Revisao bibliográfica sobre segmentação

Propomos um método para identificar e localizar o objeto aulas de imagens. Em vez de operar a nível do pixel, que defendem o uso de superpixels como a unidade básica de um segmentação de classe ou esquema de localização pixel. Para esta fim, construímos um classificador no histograma de características locais encontrada em cada Superpixel. Nós regularizar este classificador agregando histogramas no bairro de cada Superpixel e, em seguida, refinar os resultados mais usando o classificador em uma condicional aleatória campo operacional no gráfico Superpixel. O nosso método proposto ultrapassa o publicado anteriormente state-of-the-art em duas desafiador conjuntos de dados: Graz-02 eo PASCAL VOC 2007 Segmentação
Desafie.

Introdução
O sucesso recente em nível de imagem objeto de categorização tem levou a um interesse significativo nas frentes de localização relacionados e categorização de nível de pixel. Ambas as áreas têm visto significativa progresso, através da detecção de objeto desafia, como PASCAL
VOC [9]. Até agora, as técnicas mais promissoras parecem ser aqueles que consideram que cada pixel de uma imagem.
Para a localização, correr classificadores janela [8, 3, 21, 35] considerar uma janela (ou de todas as janelas possíveis) em torno de cada pixel de uma imagem e tentar encontrar a classificação que melhor se encaixa no modelo. Ultimamente, este modelo inclui frequentemente alguma forma de coerência espacial (por exemplo, [22]). Deste modo, nós pode ver a classificação janela deslizante como uma localização "top-down" técnica que tenta encaixar um objeto global grosso modelo para cada localização possível.
Na classe de objeto de segmentação, o objetivo é produzir um segmentação do nível do pixel da imagem de entrada. A maioria das abordagens são construídas de baixo para cima sobre as representações locais aprendidas
(Por exemplo TextonBoost [32]) e pode ser visto como um evolução de detectores de textura. Devido ao seu