earticle

영어

In this paper, we propose a method for generating improved saliency map by learning multiple features to improve the accuracy and reliability of saliency map which has similar result to human visual perception type. In order to overcome the inaccurate result of reverse selection or partial loss in color based salient area estimation in existing salience map generation, the proposed method generates multi feature data based on learning. The features to be considered in the image are analyzed through the process of distinguishing the color pattern and the region having the specificity in the original image, and the learning data is composed by the combination of the similar protrusion area definition and the specificity area using the LAB color space based color analysis. After combining the training data with the extrinsic information obtained from low level features such as frequency, color, and focus information, we reconstructed the final saliency map to minimize the inaccurate saliency area. For the experiment, we compared the ground truth image with the experimental results and obtained the precision-recall value.

한국어

본 논문에서는 인간의 시각인지 형태와 유사한 결과를 갖는 Saliency map의 정확성과 신뢰성을 향상시키기 위해 학습한 다중 특징을 기반으로 개선된 saliency map 방법을 제안한다. 기존의 Saliency map 생성에서 색상 기반의 돌출 영역 추정 시 발생하는 역 선택이나 부분손실 등의 부정확한 결과가 나오는 것을 보완하기 위해 제안하는 방법은 학습 기반의 다중 특징 데이터를 생성하였다. 원 영상에서의 색상 패턴과 특이성을 갖는 영역의 구별과정을 거쳐 영상에서 고려될 특성들을 분석하고, LAB 색 공간 기반의 색상 분석을 이용한 유사 돌출 영역 정의와 특이성 영역의 조합으로 학습 데이터를 구성한다. 구성된 학습 데이터와 주파수, 색상, 초점정보 등의 low level feature로 구한 돌출 정보를 결합한 뒤 최종 saliency map을 구하기 위해 재구성 과정을 거쳐 부정확한 saliency 영역을 최소화하도록 하였다. 실험을 위해 Ground truth 이미지를 각 실험 결과와 비교하여 precision-recall 및 F-Measure 값을 구한 결과 기존 알고리즘에 비해 7%, 29%의 향상된 결과를 나타내었다.