监督图像显著性区域检测是目前图像显著性区域检测领域的主要研究方法之一。目前基于图模型的图像显著性区域检测集中于边缘背景样本的直接使用以及简单二元普通关系图的构造，同时预训练深度模型的高层语义特征在非监督及半监督的图模型中也未能实现有效利用。针对上述问题，本项目聚焦于边缘背景样本的特性分析和图模型构造两方面开展研究。在边缘背景样本的特性分析方面，分析图像背景样本的内部多样性特征，提出背景样本的零空间特征，消除背景样本内部的复杂度，在背景样本的零空间特征中实现图像显著性检测；分析高层语义空间中的图像分布特征，提出在高层语义特征下图像聚类的空间紧凑度计算，以此作为图像聚类的背景概率估值。在图模型构造方面，分析图像局部范围内的近似线性结构，提出基于局部线性回归的图模型排序学习实现图像显著性检测；研究图像高层语义特征下的子空间分析，根据图像显著性区域和相关近邻区域的群组效应提出基于弹性网络回归模型的超图半监督学习实现图像显著性检测；研究不同图模型检测结果的差异，提出基于半监督支持向量机集成框架集成不同图模型的检测。实验表明本项目的研究在图像显著性检测的非监督及半监督学习方面获得较好的结果，在公开数据集上的某些性能指标甚至接近于某些深度学习模型。本项目在执行期间就图像显著性检测的无监督及半监督方法在国际上发表了一些研究成果，丰富了图像显著性检测的无监督及半监督学习方法，可应用于对标注数据以及计算成本要求低的领域，具有潜在的经济和社会效益，为图像深度特征的非监督迁移学习研究提供新的见解和思路。