| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 研究背景、意义及其应用 | 第10-11页 |
| 1.2 视点跟踪技术的国内外研究现状 | 第11-16页 |
| 1.2.1 接触式硬件设备对视点进行跟踪定位 | 第11-12页 |
| 1.2.2 非接触式设备对视点跟踪定位 | 第12-14页 |
| 1.2.3 基于图像处理算法的视点跟踪技术 | 第14-15页 |
| 1.2.4 不同视点跟踪技术之间的对比总结 | 第15-16页 |
| 1.3 显著物检测技术的国内外研究现状 | 第16-19页 |
| 1.3.1 基于底层图像特征的显著物检测(自底向上) | 第17-18页 |
| 1.3.2 基于空间域与频率域的显著物检测 | 第18页 |
| 1.3.3 基于高层外部信息的显著物检测(自顶向下) | 第18-19页 |
| 1.4 显著物检测的应用 | 第19-20页 |
| 1.5 本论文的主要研究内容与贡献 | 第20-21页 |
| 1.6 本论文的组织架构安排 | 第21-22页 |
| 第二章 视点跟踪技术与显著物检测的原理概述 | 第22-33页 |
| 2.1 视点跟踪技术的原理概述 | 第22-28页 |
| 2.1.1 视点跟踪技术生理依据 | 第22-24页 |
| 2.1.2 视点跟踪技术相关概念与原理 | 第24-28页 |
| 2.1.2.1 人脸检测及特征点提取原理 | 第24-28页 |
| 2.1.2.2 眼部提取原理 | 第28页 |
| 2.2 显著物检测原理概述 | 第28-31页 |
| 2.3 视点跟踪技术应用在显著物检测中的原理 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于深度学习的视线跟踪算法研究 | 第33-57页 |
| 3.1 深度学习简介 | 第33-41页 |
| 3.1.1 神经网络 | 第35-37页 |
| 3.1.2 深度学习三大模型 | 第37-41页 |
| 3.2 深度学习框架简介 | 第41-45页 |
| 3.2.1 各个框架简介 | 第41-43页 |
| 3.2.2 Caffe四大模块介绍 | 第43-45页 |
| 3.3 基于深度学习的视点跟踪算法 | 第45-56页 |
| 3.3.1 深度神经网络的关键结构 | 第45-47页 |
| 3.3.2 深度学习网络构建 | 第47-56页 |
| 3.4 本章小结 | 第56-57页 |
| 第四章 视点跟踪算法验证实验 | 第57-71页 |
| 4.1 数据集和评价标准及实验设置 | 第57-63页 |
| 4.1.1 数据集简介 | 第57-60页 |
| 4.1.2 数据集处理 | 第60-62页 |
| 4.1.3 实验设备 | 第62-63页 |
| 4.2 视点跟踪算法实验 | 第63-69页 |
| 4.2.1 基于深度学习的视点跟踪算法实现 | 第63-65页 |
| 4.2.2 可视化结果展示 | 第65-69页 |
| 4.3 本章小结 | 第69-71页 |
| 第五章 视点算法在显著物检测中的应用 | 第71-80页 |
| 5.1 引言 | 第71-72页 |
| 5.2 显著物数据库 | 第72-73页 |
| 5.2.1 显著图数据库简介 | 第72-73页 |
| 5.3 视点跟踪算法在显著物检测中的应用 | 第73-74页 |
| 5.4 实验验证及结果分析 | 第74-79页 |
| 5.5 本章小结 | 第79-80页 |
| 第六章 结论 | 第80-82页 |
| 6.1 本文的工作总结 | 第80-81页 |
| 6.2 不足和展望 | 第81-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 攻读硕士学位期间取得的成果 | 第87页 |