Resumen

Las relaciones de vecindad por pares estimadas mediante la función de peso gaussiana se han adoptado recientemente en los métodos de detección de regiones salientes basados en grafos. Sin embargo, el aprendizaje de los parámetros sigue siendo un problema, ya que los modelos no óptimos afectarán significativamente a los resultados de la detección. Para hacer frente a este reto, primero aplicamos la información adyacente proporcionada por todos los vecinos de cada nodo para construir el grafo de pesos no dirigido, basándonos en el supuesto de que cada nodo puede reconstruirse de forma óptima mediante una combinación lineal de sus vecinos. A continuación, la detección de la saliencia se modela como el proceso de etiquetado de grafos mediante el aprendizaje a partir de semillas parcialmente seleccionadas (datos etiquetados) en el grafo. Los prometedores resultados experimentales presentados en algunos conjuntos de datos demuestran la eficacia y fiabilidad de nuestro método propuesto de detección de saliencia basado en grafos mediante vecindades lineales.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Relaciones de vecindad por pares; función de peso gaussiana; métodos de detección de regiones salientes basados en gráficos; aprendizaje de los parámetros; modelos no óptimos; resultados de la detección.
• Keywords:Pairwise neighboring relationships; Gaussian weight function; graph-based salient region detection methods; learning of the parameters; nonoptimal models; detection results