We propose an automatic video segmentation method based on an optimized SaliencyCut equipped with information centroid (IC) detection according to level balance principle in physical theory. Unlike the existing methods, the image information of another dimension is provided by the IC to enhance the video segmentation accuracy. Specifically, our IC is implemented based on the information-level balance principle in the image, and denoted as the information pivot by aggregating all the image information to a point. To effectively enhance the saliency value of the target object and suppress the background area, we also combine the color and the coordinate information of the image in calculating the local IC and the global IC in the image. Then saliency maps for all frames in the video are calculated based on the detected IC. By applying IC smoothing to enhance the optimized saliency detection, we can further correct the unsatisfied saliency maps, where sharp variations of colors or motions may exist in complex videos. Finally, we obtain the segmentation results based on IC-based saliency maps and optimized SaliencyCut. Our method is evaluated on the DAVIS dataset, consisting of different kinds of challenging videos. Comparisons with the state-of-the-art methods are also conducted to evaluate our method. Convincing visual results and statistical comparisons demonstrate its advantages and robustness for automatic video segmentation.

中文翻译：

---

基于信息质心和优化SaliencyCut的自动视频分割

我们根据物理理论中的电平平衡原理，提出了一种基于优化的 SaliencyCut 的自动视频分割方法，该方法配备了信息质心 (IC) 检测。与现有方法不同，IC提供另一维度的图像信息以提高视频分割精度。具体来说，我们的IC是基于图像中的信息级平衡原则实现的，通过将所有图像信息聚合到一个点来表示为信息枢纽。为了有效增强目标物体的显着性值并抑制背景区域，我们在计算图像中的局部IC和全局IC时，还结合了图像的颜色和坐标信息。然后根据检测到的 IC 计算视频中所有帧的显着图。通过应用 IC 平滑来增强优化的显着性检测，我们可以进一步校正不满意的显着性图，其中复杂视频中可能存在颜色或运动的急剧变化。最后，我们基于基于 IC 的显着图和优化的 SaliencyCut 获得分割结果。我们的方法在 DAVIS 数据集上进行评估，该数据集由不同类型的具有挑战性的视频组成。还进行了与最先进方法的比较以评估我们的方法。令人信服的视觉结果和统计比较证明了其在自动视频分割方面的优势和鲁棒性。我们基于基于 IC 的显着图和优化的 SaliencyCut 获得分割结果。我们的方法在 DAVIS 数据集上进行评估，该数据集由不同类型的具有挑战性的视频组成。还进行了与最先进方法的比较以评估我们的方法。令人信服的视觉结果和统计比较证明了其在自动视频分割方面的优势和鲁棒性。我们基于基于 IC 的显着图和优化的 SaliencyCut 获得分割结果。我们的方法在 DAVIS 数据集上进行评估，该数据集由不同类型的具有挑战性的视频组成。还进行了与最先进方法的比较以评估我们的方法。令人信服的视觉结果和统计比较证明了其在自动视频分割方面的优势和鲁棒性。