This paper considers a bipartite dictionary based salient object detection algorithm that assigns one of two labels (object/background) to each superpixel of an image. The algorithm will iteratively find for each of the labels two dictionaries referred to as the bipartite dictionary, and the dictionaries will in turn update the labels of the superpixels based on the assumption that features of a particular label is better represented by the dictionary of its own label than by the dictionary of the other label. This iteration stops when convergence is reached, in other words, when there is no update. An objective function is formulated such that the bipartite dictionary and superpixel labels maximize inter-class reconstruction error and simultaneously minimize intra-class reconstruction error. The proposed algorithm is evaluated on two benchmark datasets. Experimental results show that the proposed algorithm performs better than state-of-the-art algorithms for the dataset when the initial conditions are set appropriately. We have also found that the proposed algorithm tends to highlight salient objects more uniformly than other algorithms.
중요 객체 검출이란, 어떤 주어진 이미지 상에서 눈에 띄는, 중요한 의미를 갖는 물체를 찾는 문제로 정의할 수 있다. 이미지마다 중요 객체의 종류, 크기, 위치 등이 다 다르기에 본 논문에서는 훈련 데이터를 이용하지 않고 그 이미지 자체로부터 정보를 얻어내어 결과를 도출하는 비교사 학습(unsupervised-learning)의 방법으로 접근하였다.
본 논문에서는, 이분 딕셔너리를 이용한 중요 객체 검출 알고리즘을 제안한다. 이는 주어진 이미지를 물체와 배경 영역으로 나누었을 때, 물체에 해당하는 특징은 그들끼리 서로 유사할 것이고, 배경에 해당하는 특징은 그들끼리 서로 유사할 것이라는 가정을 바탕으로 한다. 즉, 물체에서 추출한 특징은 배경에서 추출한 특징보다는 같은 물체의 다른 부분에서 추출한 특징으로 좀 더 잘 표현될 것이라 가정한다. 따라서 만약 주어진 이미지를 여러개의 수퍼픽셀로 나누어 이로부터 물체 딕셔너리와 배경 딕셔너리를 만든다면, 예를 들어 물체에 해당하는 수퍼픽셀은 물체 딕셔너리를 이용하여 희소 표현(sparse representation)했을 때에는 복원 오차가 적고, 배경 딕셔너리를 이용하여 희소 표현했을 때에는 복원 오차가 클 것이다. 그리하여 제안하는 알고리즘은, 주어진 이미지를 바탕으로 한번 물체 딕셔너리와 배경 딕셔너리를 만들고, 각각의 복원 오차와 관련된 우리의 가정과 일치하도록 수퍼픽셀의 레이블을 물체(1) 혹은 배경(0)으로 할당한다. 즉, 다른 레이블을 가지는 딕셔너리를 이용한 복원 오차는 최대로 해주고, 같은 레이블을 가지는 딕셔너리를 이용한 복원 오차는 최소로 해주게끔 각 수퍼픽셀의 레이블을 할당한다. 이 과정은 수퍼픽셀 레이블이 더이상 업데이트되지 않을 때까지 반복되며, 각 수퍼픽셀의 레이블은 그 과정에서 계속하여 업데이트 된다.
중요 객체 검출 분야에서 일반적으로 많이 쓰이는 MSRA-1000 데이터셋과 두개의 중요 객체를 담고 있는 SED2 데이터셋에 대해서 실험을 수행하였으며, 제안된 알고리즘이 기존의 많은 알고리즘과 그 성능을 비교하였을 때, 뒤지지 않는 성능을 보여줌을 확인할 수 있었다. 특히 제안된 알고리즘이 물체 영역을 균일하게 밝게 나타내는 특징이 있음을 확인할 수 있었다. 또한 제안된 알고리즘은 기존 알고리즘과 결합되어 기존 알고리즘의 성능을 더 높이는 형태로 사용될 수도 있음을 실험으로 보였다.
