Détection et segmentation d'objets saillants sensibles à la profondeur via la fusion de saillance discriminante multiscale et l'apprentissage par bootstrap

Cet article propose un cadre novateur de détection et de segmentation d'objets saillants sensibles à la profondeur via la fusion de saillance discriminante multiscale (MDSF) et l'apprentissage par bootstrap pour des images RGBD (images en couleur RGB avec des cartes de profondeur correspondantes) et des images stéréoscopiques. En exploitant les contrastes de caractéristiques de bas niveau, les facteurs de pondération de caractéristiques de niveau intermédiaire et les prioris de localisation de haut niveau, diverses mesures de saillance sur quatre classes de caractéristiques sont calculées sur la base de la segmentation de régions multiscales. Un régressseur de forêt aléatoire est appris pour effectuer la fusion de saillance discriminante (DSF) et générer la carte de saillance DSF à chaque échelle, et les cartes de saillance DSF à travers plusieurs échelles sont combinées pour produire la carte de saillance MDSF. De plus, nous proposons une méthode efficace de segmentation d'objets saillants basée sur l'apprentissage par bootstrap, qui est bootstrappée avec des échantillons basés sur la carte de saillance MDSF et apprend plusieurs machines à vecteurs de support à noyau. Les résultats expérimentaux sur deux grands ensembles de données montrent comment diverses catégories de caractéristiques contribuent à la performance de détection de saillance et démontrent que le cadre proposé atteint de meilleures performances tant en détection de saillance qu'en segmentation d'objets saillants.