Para as bases ECSSD e DUT-OMRON, é perceptível que a informação do objeto é de grande auxílio para a segmentação final, principalmente em termos de UE. Entretanto,
(a) (b)
(c) (d) (e)
(f) (g) (h)
(i) (j) (k)
Figura 5.4: (a) Imagem original com delineamento ideal do objeto em verde. (b) Mapa de saliência gerado pelo método SUP. (c-k) Resultados das segmentações pelos métodos ERGC, ERS, LSC, SLIC, SNIC, ISF-GRID-ROOT, ISF-MIX-MEAN, OISF-OGRID e OISF-OSMOX, respectivamente. O número desejado de superpixels fora de 50.
existem ponderações a serem feitas: primeiramente, os mapas gerados pelo método PFA são extremamente eficientes em localizar os objetos, mas as bordas apresentadas são turvas, o que pode causar complicações quando se pondera o γ em razão às variações deste. Logo, é compreensível a melhora sutil de métodos baseados no OISF ante àqueles baseados no ISF, em ambas as bases.
Entretanto, na base Parasitos, a performance é significativamente alta em relação aos demais métodos. Este comportamento pode ser explicado pela IFT como cerne do mé- todo SUP. Por definição, operadores baseados na IFT realizam um acúmulo de informação através dos custos dos caminhos gerados. Logo, esta realiza operações sobre uma infor- mação conjunta (i.e., dos pixels), em contraste com demais métodos globais, que realizam o cômputo ou sob uma perspectiva local, ou considerando uma pequena vizinhança. Essa informação acumulada permite uma representação das características dos parasitos, en- quanto amortiza eventuais outliers – e isto é análogo pra o fundo. Assim, somado ao fato de ser um estimador a nível de pixel, mas com informações semânticas dos objetos, os mapas gerados por este não apresentam altos valores de certeza (i.e., alta intensidade), enquanto as bordas não apresentam um efeito turvo. Com isto, por mais que as variações presentes no mapa sejam de menor intensidade, resultando em uma menor penalização a partir do γ, a aderência às bordas pelo próprio mapa permite auxiliar o delineamento do objeto de maneira eficiente.
Em questão de prevenção de vazamento, a melhora de métodos baseados no OISF sobre àqueles baseados no ISF, é mais significativa, do que em termos de delineamento. Para poucas quantidades de superpixels, estes apresentaram uma eficiente prevenção de vazamentos, superando até outros métodos do estado-da-arte. O provável motivo deste fato se deve à penalização que o γ impõe sobre a soma dos custos dos caminhos. Para toda variação de valores presentes no mapa, soma-se um custo adicional que pode ser agravado, caso este parâmetro tenha maiores valores. Assim, nas transições de certeza – i.e., maiores e menores intensidades no mapa –, essa soma é efetuada diversas vezes com um peso relativamente moderado, causando em um crescimento significativo do custo até o seu findar. Esta situação é capaz de prevenir diversos vazamentos, uma vez que tais incertezas geralmente ocorrem quando as características presentes no espaço de cores não são de fácil distinção – e.g., transição suave de cores e bordas turvas –, e essa penalização acumulada dificulta que um superpixel pertencente ao objeto, vaze para outro objeto ou para o fundo – e isto é análogo para àqueles pertencentes ao fundo.
A principal diferença de performance de UE para os problemas controlados, e os não- controlados, é resultante do próprio delineamento do mapa. Os mapas gerados pelo PFA apresentam um delineamento significativamente inferior aos gerados pelo SUP, e apre- sentam transições mais abruptas de intensidade (i.e., supressão de regiões de incerteza). Apesar da existência de transições abruptas, o que acarreta em uma penalização drástica, a redução impacta significativamente os superpixels. A estimação equivocada de regiões com potencial de apresentar vazamentos acarreta em menores valores de penalização. Logo, devido às sutis variações de intensidade, os caminhos não são penalizados como se deveriam. Nota-se que os acontecimentos decorrentes desta penalização tardia são válidos caso a penalização seja muito anterior à situação ideal.
portamento em que todos os gráficos apresentaram. Para valores acima de NS> 200, aproximadamente, a curva de performance de métodos baseados no OISF se mantém em um patamar quase inalterável. Para valores relativamente baixos de NS, a informação do mapa permite compensar a insuficiência de competitividade entre os superpixels, preve- nindo a existência de vazamentos e favorecendo o delineamento dos objetos a partir de seus superpixels. Entretanto, à medida que o valor de NS aumenta, aumenta-se a compe- titividade, e cada superpixel se torna mais homogêneo – i.e., a competição é destravada a partir de sutis variações no espaço de características. A especificidade dos superpixels é uma característica que propicia uma detecção eficiente, enquanto previne vazamentos. Entretanto, a penalização proveniente do γ tende a impedir que os superpixels se adaptem às variações de cor, em sua integralidade.
Outro fator de crucial importância para explicar a convergência precoce de métodos baseados no OISF é a inalterabilidade do mapa. Dado o resultado de um estimador, os acertos e erros existentes neste se perpetuam por toda a segmentação. Este fator acarreta no reforço de erros provenientes da estimação, o que implica uma somatória equivocada do caminho, levando a erros de segmentação.
Capítulo 6
Conclusão e Trabalhos Futuros
Neste capítulo, as conclusões obtidas durante o estudo são apresentadas de maneira re- sumida, incluindo o novo arcabouço, e os novos métodos de segmentação em superpixels, ambos baseados em objetos. Além disto, são discorridas algumas linhas de pesquisa que podem ser abertas a partir das descobertas encontradas durante o estudo.
Esta dissertação apresenta o estudo e implementação de uma extensão do arcabouço Floresta Geradora Iterativa (ISF), para incluir a informação prévia de localização dos objetos de interesse. Esta possibilidade permite que um usuário tenha mais controle sobre o resultado da segmentação por superpixels, de tal sorte a auxiliar o aprimoramento de tarefas subsequentes em uma aplicação, como: (i) redução do tempo de processamento; e (ii) aprimoramento do delineamento dos objetos de interesse.
O arcabouço proposto, nomeado como Floresta Geradora Iterativa baseada em Objetos (OISF), incorpora a informação advinda de mapas de saliência de objeto em cada um dos três componentes do ISF, de tal sorte a facilitar a modificação da segmentação resultante para auxiliar a solução de uma aplicação qualquer. Nossa proposta possui as seguintes características que podem ser de grande utilidade para um usuário qualquer:
• Resolução intra-objeto: Permite-se dispor as sementes para a geração de su- perpixels de tal maneira a super-amostrar, ou sub-amostrar, as regiões de maior interesse destacados no mapa;
• Morfologia dos Superpixels: Através de um único parâmetro, pode-se alterar a forma dos superpixels de maneira a balancear entre aderência às bordas definidas no mapa de cores, e às bordas definidas no mapa de saliência;
• Portabilidade: Tal qual o ISF, é possível de se definir os componentes de maneira independente;
• Generalização: É possível de se obter uma segmentação equivalente ao ISF, dadas as devidas configurações;
A primeira característica do OISF previne o surgimento de superpixels que não auxi- liam na respectiva solução do problema (i.e., irrelevantes), que podem implicar em um processamento desnecessário para tarefas subsequentes. Em regiões de baixo contraste en- tre objetos, a possibilidade de controlar a morfologia dos superpixels pode ser de grande
auxílio para a prevenção de surgimento, e agravamento, de vazamentos dos superpixels. A portabilidade e o poder de generalização do OISF, são características que ilustram a capacidade deste algoritmo de se adaptar à diferentes problemas – i.e., o OISF é aplicável tanto em problemas no qual existe um mapa de saliência, como àqueles o qual inexiste tal mapa.
Além do arcabouço, é contribuição desta dissertação dois métodos de amostragem de sementes baseado em objetos. O Amostragem Equidistante e Geodésica em Objeto (OGRID), realiza uma seleção equidistante de sementes dentro dos objetos de interesse, respeitando a sua forma denotada no mapa. Já o método Amostragem do Mapa de Saliên- cias do Objeto por Extração Ordenada (OSMOX) respeita os valores de saliência definidos no mapa, e amostra as sementes de maneira eficiente e atendendo à forma do objeto. A simples modificação na amostragem já se provou ser extremamente benéfica para o apri- moramento da performance de métodos de segmentação por superpixels [7].
Resultados experimentais ilustram que a incorporação de informação prévia pode me- lhorar a performance de métodos baseados no ISF, especialmente para uma quantidade pequena de superpixels gerados. Para problemas envolvendo imagens naturais, métodos baseados no OISF atingiram uma performance de delineamento equivalentes a métodos do estado-da-arte, e superaram estes em termos de prevenção de vazamentos de superpixels. Para problemas nos quais os objetos e fundo possuem características bem definidas (i.e., controlados), a performance de métodos baseados no OISF é extremamente superior aos demais métodos, incluindo àqueles baseados no ISF, para qualquer quantia de superpixels gerados.
Entretanto, existem diversos pontos a serem estudados para o aprimoramento do OISF. Quando utilizados mapas de saliência de qualidade duvidosa, métodos baseados no OISF são severamente impactados, e seu resultado é significativamente deteriorado. A qualidade de tais mapas impõem um limite superior à performance destes, sendo então incapazes de aprimorar, independente da quantidade de superpixels gerados. De maneira análoga, o uso de mapas de qualidade superior acarretam na elevação deste limite, permitindo que o método atinja uma performance tal qual vista para problemas supervisionados. Portanto, o desenvolvimento de métodos de estimação de saliência mais eficientes é desejável.
À medida que o número de superpixels aumenta, e mesmo em posse de mapas de alta qualidade, a competição entre os pares é extremada ao ponto de diferenças sutis serem dis- putadas. Como mapas geralmente oferecem uma boa localização, mas um delineamento razoável, deve-se priorizar as variações no espaço de cores quando o montante desejado de superpixels é relativamente alto. De maneira análoga, em condições de baixa competiti- vidade, as variações no mapa de saliência podem ser de grande auxílio para prevenção de vazamento de superpixels e de erros de delineamento. Logo, deseja-se propor um estudo sobre o parâmetro de confiabilidade do mapa, de tal sorte a ser inversamente proporcional ao número de superpixels gerados (i.e., γ adaptativo).
Recentemente, um método de segmentação em superpixels foi proposto, cuja perfor- mance significativamente supera a de vários métodos do estado-da-arte em termos de delineamento, e de prevenção de vazamento de superpixels. Nomeado por Floresta Ge- radora Iterativa e Dinâmica (DISF, do inglês Dynamic and Iterative Spanning Forest), este método é uma extensão do ISF em que, dado um conjunto significativamente maior
de sementes (i.e., do que o desejado), realiza-se o cômputo dos superpixels considerando a informação das árvores da IFT em construção (i.e., dinâmicamente), e remove-se os superpixels irrelevantes – em respeito a um critério. Dado sua performance, é de grande interesse em estender tal arcabouço para que inclua informação prévia de objeto – tal qual OISF –, para que atinja segmentações ainda mais eficientes.
Métodos de detecção de objetos comumente utilizam da estratégia de dividir a imagem em várias caixas delimitadoras inteligentemente, e avaliam a existência de um objeto em cada uma através de uma rede neural profunda. Assim, é possível de se inferir que, uma segmentação por superpixels pode ser uma alternativa à estratégias atuais de definição das caixas delimitadoras. Além disso, uma segmentação que possa realizar uma represen- tação do objeto a facilitar a distinção entre este, e o fundo, pode auxiliar na prevenção de erros de detecção. Dado a capacidade do OISF em dispor os superpixels arbitraria- mente, e de alterar sua forma, é possível obter segmentações distintas com configurações extremamente similares e, portanto, diferentes possibilidades de se representar os objetos de interesse. Logo, pretende-se estudar e conceber estratégias de geração de caixas deli- mitadoras a partir de resultados obtidos pelo OISF, de tal sorte a aprimorar aplicações de detecção de objetos, seja estes de propósito geral ou específicos.
Referências Bibliográficas
[1] R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua, and S. Süsstrunk. SLIC su- perpixels compared to state-of-the-art superpixel methods. Transactions on Pattern Analysis and Machine Intelligence, 34(11):2274–2282, 2012.
[2] R. Achanta and S. Süsstrunk. Superpixels and polygons using simple non-iterative clustering. In 30th Conference on Computer Vision and Pattern Recognition (CVPR), pages 4651–4660, 2017.
[3] E. Ahn, J. Kim, L. Bi, A. Kumar, C. Li, M. Fulham, and D. Feng. Saliency-based lesion segmentation via background detection in dermoscopic images. Biomedical and Health Informatics, 21(6):1685–1693, 2017.
[4] M. Awaisu, L. Li, J. Peng, and J. Zhang. Fast superpixel segmentation with deep features. In 36th Computer Graphics International Conference (CGI), pages 410–416, 2019.
[5] Z. Ban, J. Liu, and L. Cao. Superpixel segmentation using gaussian mixture model. Transactions on Image Processing, 27(8):4105–4117, 2018.
[6] F. Belém, S. Guimarães, and A. Falcão. Superpixel segmentation by object-based iterative spanning forest. In 23rd Iberoamerican Congress on Pattern Recognition, pages 334–341, 2018.
[7] F. Belém, L. Melo, S. Guimarães, and A. Falcão. The importance of object-based seed sampling for superpixel segmentation. In 32nd Conference on Graphics, Patterns and Images (SIBGRAPI), pages 108–115, 2019.
[8] P. Buyssens, I. Gardin, S. Ruan, and A. Elmoataz. Eikonal-based region growing for efficient clustering. Image and Vision Computing, 32(12):1045–1054, 2014.
[9] J. Carvalho, B. Santos, J. Gomes, C. Suzuki, S. Shimizu, A. Falcão, J. Pierucci, L. Matos, and K. Bresciani. Tf-test modified: New diagnostic tool for human ente- roparasitosis. Journal of Clinical Laboratory Analysis, 30(4):293–300, 2016.
[10] C. Castelo-Fernandez and A. Falcão. Learning visual dictionaries from class-specific superpixel segmentation. In 18th Conference on Computer Analysis of Images and Patterns (CAIP), pages 171–182, 2019.
[11] M. Cheng, N. Mitra, X. Huang, P. Torr, and S. Hu. Global contrast based sali- ent region detection. Transactions on Pattern Analysis and Machine Intelligence, 37(3):569–582, 2015.
[12] C. Christopoulos, A. Skodras, and T. Ebrahimi. The jpeg2000 still image coding system: an overview. Transactions on Consumer Electronics, 46(4):1103–1127, 2000. [13] K. Ciesielski, A. Falcão, and P. Miranda. Path-value functions for which Dijkstra’s algorithm returns optimal mapping. Journal of Mathematical Imaging and Vision, 60(7):1025–1036, 2018.
[14] M. Condori, F. Cappabianco, A. Falcão, and P. Miranda. Extending the differen- tial image foresting transform to root-based path-cost functions with application to superpixel segmentation. In 30th Conference on Graphics, Patterns and Images (SIBGRAPI), pages 7–14. IEEE, 2017.
[15] A. Doulamis, N. Doulamis, K. Ntalianis, and S. Kollias. Unsupervised semantic object segmentation of stereoscopic video sequences. In International Conference on Information Intelligence and Systems (ICIIS), pages 527–533, 1999.
[16] A. Falcão and F. Bergo. Interactive volume segmentation with differential image foresting transforms. Transactions on Medical Imaging, 23(9):1100–1108, 2004. [17] A. Falcão, B. Cunha, and R. Lotufo. Design of connected operators using the image
foresting transform. In Medical Imaging (SPIE-MI), volume 4322, pages 468–479, 2001.
[18] A. Falcão, L. da Costa, and B. Cunha. Multiscale skeletons by image foresting trans- form and its application to neuromorphometry. Pattern Recognition, 35(7):1571– 1582, 2002.
[19] A. Falcão, J. Stolfi, and R. Lotufo. The image foresting transform: Theory, algo- rithms, and applications. Transactions on Pattern Analysis and Machine Intelligence, 26(1):19–29, 2004.
[20] P. Felzenszwalb and D. Huttenlocher. Efficient graph-based image segmentation. International Journal of Computer Vision, 59(2):167–181, 2004.
[21] F. Galvão, A. Falcão, and A. Chowdhury. RISF: recursive iterative spanning forest for superpixel segmentation. In 31st Conference on Graphics, Patterns and Images (SIBGRAPI), pages 408–415, 2018.
[22] R. Giraud, V. Ta, and N. Papadakis. SCALP: Superpixels with contour adherence using linear path. In 23rd International Conference on Pattern Recognition (ICPR), pages 2374–2379, 2016.
[23] J. Gomes, S. Shimizu, S. Dias, L. Cândido, A. Araujo, V. Castilho, and F. Neves. Evaluation of a novel kit (tf-test) for the diagnosis of intestinal parasitic infections. Journal of Clinical Laboratory Analysis, 18(2):132–138, 2004.
[24] C. Guo and L. Zhang. A novel multiresolution spatiotemporal saliency detection model and its applications in image and video compression. Transactions on Image Processing, 19(1):185–198, 2010.
[25] H. Hadizadeh and I. Bajić. Saliency-aware video compression. IEEE Transactions on Image Processing, 23(1):19–33, 2014.
[26] Q. Hou, M. Cheng, X. Hu, A. Borji, Z. Tu, and P. Torr. Deeply supervised sali- ent object detection with short connections. Transactions on Pattern Analysis and Machine Intelligence, 41(4):815–828, 2019.
[27] V. Jampani, D. Sun, M. Liu, M. Yang, and J. Kautz. Superpixel sampling networks. In 18th European Conference on Computer Vision (ECCV), pages 352–368, 2018. [28] A. Levinshtein, A. Stere, K. Kutulakos, D. Fleet, S. Dickinson, and K. Siddiqi. Tur-
boPixels: Fast superpixels using geometric flows. Transactions on Pattern Analysis and Machine Intelligence, 31(12):2290–2297, 2009.
[29] J. Li, F. Meng, and J. Mao. Saliency detection on videos with scene change. In 4th International Conference on Audio, Language and Image Processing (ICALIP), pages 506–510, 2014.
[30] Y. Li and L. Shen. Skin lesion analysis towards melanoma detection using deep learning network. Sensors, 18(2):556, 2018.
[31] Z. Li and J. Chen. Superpixel segmentation using linear spectral clustering. In 28th Conference on Computer Vision and Pattern Recognition (CVPR), pages 1356–1363, 2015.
[32] C. Liu, R. Zhao, and M. Pang. A fully automatic segmentation algorithm for ct lung images based on random forest. Medical Physics, 2019.
[33] M. Liu, O. Tuzel, S. Ramalingam, and R. Chellappa. Entropy rate superpixel segmen- tation. In 24th Conference on Computer Vision and Pattern Recognition (CVPR), pages 2097–2104, 2011.
[34] Y. Liu, M. Yu, B. Li, and Y. He. Intrinsic manifold SLIC: A simple and effici- ent method for computing content-sensitive superpixels. Transactions on Pattern Analysis and Machine Intelligence, 40(3):653–666, 2018.
[35] Z. Liu, X. Zhang, S. Luo, and O. Meur. Superpixel-based spatiotemporal saliency detection. Transactions on Circuits and Systems for Video Technology, 24(9):1522– 1540, 2014.
[36] L. Mansilla, P. Miranda, and F. Cappabianco. Image segmentation by image foresting transform with non-smooth connectivity functions. In 26th Conference on Graphics, Patterns and Images (SIBGRAPI), pages 147–154, 2013.
[37] D. Martin, C. Fowlkes, and J. Malik. Learning to detect natural image boundaries using local brightness, color, and texture cues. Transactions on Pattern Analysis and Machine Intelligence, 26(5):530–549, 2004.
[38] S. Martins, G. Ruppert, F. Reis, C. Yasuda, and A. Falcão. A supervoxel-based ap- proach for unsupervised abnormal asymmetry detection in MR images of the brain. In 16th International Symposium on Biomedical Imaging (ISBI), pages 882–885, 2019. [39] G. Menegaz and R. Lancini. Semantic segmentation of angiographic images. In 18th
International Conference of Engineering in Medicine and Biology Society, volume 2, pages 670–671, 1996.
[40] P. Miranda, A. Falcão, and J. Udupa. Synergistic arc-weight estimation for interac- tive image segmentation using graphs. Computer Vision and Image Understanding, 114(1):85–99, 2010.
[41] P. Neubert and P. Protzel. Superpixel benchmark and comparison. In Forum Bild- verarbeitung, volume 6, pages 1–12, 2012.
[42] H. Ong and K. Ma. Semantic image segmentation using oriented pattern analysis. In 8th International Conference on Information, Communications Signal Processing (ICICSP), pages 1–4, 2011.
[43] J. Papa, A. Falcão, and C. Suzuki. Supervised pattern classification based on optimum-path forest. International Journal of Imaging Systems and Technology, 19(2):120–131, 2009.
[44] X. Ren and J. Malik. Learning a classification model for segmentation. In 9th International Conference on Computer Vision (ICCV), volume 1, pages 10–17, 2003. [45] Z. Ren and G. Shakhnarovich. Image segmentation by cascaded region agglomeration. In 26th Conference on Computer Vision and Pattern Recognition (CVPR), pages 2011–2018, 2013.
[46] A. Schick, M. Fischer, and R. Stiefelhagen. An evaluation of the compactness of superpixels. Pattern Recognition Letters, 43:71–80, 2014.
[47] J. Shen, X. Hao, Z. Liang, Y. Liu, W. Wang, and L. Shao. Real-time superpixel segmentation by DBSCAN clustering algorithm. Transactions on Image Processing, 25(12):5933–5942, 2016.
[48] J. Shi, Q. Yan, L. Xu, and J. Jia. Hierarchical image saliency detection on extended cssd. Transactions on Pattern Analysis and Machine Intelligence, 38(4):717–729, 2015.
[49] A. Sousa, S. Martins, A. Falcão, F. Reis, E. Bagatin, and K. Irion. Altis: A fast and automatic lung and trachea ct-image segmentation method. Medical Physics, 46(11):4970–4982, 2019.
[50] T. Spina, P. Miranda, and A. Falcão. Intelligent understanding of user interaction in image segmentation. International Journal of Pattern Recognition and Artificial Intelligence, 26(02):1265001, 2012.
[51] D. Stutz, A. Hermans, and B. Leibe. Superpixels: An evaluation of the state-of-the- art. Computer Vision and Image Understanding, 166:1–27, 2018.
[52] A. Tavares, P. Miranda, T. Spina, and A. Falcão. A supervoxel-based solution to resume segmentation for interactive correction by differential image foresting trans- forms. In 13th International Symposium on Mathematical Morphology (ISMM), pages 107–118, 2017.
[53] N. Tong, H. Lu, L. Zhang, and X. Ruan. Saliency detection with multi-scale super- pixels. Signal Processing Letters, 21(9):1035–1039, 2014.
[54] W. Tu, M. Liu, V. Jampani, D. Sun, S. Chien, M. Yang, and J. Kautz. Learning superpixels with segmentation-aware affinity loss. In 31st Conference on Computer Vision and Pattern Recognition (CVPR), pages 568–576, 2018.
[55] M. Van den Bergh, X. Boix, G. Roig, B. de Capitani, and L. Van Gool. SEEDS: Superpixels extracted via energy-driven sampling. In 12th European Conference on Computer Vision (ECCV), pages 13–26, 2012.
[56] J. Vargas-Muñoz, A. Chowdhury, E. Alexandre, F. Galvão, P. Miranda, and A. Fal- cão. An iterative spanning forest framework for superpixel segmentation. Transacti- ons on Image Processing, 28(7):3477–3489, 2019.
[57] L. Wan, X. Xu, Q. Zhao, and W. Feng. Spherical superpixels: Benchmark and evaluation. In 14th Asian Conference on Computer Vision (ACCV), pages 703–717, 2018.
[58] X. Wei, Q. Yang, Y. Gong, N. Ahuja, and M. Yang. Superpixel hierarchy. Transac- tions on Image Processing, 27(10):4838–4849, 2018.
[59] X. Xiao, Y. Zhou, and Y. Gong. Content-adaptive superpixel segmentation. Tran- sactions on Image Processing, 27(6):2883–2896, 2018.
[60] L. Xu, L. Zeng, and Z. Wang. Saliency-based superpixels. Signal, Image and Video Processing, 8(1):181–190, 2014.
[61] Q. Yan, L. Xu, J. Shi, and J. Jia. Hierarchical saliency detection. In 26th Conference on Computer Vision and Pattern Recognition (CVPR), pages 1155–1162, 2013. [62] C. Yang, L. Zhang, H. Lu, X. Ruan, and M. Yang. Saliency detection via graph-based
manifold ranking. In 26th Conference on Computer Vision and Pattern Recognition (CVPR), pages 3166–3173, 2013.
[63] F. Yang, H. Lu, and M. Yang. Robust superpixel tracking. Transactions on Image Processing, 23(4):1639–1651, 2014.
[64] L. Ye, Z. Liu, L. Li, L. Shen, C. Bai, and Y. Wang. Salient object segmentation via effective integration of saliency and objectness. Transactions on Multimedia,