Weproposeanovelautomaticsalientobje

Weproposeanovelautomaticsalientobjectsegmentationalgorithmwhichintegrates both bottom-up salient stimuli and object-level shape prior, i.e., a salient object has a well-defined closed boundary. Our approach is formalized as an iterative energy mini- mization framework, leading to binary segmentation of the salient object. Such energy minimizationisinitializedwithasaliencymapwhichiscomputedthroughcontextanaly- sisbasedonmulti-scalesuperpixels. Object-levelshapeprioristhenextractedcombining saliency with object boundary information. Both saliency map and shape prior update after each iteration. Experimental results on two public benchmark datasets show that our proposed approach outperforms state-of-the-art methods.

ผลลัพธ์ (ไทย) 1:

Weproposeanovelautomaticsalientobjectsegmentationalgorithmwhichintegrates ทั้งล่าง-เป้าเด่นและรูปร่างระดับวัตถุก่อน เช่น วัตถุเด่นมีขอบเขตเช่นกำหนดปิด วิธีของเราเป็นอย่างเป็นเป็นกรอบ mization มินิการพลังงานซ้ำ นำไปสู่การแบ่งไบนารีวัตถุเด่น เช่นพลังงาน minimizationisinitializedwithasaliencymapwhichiscomputedthroughcontextanaly-sisbasedonmulti-scalesuperpixels Saliency levelshapeprioristhenextractedcombining วัตถุวัตถุขอบเขตข้อมูล Saliency แผนที่และรูปร่างก่อนปรับปรุงหลังจากแผน ผลการทดลองบนชุดข้อมูลมาตรฐานสาธารณะสองชุดแสดงวิธีการนำเสนอของเรามีสูงกว่าไฟศิลปะวิธี

ผลลัพธ์ (ไทย) 2:

Weproposeanovelautomaticsalientobjectsegmentationalgorithmwhichintegrates ล่างขึ้นเร้าทั้งเด่นและรูปร่างวัตถุระดับก่อนคือวัตถุที่สำคัญมี Fi ดีเด ned เขตแดนปิด แนวทางของเราคือเป็นทางการในฐานะที่เป็นกรอบ mization พลังงานมินิซ้ำที่นำไปสู่​​การแบ่งส่วนไบนารีของวัตถุเด่น เช่นพลังงาน minimizationisinitializedwithasaliencymapwhichiscomputedthroughcontextanaly- sisbasedonmulti-scalesuperpixels เด่นวัตถุ levelshapeprioristhenextractedcombining มีข้อมูลขอบเขตวัตถุ ทั้งแผนที่เด่นและรูปร่างปรับปรุงก่อนหลังจากที่ซ้ำกัน ผลการทดลองทั้งสองชุดข้อมูลมาตรฐานของประชาชนแสดงให้เห็นว่าวิธีการที่เรานำเสนอมีประสิทธิภาพดีกว่าวิธีการรัฐของศิลปะ

ผลลัพธ์ (ไทย) 3:

weproposeanovelautomaticsalientobjectsegmentationalgorithmwhichintegrates ทั้งล่างเด่นสิ่งเร้าและรูปร่างก่อนระดับวัตถุ ได้แก่ วัตถุดังกล่าวได้เป็นอย่างดี เดอ จึงลงปิดขอบ วิธีการของเราคือ กล่าวในฐานะตัวพลังงาน มินิ - mization กรอบ นำไปสู่การไบนารีของวัตถุเด่น . พลังงานดังกล่าว minimizationisinitializedwithasaliencymapwhichiscomputedthroughcontextanaly - sisbasedonmulti scalesuperpixels . วัตถุ levelshapeprioristhenextractedcombining ความเด่นกับเขตข้อมูลวัตถุ ทั้งความเด่นแผนที่และรูปร่างก่อนปรับปรุงหลังจากแต่ละซ้ำ . ผลการทดลองแสดงให้เห็นว่า 2 มาตรฐานข้อมูลสาธารณะของเรา วิธีการที่เสนอมีประสิทธิภาพดีกว่าวิธีการล่าสุด