结构化Krylov-SVD分解的显著性目标检测算法
Computer Technology and Development（2021）
摘要
针对低秩矩阵在图像显著性检测中,因凸松弛迭代奇异值分解导致的计算复杂度高及稀疏矩阵元素间潜在结构关系未充分考虑导致的显著图发散或不完整现象,提出了一种结构化低秩矩阵Krylov-SVD分解的显著性目标检测算法.该算法对Arnoldi模型进行了深入研究,在Krylov-Schur重启算法的基础上对Schur分解进行改进,给出了Krylov-SVD奇异值分解算法,通过求其前k个特征值,对稀疏矩阵进行降阶处理,以降低计算复杂度;随后引入了索引树结构化稀疏范数,利用分层稀疏正则化来连接稀疏矩阵中元素之间的空间关系.实验中采用MSRA10K、SOD和ECSSD三个公开数据集、四种评价指标,与现有的十一种算法进行了对比实验.实验结果表明,该显著性目标检测算法在时间性能和精准性方面有着良好表现.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要