| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 选题的背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文的主要工作及结构安排 | 第12-14页 |
| 第2章 基于显著性分析的目标检测算法模型简介 | 第14-30页 |
| 2.1 引言 | 第14-15页 |
| 2.2 显著性目标检测算法框架 | 第15-16页 |
| 2.3 认知注意模型 | 第16-19页 |
| 2.3.1 视觉特征提取 | 第17-18页 |
| 2.3.2 跨尺度融合 | 第18-19页 |
| 2.3.3 显著图的生成 | 第19页 |
| 2.4 频域分析注意模型 | 第19-21页 |
| 2.4.1 谱残差模型 | 第19-20页 |
| 2.4.2 四元相位谱模型 | 第20-21页 |
| 2.5 图论注意模型 | 第21-24页 |
| 2.5.1 贝叶斯公式 | 第22页 |
| 2.5.2 粗略的显著区域提取 | 第22-23页 |
| 2.5.3 先验概率 | 第23-24页 |
| 2.5.4 似然概率 | 第24页 |
| 2.6 深度学习注意模型 | 第24-27页 |
| 2.6.1 基于区域特征提取的深度学习目标检测模型 | 第25页 |
| 2.6.2 基于无区域提名的深度学习目标检测模型 | 第25-27页 |
| 2.7 算法结果对比 | 第27-28页 |
| 2.8 本章小结 | 第28-30页 |
| 第3章 基于分层PCA技术的显著性目标检测 | 第30-41页 |
| 3.1 引言 | 第30页 |
| 3.2 算法描述 | 第30-37页 |
| 3.2.1 比特面图像分层原理 | 第31-32页 |
| 3.2.2 彩色转换 | 第32-33页 |
| 3.2.3 利用分层PCA生成显著图 | 第33-34页 |
| 3.2.4 提取结构特征 | 第34-35页 |
| 3.2.5 提取颜色特征 | 第35页 |
| 3.2.6 结构特征与颜色特征的显著性融合 | 第35-36页 |
| 3.2.7 最优结果判决 | 第36-37页 |
| 3.3 实验结果及分析 | 第37-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于局部四元变换结合全局特征的多目标检测 | 第41-53页 |
| 4.1 引言 | 第41-42页 |
| 4.2 算法描述 | 第42页 |
| 4.3 基于局部四元数变换域的粗略显著图计算 | 第42-46页 |
| 4.3.1 四元数法则 | 第43页 |
| 4.3.2 彩色图像四元数表示 | 第43-45页 |
| 4.3.3 粗略显著图计算 | 第45-46页 |
| 4.4 基于全局显著性的显著图计算 | 第46-48页 |
| 4.4.1 最终显著图融合 | 第47-48页 |
| 4.5 实验结果及分析 | 第48-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 工作总结 | 第53-54页 |
| 5.2 课题展望 | 第54-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间科研成果 | 第62页 |