09 out 2020
15:00 Defesa de Mestrado Integralmente a distância
Tema
Multiple Image-domain Saliency Estimation using a Flexible Framework
Aluno
Leonardo de Mélo João
Orientador / Docente
Alexandre Xavier Falcão
Breve resumo
A detecção de objetos salientes estima os objetos que mais se destacam em uma imagem. Os estimadores de saliência não-supervisionados utilizam um conjunto predeterminado de suposições a respeito de como humanos percebem saliência para identificar características discriminantes de objeto salientes. Como esses métodos fixam essas suposições predeterminadas como parte integral de seu modelo, esses métodos não podem ser facilmente estendidos para cenários específicos ou outros domínios de imagens. Nós propomos, então, um arcabouço iterativo para estimação de saliência baseado em superpixels, intitulado ITSELF (Iterative Saliency Estimation fLexible Framework). Nosso arcabouço permite que o usuário adicione múltiplas suposições de saliência para melhor representar seu modelo. Graças a avanços em algoritmos de segmentação por superpixels, mapas de saliência podem ser utilizados para melhorar o delineamento de superpixels. Combinando algoritmos de superpixels baseados em informações de saliência com algoritmos de estimação de saliência baseados em superpixels, nós propomos um ciclo para auto melhoria iterativa de mapas de saliência. Nós comparamos o ITSELF com outros dois estimadores de saliência no estado-da-arte em cinco métricas e seis conjuntos de dados, dos quais quatro são compostos por imagens naturais, e dois são compostos de imagens biomédicas. Os experimentos mostram que nossa abordagem é mais robusta quando comparada aos outros métodos, apresentando resultados competitivos em imagens naturais e os superando em imagens biomédicas.
Banca examinadora
Titulares:
Alexandre Xavier Falcão IC/UNICAMP
Silvio Jamil Ferzoli Guimarães ICEI/PUC Minas
Hélio Pedrini IC/UNICAMP
Suplentes:
Gerberth Adín Ramírez Rivera IC/UNICAMP
Paulo André Vechiatto de Miranda IME/USP