| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 基于多示例学习的弱监督目标检测方法 | 第15-16页 |
| 1.2.2 基于图像分割方法的弱监督目标检测方法 | 第16-17页 |
| 1.2.3 基于卷积神经网络的弱监督目标检测方法 | 第17-19页 |
| 1.3 论文主要研究内容及创新点 | 第19页 |
| 1.4 论文章节安排 | 第19-21页 |
| 第2章 基于注意力机制的目标检测模型 | 第21-32页 |
| 2.1 注意力机制介绍 | 第21-24页 |
| 2.2 基于注意力机制的目标检测模型设计 | 第24-27页 |
| 2.2.1 数学原理 | 第24-25页 |
| 2.2.2 网络结构与设计 | 第25-27页 |
| 2.3 注意力显著图的扩充算法 | 第27-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 针对一般目标检测的结果细化算法 | 第32-50页 |
| 3.1 Canny边缘检测算法 | 第33-37页 |
| 3.1.1 高斯滤波 | 第33-34页 |
| 3.1.2 梯度 | 第34-35页 |
| 3.1.3 非极大值抑制 | 第35-36页 |
| 3.1.4 双阈值边缘检测 | 第36-37页 |
| 3.2 基于深度学习的边缘提取算法 | 第37-42页 |
| 3.2.1 候选边缘点筛选 | 第38-39页 |
| 3.2.2 高层次特征提取 | 第39-41页 |
| 3.2.3 边缘检测网络 | 第41页 |
| 3.2.4 基于边缘检测结果的一般目标检测结果细化算法 | 第41-42页 |
| 3.3 实验与分析 | 第42-49页 |
| 3.3.1 评价指标 | 第42-44页 |
| 3.3.2 PascalVOC2007目标检测数据集实验 | 第44页 |
| 3.3.3 PascalVOC2012目标检测数据集实验 | 第44-48页 |
| 3.3.4 医疗场景弱监督目标检测试验 | 第48-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第4章 针对自然场景文本检测的结果细化算法 | 第50-63页 |
| 4.1 笔画宽度变换算法 | 第50-52页 |
| 4.1.1 算法预处理 | 第51页 |
| 4.1.2 笔画宽度变换操作 | 第51页 |
| 4.1.3 候选字符分组 | 第51-52页 |
| 4.1.4 文本行聚合 | 第52页 |
| 4.2 最大稳定极值区域算法 | 第52-54页 |
| 4.2.1 图像预处理 | 第53页 |
| 4.2.2 图像灰度遍历 | 第53页 |
| 4.2.3 关键区域判别 | 第53-54页 |
| 4.3 基于统计的文本检测结果细化算法 | 第54-57页 |
| 4.4 实验与分析 | 第57-62页 |
| 4.4.1 评价指标 | 第57-60页 |
| 4.4.2 MSRA-TD500数据集实验 | 第60页 |
| 4.4.3 ICDAR2013数据集实验 | 第60-61页 |
| 4.4.4 ICDAR2015数据集实验 | 第61-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 总结与展望 | 第63-66页 |
| 5.1 工作总结 | 第63-64页 |
| 5.2 工作展望 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-73页 |
| 在读期间发表的学术论文与取得的研究成果 | 第73页 |
