基于深度神经网络的图像显著性检测
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第10-22页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究内容及拟解决的问题 | 第13-16页 |
| 1.3.1 研究目标 | 第13-14页 |
| 1.3.2 研究内容 | 第14-16页 |
| 1.3.3 拟解决的关键问题 | 第16页 |
| 1.4 研究方法及技术路线 | 第16-20页 |
| 1.4.1 研究方法 | 第16-17页 |
| 1.4.2 研究路线 | 第17-19页 |
| 1.4.3 研究创新点 | 第19-20页 |
| 1.5 本文的章节安排 | 第20-21页 |
| 1.6 本章小结 | 第21-22页 |
| 2 相关研究的理论综述 | 第22-34页 |
| 2.1 经典的显著性检测方法 | 第22-27页 |
| 2.1.1 基于生物视觉的方法 | 第22-24页 |
| 2.1.2 基于数学计算的方法 | 第24-25页 |
| 2.1.3 基于对比度的方法 | 第25-27页 |
| 2.2 深度学习与神经网络 | 第27-32页 |
| 2.2.1 神经网络 | 第27-28页 |
| 2.2.2 卷积神经网络 | 第28-32页 |
| 2.3 深度学习的实现工具 | 第32-33页 |
| 2.3.1 深度学习的相关硬件 | 第32页 |
| 2.3.2 深度学习开源框架 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 3 基于空间卷积网络模型的图像显著性检测算法 | 第34-48页 |
| 3.1 引言 | 第34页 |
| 3.2 基于空间卷积网络模型的图像显著性检测 | 第34-40页 |
| 3.2.1 数据预处理 | 第35页 |
| 3.2.2 基于全局特征信息的学习 | 第35-36页 |
| 3.2.3 空间变换模块的实现 | 第36-37页 |
| 3.2.4 VGG16网络结构的优化 | 第37-38页 |
| 3.2.5 基于局部特征信息的提取 | 第38-39页 |
| 3.2.6 显著性融合 | 第39-40页 |
| 3.3 实验结果与分析 | 第40-47页 |
| 3.3.1 数据库介绍 | 第40-42页 |
| 3.3.2 评价准则 | 第42-43页 |
| 3.3.3 实验相关细节说明 | 第43-45页 |
| 3.3.4 定量分析 | 第45-47页 |
| 3.3.5 定性分析 | 第47页 |
| 3.4 本章小结 | 第47-48页 |
| 4 基于多尺度学习的图像显著性检测算法 | 第48-60页 |
| 4.1 引言 | 第48页 |
| 4.2 基于多尺度学习的图像显著性检测 | 第48-53页 |
| 4.2.1 多尺度输入的VGG网络 | 第49-50页 |
| 4.2.2 多尺度融合的CNN网络 | 第50-52页 |
| 4.2.3 模型训练及实现细节 | 第52-53页 |
| 4.3 实验结果与分析 | 第53-58页 |
| 4.3.1 定量分析 | 第53-55页 |
| 4.3.2 定性分析 | 第55-56页 |
| 4.3.3 对比分析 | 第56-58页 |
| 4.4 本章小结 | 第58-60页 |
| 5 图像显著性检测软件的设计与实现 | 第60-68页 |
| 5.1 软件开发概述 | 第60页 |
| 5.2 软件总体设计 | 第60-64页 |
| 5.2.1 软件功能要求 | 第60-61页 |
| 5.2.2 软件功能组成 | 第61-64页 |
| 5.2.3 软件流程设计 | 第64页 |
| 5.3 软件实现流程 | 第64-67页 |
| 5.3.1 运行配置 | 第64页 |
| 5.3.2 框架界面 | 第64-65页 |
| 5.3.3 软件实现 | 第65-67页 |
| 5.4 本章小结 | 第67-68页 |
| 6 结论与展望 | 第68-70页 |
| 6.1 结论 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-78页 |
| 附录硕士研究生学习阶段的研究成果 | 第78-80页 |
| 致谢 | 第80页 |
