Visual Saliency for Image Segmentation and Object Detection

課程: 論文研討(四)

日期 : 2013/04/26

時間 : 13:50 ~ 15:30

學生 : 資傳研二 溫千力

演講者 :中央研究院  劉庭祿研究員

心得報告：

Graph cut：可在有向圖或無向圖的把節點分割成兩群。最常在解決有向圖中，由源點(source)流向匯點(sink)的流量問題，例如：水管、網路或車流量。在近幾年影像被建立成圖學概念，使得影像可被建成無向圖，因此graph cut被用來解決電腦視覺、圖像處理以及機器學習的問題，其中的問題包括影像分割、影像分類以及影像合成。

最大流量問題：Graph cut所使用最大流量最小割定理把圖上的節點相關性高的分割在一起。相關性高的節點能夠互相流通，也就是水管殘留的容量高，反之，相關性低的節點互相流通的流量很低，也就是水管殘留的容量低。最小割就是把殘留的容量低的水管切割，以達到分割兩群，此兩群內的節點之間的相關性高。要找到殘留的容量最低的水管不容易，但找到最大流量時的狀況會為水管殘留的容量最小的時候，於是最大流量最小割定理便先找到最大流量時，切割殘留的容量最低的水管。

    利用眼球追蹤觀察使用者關注在哪些區域(Visual Saliency)以產生Saliency map，並且在影像上框出多個window計算是否存在Saliency object，最後利用Graph cut將影像前景與背景分割。此研究可利用多張影像可自動進行分割(fully unsupervised)，將影像oversegment分成300~400個superpixel (decompose image)，使用Energy functiony再比較任兩張影像的前景是否相似，以此達到自動分割之目的。