基于局部线性回归和全局排序的图像显著性检测
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-8页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 显著性的发展背景 | 第8页 |
| 1.1.2 视觉注意研究意义及方向 | 第8-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.2.1 自底向上的显著性检测 | 第9-10页 |
| 1.2.2 自顶向下的显著性检测 | 第10-11页 |
| 1.3 本文主要工作和章节安排 | 第11-13页 |
| 1.3.1 本文主要工作和创新点 | 第11-12页 |
| 1.3.2 本文章节安排 | 第12-13页 |
| 2 LLRGS相关理论介绍 | 第13-22页 |
| 2.1 图模型 | 第13-14页 |
| 2.1.1 图模型的构建 | 第13-14页 |
| 2.1.2 拉普拉斯矩阵 | 第14页 |
| 2.2 线性回归预测模型 | 第14-18页 |
| 2.2.1 回归分析介绍 | 第14-15页 |
| 2.2.2 线性回归分析预测模型 | 第15-17页 |
| 2.2.3 过拟合 | 第17-18页 |
| 2.3 约束优化问题 | 第18-19页 |
| 2.3.1 惩罚函数法 | 第18页 |
| 2.3.2 惩罚函数应用 | 第18-19页 |
| 2.4 局部学习 | 第19-21页 |
| 2.4.1 局部学习思想 | 第19-20页 |
| 2.4.2 局部模型的构建 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 3 基于局部线性回归和全局排序的图像显著性检测 | 第22-38页 |
| 3.1 LLRGS算法流程 | 第22-32页 |
| 3.1.1 超像素的生成 | 第23-26页 |
| 3.1.2 特征提取 | 第26-27页 |
| 3.1.3 种子点的选取 | 第27-29页 |
| 3.1.4 邻近超像素的选取 | 第29-31页 |
| 3.1.5 相关参数设置 | 第31-32页 |
| 3.2 LLRGS算法核心 | 第32-36页 |
| 3.2.1 构建目标函数 | 第32-33页 |
| 3.2.2 构建局部线性回归模型 | 第33-34页 |
| 3.2.3 全局排序求取拉普拉斯矩阵L | 第34-36页 |
| 3.3 本章小结 | 第36-38页 |
| 4 实验结果和分析 | 第38-51页 |
| 4.1 实验环境 | 第38-39页 |
| 4.2 LLRGS排序算法评估 | 第39-43页 |
| 4.2.1 LLRGS实验结果评估 | 第39-41页 |
| 4.2.2 邻近超像素选取实验结果比较 | 第41-43页 |
| 4.3 与不同算法的比较 | 第43-49页 |
| 4.3.1 ECSSD-1000图像库各算法比较 | 第43-46页 |
| 4.3.2 MSRA图像库各算法比较 | 第46-49页 |
| 4.4 算法失败的例子 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间发表学术论文情况 | 第56-57页 |
| 致谢 | 第57-58页 |
