| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究的背景 | 第9-10页 |
| 1.2 课题研究的意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.3.1 基于手动(Handcrafted)特征提取的模型 | 第11-12页 |
| 1.3.2 基于深度学习特征的方法 | 第12-13页 |
| 1.3.3 3D图像显著性研究现状 | 第13页 |
| 1.4 拟解决的问题 | 第13-14页 |
| 1.5 本文的内容以及章节安排 | 第14-16页 |
| 1.5.1 本文的研究内容 | 第14-15页 |
| 1.5.2 本文的组织结构 | 第15-16页 |
| 第2章 相关背景基础理论 | 第16-23页 |
| 2.1 人类视觉系统 | 第16-18页 |
| 2.2 3D图像视觉特征 | 第18-19页 |
| 2.2.1 底层特征 | 第18页 |
| 2.2.2 高层语义特征 | 第18-19页 |
| 2.3 性能评价指标 | 第19-21页 |
| 2.3.1 基于位置的指标 | 第19-20页 |
| 2.3.2 基于分布的指标 | 第20-21页 |
| 2.4 数据集简介 | 第21页 |
| 2.5 本章小结 | 第21-23页 |
| 第3章 基于区域级的3D图像视觉显著性检测 | 第23-38页 |
| 3.1 深度学习特征启发的3D图像视觉显著性检测 | 第24-30页 |
| 3.1.1 深度特征提取 | 第24-25页 |
| 3.1.2 基于神经网络(NN)的显著性预测 | 第25-26页 |
| 3.1.3 实验验证 | 第26-27页 |
| 3.1.4 方法总结 | 第27-30页 |
| 3.2 基于深度神经网络的3D图像视觉显著性检测 | 第30-37页 |
| 3.2.1 基于超像素的图像分割 | 第31页 |
| 3.2.2 多分辨区域级的视觉显著性预测网络 | 第31-32页 |
| 3.2.3 像素级的空间融合网络 | 第32-34页 |
| 3.2.4 实验验证 | 第34-37页 |
| 3.2.5 方法总结 | 第37页 |
| 3.3 本章小结 | 第37-38页 |
| 第4章 基于多通道全卷积的3D图像视觉显著性检测 | 第38-51页 |
| 4.1 所提出方法概述 | 第38-39页 |
| 4.2 多通道全卷积视觉显著性预测网络 | 第39-41页 |
| 4.2.1 颜色或深度显著性预测网络 | 第39-41页 |
| 4.2.2 颜色和深度联合显著性预测网络 | 第41页 |
| 4.3 学习中心偏置先验 | 第41-42页 |
| 4.4 稠密显著性预测的通道间融合 | 第42-44页 |
| 4.5 实验验证 | 第44-49页 |
| 4.6 本章小结 | 第49-51页 |
| 第5章 总结和展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士学位期间的研究成果 | 第58页 |