基于poselet的对象分割算法

《基于poselet的对象分割算法》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、利用图像轮廓对poselet活化的校准进行对象分割作者：ThomasBrox，LubomirBourdev，SubhransuMaji，JitendraMalik德国弗莱堡大学，加州大学伯克利分校摘要：这篇论文中，我们提出一种技术去利用两种互补的自底向上的特征，图像的边缘和纹理块，以期使自顶向下的对象分割达到更高的精度。我们的工作建立在基于局部的poselet检测器上，它可以预测一个物体的很多部分的masks.为了这个目标，我们将poselet种类（除人以外）额外增加了19种。我们非严格地匹配这些“部分检测结

2、果”和图像中潜在的物体轮廓，增加了预测对象的mask的精度，并且分出了误报（错误的正信息）。我们在空间上聚集对象信息通过一个变量化的平滑技术，确保物体区域不会重叠。最后，我们意图去改善定义在小图像块上的基于自相似度的分割。我们获得了具有竞争性的结果，在具有难度的pascalvoc标准检查程序上。在四个类上我们获得了目前为止最好的结果。1.介绍随着对象分割技术的成熟，人们有着越来越大的兴趣对于超出边界框的精确的对象定位。对象分割提供了这方面的方法。尽管在一般的静态图片中从对象层次上进行自底向上分割是一个病态问题

3、，不过在结合了对象检测器之后成为一个可解问题。在这篇论文中，我们在对怎么样结合自底向上的线索（就像传统的图像分割上的应用一样）和自顶向下的信息（从同时期的对象探测器中获得）方面做出了贡献。这方面的早期的工作见【4,13】。我们认为拥有丰富局部结构（信息）的对象探测器，比如最近的基于poselet的探测器【5】，为自顶向下的分割提供了一个非常好的基础。特别的，poselets可以很好地处理遮挡并且适用于多重，部分封闭的物体的复杂分割（不需要明确的深度推理）。检测器信息需要与自底向上线索结合使用。对象检测器可以粗

4、略地标记出在什么地方某个类的一个对象可能会出现，但它们缺少准确地定位物体的能力。这主要是因为检测器需要概括对象实例，这将导致精确的图像信息的丢失。这些丢失的在探测的物体实例上的，精确的形状信息，必须被恢复，通过图像本身。在此文中，我们提出两种互补的方法在测试图像中采集信息：图像边缘和自相似。为什么由探测器得到的形状预测是不精确的，这里有两个主要的原因：（1）因为扫描窗口方法的效率原因，同一时期的探测器在一个二次抽样的网格上工作。因此，每个探测可能与实际的物体位置有几个像素的偏移。（2）由于在多对象实例和关节中

5、平均，这个检测器只能模拟一个粗略的形状,不能预测即将到来的对象实例的特定形状。非参数形状模型没有这样的一个缺陷，但是太贵了,目前不使用。因此,形状的变形和很小的细节不能被预测。在此文中，我们建议通过非严格地匹配每个poselet激活和图像中相应的边缘结构来解决平移和变形问题。这扩展了【5】中的调整策略，在【5】中整个对象被调整到图像中。通过独立地调整每个活化，我们可以允许更大的局部变形并且更好地处理遮挡和清晰度。由于这种调整只会使轮廓发生平移和变形，它不能再生对象区域的洞或明显的凹面。如在图1中的马腿。为了恢

6、复这种图形细节，我们提出一个过程,可以翻转superpixels的标记,基于图像块的相似度。图1.左边：PascalVOC中的图片右边：多对象语义分割，一个人（轻粉红色）和一匹马（品红色）最后，在多类分割中，我们不得不处理多种对象为占有一个像素的竞争。我们提出了从人的poselets检测延伸到其他类别的检测，还有一个过程建立在检测分数上。这分数是poselet激活和他们在图像区域的空间分布。这个过程决定出哪个对象部分在前景中，它也整理出许多假阳性检测。我们展示出可观的结果，在具有难度的PascalVOC201

7、0标准检测程序上，这表现在数量上和外表上的良好的分割效果。2相关的研究形状先验在图像分割领域已经变得流行，他们基于Leventonetal.[15]和Cremersetal.[8,9].的研究工作。特别是Cremersetal.在形状的丰富的统计建模上付出了很多努力。然而这些方法中的统计形状模型都非常复杂，他们假定物体的类别和粗略的姿势，和它的存在一样都是已知的。这是个很强假定条件，除了特定的医学应用，实践中很难满足这一要求。在Leibe和Schiele[14]，特定物体的块的探测表明一个对象类别的局部存在，

8、并且他的形状是来源于聚集这些块的掩模。形状的变化完全由块的聚集来模型化的。从测试图像得到的证据只用于探测不用于分割。·········自动检测·汉->英·汉->日·汉->韩·汉->法·英->汉·日->汉·韩->汉·法->汉大多数与我们的工作相关的研究见[19].建立在Felzenszwalbetal[10]的强基于块的探测器上，他们通过使用颜色和关于对象的深度排序的推理，进而改进了探测器的形状预测,