显著目标检测：Salient Object Detection via Two-Stage Graphs

两阶段图、WJRSR模型

Liu, Y., Han, J., Zhang, Q. & Wang, L. Salient Object Detection via Two-Stage Graphs. IEEE Trans. Circuits Syst. Video Technol. 29, 1023–1037 (2019).

总主题： 显著目标检测（Salient Object Detection, SOD）

主要问题： 现有的基于图论的显著目标检测方法在图像结构复杂时，容易产生错误分割，主要原因是它们只考虑了图节点之间的邻域空间一致性。

解决方案： 提出了一种基于两阶段图的显著目标检测方法，有效地解决了现有方法的局限性，并在显著目标检测任务中取得了优异的性能。

主要贡献：

• 两阶段图： 与现有方法只使用一个图不同，该方法使用两个具有相同节点但不同边的图。
  • 第一阶段图 (G1)：
    • 节点： 超像素
    • 边： 邻接超像素之间连接，考虑邻域空间一致性。
    • 权重： 基于特征相似度计算，距离越近权重越大。
    • 作用： 考虑局部邻域空间一致性，得到粗略的显著图。
  • 第二阶段图 (G2)：
    • 节点： 超像素
    • 边： 包含三种连接：
      • 邻接超像素之间连接 (E1_2)，考虑邻域空间一致性。
      • 潜在背景超像素之间连接 (E2_2)，考虑潜在背景区域内的空间一致性。
      • 潜在前景超像素之间连接 (E3_2)，考虑潜在前景区域内的空间一致性。
    • 权重： 基于特征相似度计算，距离越近权重越大。
    • 作用： 在考虑邻域空间一致性的同时，也考虑潜在前景和潜在背景区域内的空间一致性，进一步细化显著图，提高前景目标的均匀性和背景噪声抑制能力。
• 加权联合鲁棒稀疏表示 (Weighted Joint Robust Sparse Representation, WJRSR) 模型： 用于计算第一阶段图中每个节点的显著值，比常用的流形排序模型更鲁棒（第二阶段可以集成到现有的显著目标检测器中，以提高其性能）

方法概述：

1. 特征提取： 使用 SLIC（Simple Linear Iterative Clustering）算法将图像分割成超像素，并为每个超像素提取特征向量。
2. 第一阶段： 构建一个包含邻域空间一致性的图，并使用 WJRSR 模型计算每个节点的显著值，得到粗略的显著图。
3. 第二阶段： 基于粗略检测结果，将节点分为潜在前景、潜在背景和不确定三类，构建一个新的图，其中潜在前景和潜在背景节点之间也存在空间一致性。使用流形排序模型进一步细化显著图。
4. 后处理： 对最终显著图进行增强和二值分割，得到最终结果。

Fig4: 我们提出的改进第二阶段的一些最先进的方法的插图。在f测量曲线上，“”表示将原始方法与我们提出的第二阶段相结合的改进结果。例如，“MR+”表示将原始“MR”方法与我们的第二阶段集成后的改进结果。在MAE（Mean Absolute Error，平均绝对误差）的柱状图中，蓝色柱状图代表了原始方法得到的结果，红色柱状图代表了我们第二阶段改进后的结果。例如，在第一组MAE条中，左边的蓝色条表示原始“MR”方法的MAE，右边的红色条表示将原始“MR”与我们的第二阶段整合后的改进结果。

实验结果：与现有方法相比，该方法在前景目标检测的均匀性和背景噪声抑制方面表现出色。该方法可以集成到其他显著目标检测器中，以提高其性能。该方法在计算复杂度方面也具有竞争力。