Resumen

La detección de objetos salientes tiene una amplia gama de aplicaciones en tareas de visión por computadora. Aunque se ha logrado un progreso tremendo en las últimas décadas, la imagen con poca luz sigue planteando desafíos formidables a los modelos de saliencia actuales debido a sus propiedades de baja iluminación y bajo índice de señal a ruido. Las características tradicionales hechas a mano inevitablemente encuentran grandes dificultades para manejar imágenes con fondos de poca luz, mientras que la mayoría de las características de alto nivel no son favorables para resaltar objetos visualmente salientes en imágenes con poca luz. En alusión a estos problemas, se propone un modelo de propagación de semillas de saliencia guiado por la selección óptima de características para la detección de objetos salientes en imágenes con poca luz. La idea principal de este artículo es refinar jerárquicamente el mapa de saliencia mediante el aprendizaje de las semillas de saliencia óptimas en imágenes con poca luz de forma recursiva. En particular, la segmentación de superp

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Detección de objetos relevantes; Imágenes con poca luz; Selección de características; Mapa de saliencia; Semillas de saliencia óptimas; Segmentación de superpíxeles multinivel
• Keywords:Salient object detection; Weak light images; Feature selection; Saliency map; Optimal saliency seeds; Multiscale superpixel segmentation