| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 课题研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.3 本文的研究内容 | 第11-12页 |
| 1.4 本文的组织结构 | 第12-13页 |
| 第2章 视觉显著目标检测相关理论 | 第13-23页 |
| 2.1 引言 | 第13页 |
| 2.2 图像超像素分割算法 | 第13-16页 |
| 2.2.1 基于图的分割算法 | 第14-15页 |
| 2.2.2 SLIC分割算法 | 第15-16页 |
| 2.3 图像视觉特征 | 第16-20页 |
| 2.3.1 通用视觉特征 | 第17-18页 |
| 2.3.2 显著视觉特征 | 第18-20页 |
| 2.4 基于深度学习的显著目标检测技术 | 第20-22页 |
| 2.4.1 全卷积网络 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 基于全卷积网络的像素级显著目标检测 | 第23-31页 |
| 3.1 引言 | 第23-24页 |
| 3.2 全卷积网络的结构优化方法 | 第24-29页 |
| 3.2.1 扩张卷积 | 第24-25页 |
| 3.2.2 短连接 | 第25-26页 |
| 3.2.3 网络结构 | 第26-29页 |
| 3.3 算法实现与可视化分析 | 第29-30页 |
| 3.3.1 算法实现 | 第29页 |
| 3.3.2 可视化分析 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 多模型显著图融合框架及优化方法 | 第31-42页 |
| 4.1 引言 | 第31-32页 |
| 4.2 基于背景先验和显著性扩散的区域级显著目标检测 | 第32-38页 |
| 4.2.1 基于物体特征的背景先验优化 | 第33-36页 |
| 4.2.2 基于显著性扩散的显著目标检测方法 | 第36-38页 |
| 4.3 显著图融合及优化算法 | 第38-40页 |
| 4.3.1 显著图融合 | 第38-39页 |
| 4.3.2 显著图优化 | 第39-40页 |
| 4.4 本章小结 | 第40-42页 |
| 第5章 实验设计与分析 | 第42-53页 |
| 5.1 引言 | 第42页 |
| 5.2 系统开发环境 | 第42-43页 |
| 5.3 数据集及评价标准 | 第43-45页 |
| 5.3.1 常用数据集 | 第43-44页 |
| 5.3.2 评价标准 | 第44-45页 |
| 5.4 对比算法 | 第45-46页 |
| 5.5 实验结果分析 | 第46-52页 |
| 5.5.1 定性分析 | 第46-47页 |
| 5.5.2 定量分析 | 第47-52页 |
| 5.6 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59页 |