视觉显著性物体检测算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-18页 |
| 1.1 显著性物体检测的背景和意义 | 第9-10页 |
| 1.2 显著性物体检测的研究现状 | 第10-14页 |
| 1.2.1 基于非学习模型的显著性检测 | 第11-13页 |
| 1.2.2 基于浅层学习的显著性检测 | 第13页 |
| 1.2.3 基于深度学习的显著性检测 | 第13-14页 |
| 1.3 显著性物体检测算法存在的问题和研究思路 | 第14-15页 |
| 1.4 论文概述 | 第15-18页 |
| 1.4.1 本文的研究内容和成果 | 第15-16页 |
| 1.4.2 论文结构 | 第16-18页 |
| 2 视觉显著性检测理论基础及模型 | 第18-29页 |
| 2.1 引言 | 第18页 |
| 2.2 视觉显著性检测的理论研究 | 第18-21页 |
| 2.2.1 视觉注意机制的神经学及心理学机制 | 第18-19页 |
| 2.2.2 眼动点预测与显著性物体检测 | 第19-21页 |
| 2.3 显著性物体检测的一般模型 | 第21-25页 |
| 2.3.1 特征提取 | 第21-24页 |
| 2.3.2 区域显著性计算 | 第24-25页 |
| 2.3.4 显著图融合 | 第25页 |
| 2.4 数据库及评价标准 | 第25-28页 |
| 2.4.1 数据库 | 第25-27页 |
| 2.4.2 评价标准 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 基于引导Boosting的显著性检测算法 | 第29-41页 |
| 3.1 引言 | 第29-30页 |
| 3.2 特征提取 | 第30-33页 |
| 3.3 训练样本生成 | 第33-36页 |
| 3.4 基于引导的增强学习算法 | 第36-37页 |
| 3.5 实验结果 | 第37-41页 |
| 4 基于深度学习的显著性检测算法 | 第41-66页 |
| 4.1 引言 | 第41-42页 |
| 4.2 基于多任务深度学习的显著性检测算法 | 第42-56页 |
| 4.2.1 多任务学习模型 | 第43-44页 |
| 4.2.2 像素级监督稠密预测任务 | 第44-49页 |
| 4.2.2.1 FCN网络 | 第44-48页 |
| 4.2.2.2 金字塔池化模块PPM | 第48-49页 |
| 4.2.3 图像级标签预测任务 | 第49-51页 |
| 4.2.3.1 启发式显著性先验图 | 第49-50页 |
| 4.2.3.2 全局平滑池化GSP | 第50-51页 |
| 4.2.4 网络结构 | 第51-53页 |
| 4.2.5 模型训练 | 第53-54页 |
| 4.2.6 后处理 | 第54-56页 |
| 4.3 实验结果及分析 | 第56-65页 |
| 4.3.1 模块对比 | 第57-58页 |
| 4.3.2 整体对比 | 第58-65页 |
| 4.4 本章小结 | 第65-66页 |
| 5 总结与展望 | 第66-68页 |
| 5.1 工作总结 | 第66-67页 |
| 5.2 研究展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 致谢 | 第73-74页 |
