| ABSTRACT | 第5-7页 |
| 摘要 | 第8-14页 |
| SYMBOL LIST | 第14-15页 |
| ABBREVIATION LIST | 第15-21页 |
| Chapter 1 Thesis Overview and Background | 第21-63页 |
| 1.1 Motivation and Statement | 第21-22页 |
| 1.2 Eye Localization | 第22-23页 |
| 1.3 Image Cosegmentation | 第23-43页 |
| 1.4 video cosegmentation | 第43-58页 |
| 1.5 Main Results and Organization | 第58-63页 |
| Chapter 2 Eye localization with Rotation Invariance | 第63-87页 |
| 2.1 Introduction and Motivation | 第63-67页 |
| 2.2 Rotation Invariant Eye Localization | 第67-74页 |
| 2.2.1 Codebook of Invariant Local Features | 第67-69页 |
| 2.2.2 2-class SRC with Multi-valued Output for Localization | 第69-71页 |
| 2.2.3 Pyramid-like Detection and Localization | 第71-74页 |
| 2.3 Experiments and Discussions | 第74-82页 |
| 2.3.1 Localization within Local Search Regions | 第77-79页 |
| 2.3.2 Localization with Face Detector Only | 第79-81页 |
| 2.3.3 Localization without Face Detector | 第81-82页 |
| 2.4 Conclusion | 第82-87页 |
| Chapter 3 Image Cosegmentation Based on Mutual Learning Between Saliency andSimilarity | 第87-109页 |
| 3.1 Introduction and Motivation | 第87-95页 |
| 3.1.1 The Saliency of Common Objects | 第87-90页 |
| 3.1.2 The Similarity of Common Objects | 第90-92页 |
| 3.1.3 Preliminaries: Low-rank based Saliency Detection | 第92-95页 |
| 3.2 Discriminative Learning based Mutual Learning Framework | 第95-99页 |
| 3.3 Tree-Graph Cut based Mutual Learning Framework | 第99-102页 |
| 3.4 Experiments and Discussions | 第102-108页 |
| 3.4.1 Comparison with Other Co-segmentation Methods | 第103-106页 |
| 3.4.2 Iteration Analysis | 第106-108页 |
| 3.5 Conclusion | 第108-109页 |
| Chapter 4 A Unified Mutual Learning Framework for Efficient Image Cosegmentation | 第109-141页 |
| 4.1 Introduction and Motivation | 第109-110页 |
| 4.2 A Unified Framework Based on Structured Sparsity and Tree-graph Matching | 第110-117页 |
| 4.2.1 Preliminaries: The Rethinking of Tree-graph Matching | 第110-111页 |
| 4.2.2 Proposed Model | 第111-114页 |
| 4.2.3 Optimization | 第114-117页 |
| 4.3 Two Strategies for Efficiency | 第117-120页 |
| 4.3.1 Active Node Strategy | 第117-119页 |
| 4.3.2 Self-adaptive Tree Reconstruction Strategy | 第119-120页 |
| 4.4 Experiments and Discussions | 第120-133页 |
| 4.4.1 The Performances of the Heat Maps | 第122-124页 |
| 4.4.2 The Performances of cosegmentation | 第124-131页 |
| 4.4.3 Parameter and Iteration Analysis | 第131-132页 |
| 4.4.4 Discussion | 第132-133页 |
| 4.5 Conclusion | 第133-137页 |
| 4.6 Appendix | 第137-141页 |
| 4.6.1 Updating L~i, S~i, α~i | 第137-140页 |
| 4.6.2 Updating Weights | 第140-141页 |
| Chapter 5 Video Cosegmentation with Deep Descriptors | 第141-149页 |
| 5.1 Introduction and Motivation | 第141-142页 |
| 5.2 Video cosegmentation with the Reuse of RNN Model | 第142-146页 |
| 5.2.1 Preliminaries: Conditional Random Field Model | 第142-143页 |
| 5.2.2 Pre-trained CRF-RNN for Feature Extraction | 第143-145页 |
| 5.2.3 Clustering-based Video Cosegmentation with Deep Descriptors | 第145-146页 |
| 5.2.4 Surgery on Pre-trained CRF-RNN for Refinements | 第146页 |
| 5.3 Experiments and Discussion | 第146-148页 |
| 5.4 Conclusion | 第148-149页 |
| Chapter 6 Concluding Remarks and Future Work | 第149-155页 |
| 6.1 Conclusions | 第149-150页 |
| 6.2 Future Directions | 第150-155页 |
| BIBLIOGRAPHY | 第155-175页 |
| ACKNOWLEDGEMENTS | 第175-177页 |
| RESUME | 第177-178页 |
