基于无监督抠图模型的显著性区域提取算法研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第15-20页 |
| 1.1 课题研究背景 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-18页 |
| 1.3 论文的研究目的 | 第18-19页 |
| 1.4 论文的结构安排 | 第19-20页 |
| 第二章 注意力模型与粗定位算法设计 | 第20-36页 |
| 2.1 目标视觉显著性机制 | 第20-21页 |
| 2.2 显著性区域视觉注意力模型 | 第21-28页 |
| 2.2.1 主要特征提取 | 第22-23页 |
| 2.2.2 颜色强度显著性 | 第23-24页 |
| 2.2.3 方向显著性 | 第24-26页 |
| 2.2.4 分组显著性 | 第26-27页 |
| 2.2.5 注意力竞争池 | 第27-28页 |
| 2.3 视觉模式统计学模型 | 第28-30页 |
| 2.3.1 自然图像的1/f-power规则 | 第28-29页 |
| 2.3.2 描述型模型中的纹理 | 第29页 |
| 2.3.3 描述模型中的纹理基元处理 | 第29-30页 |
| 2.3.4 描述模型中的二维曲线 | 第30页 |
| 2.4 显著性区域粗定位算法设计 | 第30-34页 |
| 2.4.1 训练前景区域特征点SVM分类器 | 第30-34页 |
| 2.4.2 特征分类与目标区域粗定位 | 第34页 |
| 2.5 本章小结 | 第34-36页 |
| 第三章 显著性区域精确提取算法设计 | 第36-59页 |
| 3.1 无监督方式下的谱抠图 | 第36-41页 |
| 3.1.1 抠图组件 | 第37页 |
| 3.1.2 拉普拉斯矩阵的谱分析 | 第37-40页 |
| 3.1.3 分组组件与无监督抠图 | 第40-41页 |
| 3.2 无监督抠图算法设计 | 第41-55页 |
| 3.2.1 通过学习方式对Alpha掩像的估计 | 第41-45页 |
| 3.2.2 Trimap的结构合理性分析 | 第45-50页 |
| 3.2.3 目标粗定位后的边缘估计 | 第50-51页 |
| 3.2.4 Unsup-Trimap填充标记 | 第51-55页 |
| 3.3 基于无监督抠图的目标精确定位 | 第55-58页 |
| 3.4 本章小结 | 第58-59页 |
| 第四章 本文算法在自然场景目标识别中的应用 | 第59-68页 |
| 4.1 自然场景中目标识别系统设计目标 | 第59页 |
| 4.2 自然场景中目标识别系统框架 | 第59-60页 |
| 4.3 显著性区域提取模块详细设计 | 第60-61页 |
| 4.4 自然场景中目标识别系统实现 | 第61-64页 |
| 4.5 显著性区域提取系统鲁棒性测试 | 第64-67页 |
| 4.6 本章小结 | 第67-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第74-75页 |
