基于多示例学习的群组图像协同显著性分析
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 自底向上的图像显著分析模型 | 第12-13页 |
| 1.2.2 自顶向下的图像显著分析模型 | 第13-14页 |
| 1.2.3 协同显著性分析模型 | 第14-15页 |
| 1.3 研究内容及难点 | 第15-16页 |
| 1.4 内容概要与组织结构 | 第16-17页 |
| 2 相关工作及理论基础 | 第17-33页 |
| 2.1 图像特征 | 第17-19页 |
| 2.1.1 颜色特征 | 第17-19页 |
| 2.1.2 纹理特征 | 第19页 |
| 2.2 图像分割 | 第19-25页 |
| 2.2.1 图像分割算法概述 | 第19-20页 |
| 2.2.2 Mean-Shift图像分割算法 | 第20-22页 |
| 2.2.3 SLIC图像分割算法 | 第22-23页 |
| 2.2.4 Graph Cuts图像分割算法 | 第23-24页 |
| 2.2.5 图像分割与图像协同显著性的关系 | 第24-25页 |
| 2.3 多示例学习算法 | 第25-29页 |
| 2.3.1 多示例学习算法概述 | 第25-26页 |
| 2.3.2 多样性密度算法 | 第26-27页 |
| 2.3.3 EC-SVM算法 | 第27-28页 |
| 2.3.4 Citation-kNN算法 | 第28页 |
| 2.3.5 多示例学习与图像协同显著性的关系 | 第28-29页 |
| 2.4 现有协同显著性分析算法 | 第29-32页 |
| 2.4.1 基于聚类的协同显著性检测 | 第29-30页 |
| 2.4.2 基于随机森林的协同显著性检测 | 第30-31页 |
| 2.4.3 基于秩约束的协同显著性检测 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 3 基于多示例学习的群组图像协同显著性分析 | 第33-52页 |
| 3.1 问题描述 | 第33-34页 |
| 3.2 图像分割与特征提取 | 第34-38页 |
| 3.2.1 图像分割 | 第34-35页 |
| 3.2.2 相对特征提取 | 第35-38页 |
| 3.3 单图显著区域预提取 | 第38-40页 |
| 3.4 群组图像协同显著性检测方法 | 第40-50页 |
| 3.4.1 包和示例的构建 | 第41-44页 |
| 3.4.2 基于稀疏表示算法的协同显著区域选择 | 第44-47页 |
| 3.4.3 算法优化 | 第47-50页 |
| 3.5 算法流程 | 第50-51页 |
| 3.6 本章小结 | 第51-52页 |
| 4 实验结果与分析 | 第52-66页 |
| 4.1 图像数据库 | 第52-54页 |
| 4.2 实验结果与分析 | 第54-65页 |
| 4.2.1 定性分析 | 第54-57页 |
| 4.2.2 定量分析 | 第57-62页 |
| 4.2.3 反包选取对实验的影响 | 第62-65页 |
| 4.3 本章小结 | 第65-66页 |
| 5 总结与展望 | 第66-69页 |
| 5.1 总结 | 第66-67页 |
| 5.2 展望 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第72-74页 |
| 学位论文数据集 | 第74页 |
