چکیده فارسی :

اگر چه بافت برای بسیاری از وظایف ( tasks ) مرتبط با بینایی مهم است، اما این پارامتر ، در بسیاری از مدل های برجستگی مورد استفاده قرار نگرفته است. به عنوان یک نتیجه، تصاویری وجود دارد که در آن، کلیه ی الگوریتم های مهم موجود، با شکست مواجه می شوند. ما به معرفی دسته ی جدیدی از ویژگی های بافت می پردازیم که همانند منطقه ی بصری V1 ، در بالادست مدل سریع سلول های پیچیده در striate cortex ( قشر ستون فقرات ) ساخته شده اند. بافت در هر موقعیت، به وسیله ی طیف قدرت محلی دوبعدی ، حاصل از فیلتر های گابور که تبدیل به چندین مقیاس و جهت شده است ، مشخص می گردد.

پس از این کار، ما به اعمال یک مدل پارامتری پرداخته و طیف محلی را با استفاده از ترکیبی از دو تقریب گاوس دو بعدی توضیح می دهیم : مقیاس و جهت توزیع ها . مقیاس توزیع نشان می دهد که آیا بافت دارای فرکانس غالب هست یا خیر و این فرکانس چه فرکانسی است . به همین ترتیب، جهت توزیع، تصدیقی بر درجه ی ناهنجاری است. ما به ارزیابی ویژگی ها در ترکیب با الگوریتم برجستگی state-of-the-art VOCUS2 می پردازیم . ما در یافته ایم که با استفاده از ویژگی های بافت جدید ما، به همراه رنگ ، AUC بر روی مجموعه داده ی PASCAL-S در زمان مقایسه با رنگ پایه ی تنها، ۳.۸٪ و بر روی مجموعه داده ی مبتنی بر بافت جدید ، ۶۲٪ بهبود می یابد.

چکیده انگلیسی:

Although texture is important for many vision-related tasks, it is not used in most salience models. As a consequence, there are images where all existing salience algorithms fail. We introduce a novel set of tex- ture features built on top of a fast model of complex cells in striate cortex, i.e., visual area V1. The texture at each position is characterised by the two-dimensional local power spectrum obtained from Gabor filters which are tuned to many scales and orientations. We then apply a parametric model and describe the local spectrum by the combination of two one-dimensional Gaussian approximations: the scale and orientation distributions. The scale distribution indicates whether the texture has a dominant frequency and what fre- quency it is. Likewise, the orientation distribution attests the degree of anisotropy. We evaluate the features in combination with the state-of-the-art VOCUS2 salience algorithm. We found that using our novel tex- ture features in addition to colour improves AUC by 3.8% on the PASCAL-S dataset when compared to the colour-only baseline, and by 62% on a novel texture-based dataset.