Occlusion cues for image scene layering
Abstract
To bring computer vision closer to human vision, we attempt to enable computer to understand the occlusion relationship in an image. In this paper, we propose five low dimensional region-based occlusion cues inspired by the human perception of occlusion. These cues are semantic cue, position cue, compactness cue, shared boundary cue and junction cue. We apply these cues to predict the region-wise occlusion relationship in an image and infer the layer sequence of the image scene. A preference function, trained with samples consisting of these cues, is defined to predict the occlusion relationship in an image. Then we put all the occlusion predictions into the layering algorithm to infer the layer sequence of the image scene.
The experiments on rural, artificial and outdoor scene datasets show the effectiveness of our method
for occlusion relationship prediction and image scene layering.
-----------------------------------------------
ترجمه چکیده مقاله:
نشانه های انسداد برای لایه بندی صحنه تصویر
چکیده:
به منظور نزدیک کردن دید کامپیوتری به دید انسانی، درصدد این هستیم که کامپیوتر را قادر به درک رابطه جفت شدگی در یک تصویر نماییم. در این مقاله، ما پنج نشانه انسداد کم بعد بر اساس ناحیه را با الهام از درک انسداد انسان مطرح می کنیم. این نشانه ها،نشانه معنایی، نشانه موقعیت، نشانه تراکم ، نشانه مرز مشترک و نشانه اتصال هستند.این نشانه ها جهت پیش بینی رابطه انسداد هوشیارانه در محل و در یک تصویر به کار می رود و توالی لایه ای صحنه تصویر را استنباط می کند. تابع ترجیح، با نمونه هایی که شامل این نشانه ها می باشد تمرین می شود.که جهت پیش بینی رابطه جفت شدگی در تصویر تعریف می شود. پس ما کلیه پیش بینی های انسداد را در الگوریتم لایه بندی قرار می دهیم تا توالی لایه ای صفحه تصویر را استنباط نماییم. آزمایشاتی در مورد مجموعه داده های صحنه خارجی و مصنوعی، تاثیربخشی روش ما برای پیش بینی رابطه انسداد و لایه بندی صحنه تصویر نشان داده شده است.
