Segmentation de catégories d'objets par combinaison d'un modèle d'apparence et d'un champs de Markov
Résumé
In this article, we consider the task of category level object segmentation. Object models based on bag-of-words representations achieve state-of-the-art performance for object recognition. However, they fail to accurately locate object boundaries and thus produce inaccurate object segmentation. On the other hand, Markov Random Field based models used for image segmentation focus on object boundaries but can hardly use global object constraints, which is required when dealing with object categories whose appearance may vary significantly. The key contribution of this paper is to combine the advantages of these two approaches. First, a blob-based mechanism allows to detect objects using visual word occurrences, and produces rough image segmentation. Second, a MRF component produces clean cuts, guided by local image cues (color, texture and edge cues) and by long-distance dependency given by the blob model, which enforces label consistency. Our approach is validated on standard public datasets, containing different object classes, in presence of cluttered backgrounds and large view point changes.
Nous nous intéressons ici à la segmentation de catégories d'objets dans des images. Si les modèles d'apparence par sac-de-mots sont ceux qui donnent à ce jour les meilleures performances en termes de classification d'image et de localisation d'objets, ils ne permettent pas de localiser précisément les frontières des objets. Cela vient du fait que les objets ne sont considérés que comme des collections non structurées d'informations éparses. Parallèlement, les modèles basés sur des champs de Markov (MRF) utilisés pour la segmentation d'images se basent essentiellement sur les frontières et permettent une régularisation spatiale, mais utilisent difficilement des contraintes globales liées aux objets, ce qui est indispensable lorsqu'on travaille avec des catégories d'objets dont l'apparence peut varier significativement dune instance à l'autre. La principale contribution de cet article est la combinaison élégante de ces deux approches. Notre approche comporte un mécanisme basé sur la détection d'objets par sac-de-mots produisant une segmentation grossière des images, et simultanément, un second mécanisme, lui basé sur un MRF, produit des segmentations propres. Ce second mécanisme est guidé à la fois par des indices locaux de l'image (couleur, texture et arrêtes) et par des dépendances à plus large échelle, données par le modèle sac-de-mots qui renforcent la consistance entre les labels. Des expériences sur les bases Pascal VOC 2006 et Graz-02 montrent des résultats impressionnants dans le contexte difficile de la segmentation de catégories d'objets en présence de fonds encombrés et de larges changements de points de vue.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...