基于显著性检测的自然场景图像分类算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 图像分类研究现状 | 第10-12页 |
| 1.2.2 显著性检测研究现状 | 第12-13页 |
| 1.3 研究内容和技术路线 | 第13-15页 |
| 1.4 论文结构 | 第15-17页 |
| 第2章 基于SEEDS超像素分割的显著性检测 | 第17-37页 |
| 2.1 SEEDS超像素分割算法 | 第17-20页 |
| 2.2 融合纹理特征的超像素分割 | 第20-23页 |
| 2.2.1 纹理特征提取 | 第21-22页 |
| 2.2.2 纹理特征融合 | 第22-23页 |
| 2.3 基于超像素和流行排序的显著性检测方法 | 第23-30页 |
| 2.3.1 流行排序算法 | 第24-26页 |
| 2.3.2 背景种子点筛选 | 第26-28页 |
| 2.3.3 算法实现流程 | 第28-30页 |
| 2.4 实验与分析 | 第30-36页 |
| 2.4.1 超像素分割实验与分析 | 第30-32页 |
| 2.4.2 显著性检测评价指标 | 第32-33页 |
| 2.4.3 显著性检测实验与分析 | 第33-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第3章 基于显著性检测的自然场景图像分类模型 | 第37-62页 |
| 3.1 AlexNet卷积神经网络模型 | 第37-42页 |
| 3.1.1 卷积层和池化层 | 第39-40页 |
| 3.1.2 激活层和归一化层 | 第40-41页 |
| 3.1.3 全连接层 | 第41-42页 |
| 3.2 AlexNet网络训练 | 第42-46页 |
| 3.2.1 网络训练方法 | 第42-43页 |
| 3.2.2 网络训练过程 | 第43-46页 |
| 3.3 基于显著性检测的图像分类模型 | 第46-54页 |
| 3.3.1 图像分类模型实现流程 | 第46-48页 |
| 3.3.2 显著图的二值化处理 | 第48-49页 |
| 3.3.3 选取最大连通区域 | 第49-51页 |
| 3.3.4 GrabCut算法实现前景分割 | 第51-52页 |
| 3.3.5 网络参数优化 | 第52-54页 |
| 3.4 实验与分析 | 第54-61页 |
| 3.4.1 数据集 | 第54-55页 |
| 3.4.2 评价指标 | 第55页 |
| 3.4.3 实验环境 | 第55-56页 |
| 3.4.4 前景分割实验与分析 | 第56-57页 |
| 3.4.5 图像分类实验与分析 | 第57-61页 |
| 3.5 本章小结 | 第61-62页 |
| 第4章 总结与展望 | 第62-64页 |
| 4.1 总结 | 第62-63页 |
| 4.2 展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读学位期间发表的论文 | 第69页 |
