| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第11-33页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 什么叫“显著性目标分割”? | 第13-14页 |
| 1.3 显著性目标分割、视点预测、图像分割的区别与联系 | 第14-15页 |
| 1.3.1 视点预测 | 第14页 |
| 1.3.2 图像分割 | 第14-15页 |
| 1.4 国内外研究现状 | 第15-21页 |
| 1.4.1 基于图像的内在线索的像素级模型 | 第15-16页 |
| 1.4.2 基于图像的内在线索的区域级模型 | 第16-19页 |
| 1.4.3 基于图像的外部线索的模型 | 第19-21页 |
| 1.4.4 其他模型 | 第21页 |
| 1.5 显著性目标分割模型的评测方法与常用数据集 | 第21-26页 |
| 1.6 一些常用优化算法简介 | 第26-30页 |
| 1.6.1 增广拉格朗日乘数法(ALM) | 第27页 |
| 1.6.2 交替方向乘子法(ADMM) | 第27-29页 |
| 1.6.3 自适应惩罚的线性交替方向乘子法(LADMAP) | 第29-30页 |
| 1.7 本文的主要工作 | 第30-33页 |
| 1.7.1 论文主要贡献 | 第31-32页 |
| 1.7.2 论文章节安排 | 第32-33页 |
| 第二章 基于半范数正则化的稀疏低秩耦合的图像分割模型 | 第33-49页 |
| 2.1 相关工作介绍与讨论 | 第33-36页 |
| 2.1.1 基于稀疏表示的子空间聚类模型(SSC) | 第34页 |
| 2.1.2 基于低秩表示的子空间聚类模型(LRR) | 第34-35页 |
| 2.1.3 基于最小二乘回归的子空间聚类模型(LSR) | 第35页 |
| 2.1.4 非负的稀疏表示耦合低秩表示的模型(NNLRSR) | 第35-36页 |
| 2.2 半范数正则约束的的稀疏低秩耦合的图像分割模型 | 第36-40页 |
| 2.2.1 半范数正则约束的引入 | 第36-37页 |
| 2.2.2 半范数正则约束的稀疏低秩耦合的图像分割模型 | 第37页 |
| 2.2.3 模型的求解 | 第37-40页 |
| 2.3 数值实验与分析 | 第40-47页 |
| 2.3.1 实验设置 | 第40页 |
| 2.3.2 在人工数据上的实验 | 第40-43页 |
| 2.3.3 在BSD500数据库上的实验 | 第43-45页 |
| 2.3.4 在SED数据库上的实验 | 第45-46页 |
| 2.3.5 参数β和λ的选择 | 第46-47页 |
| 2.4 本章小结 | 第47-49页 |
| 第三章 基于Schatten-q正则化约束的低秩子空间聚类算法 | 第49-65页 |
| 3.1 相关工作与讨论 | 第49-50页 |
| 3.1.1 低秩子空间聚类模型(LRSC) | 第49页 |
| 3.1.2 Schatten-p范数和l_p范数联合最小化的矩阵补全算法 | 第49-50页 |
| 3.2 基于Schatten-q正则化约束的低秩子空间聚类模型 | 第50-55页 |
| 3.2.1 相关定义及定理 | 第51-53页 |
| 3.2.2 模型的求解 | 第53-54页 |
| 3.2.3 算法的收敛性分析 | 第54-55页 |
| 3.2.4 完整的算法描述 | 第55页 |
| 3.3 模型分析与讨论 | 第55-59页 |
| 3.3.1 现有模型的推广 | 第56-58页 |
| 3.3.2 解的秩更低 | 第58-59页 |
| 3.3.3 收敛速度快 | 第59页 |
| 3.4 数值实验与分析 | 第59-63页 |
| 3.4.1 应用一：运动分割 | 第59-60页 |
| 3.4.2 应用二：人脸分类 | 第60-62页 |
| 3.4.3 实验讨论 | 第62-63页 |
| 3.5 本章小结 | 第63-65页 |
| 第四章 基于各向异性扩散方程的显著性检测模型 | 第65-93页 |
| 4.1 各向异性扩散方程简介 | 第65-66页 |
| 4.2 基于非局部各向异性扩散方程的显著性检测模型 | 第66-81页 |
| 4.2.1 预备知识 | 第66-67页 |
| 4.2.2 视觉显著性扩散过程与非局部各向异性扩散方程模型 | 第67-70页 |
| 4.2.3 第一阶段：基于边缘先验的背景扩散 | 第70-72页 |
| 4.2.4 第二阶段：显著性种子扩散过程 | 第72-75页 |
| 4.2.5 数值实验及分析 | 第75-79页 |
| 4.2.6 运行时间分析 | 第79-81页 |
| 4.3 基于非局部张量扩散的图像显著性检测模型 | 第81-91页 |
| 4.3.1 相关工作介绍 | 第81-83页 |
| 4.3.2 基于非局部扩散张量的视觉显著性扩散模型 | 第83-85页 |
| 4.3.3 模型的离散求解 | 第85页 |
| 4.3.4 两阶段扩散 | 第85-86页 |
| 4.3.5 数值实验及分析 | 第86-90页 |
| 4.3.6 运行时间分析 | 第90-91页 |
| 4.4 本章小结 | 第91-93页 |
| 第五章 基于多特征融合的显著性流模型 | 第93-111页 |
| 5.1 显著性流的建模 | 第93-95页 |
| 5.1.1 符号说明 | 第93页 |
| 5.1.2 显著性流的建模 | 第93-95页 |
| 5.2 完整的显著性流模型 | 第95-101页 |
| 5.2.1 特征选择 | 第96-98页 |
| 5.2.2 特征显著性的学习 | 第98-99页 |
| 5.2.3 特征融合的权重 | 第99-101页 |
| 5.3 数值实验与分析 | 第101-109页 |
| 5.3.1 数据集 | 第101-103页 |
| 5.3.2 参数设置 | 第103页 |
| 5.3.3 评估方法 | 第103页 |
| 5.3.4 模型分析 | 第103-105页 |
| 5.3.5 性能比较 | 第105-107页 |
| 5.3.6 模型复杂性分析 | 第107-109页 |
| 5.4 本章小结 | 第109-111页 |
| 第六章 总结与展望 | 第111-115页 |
| 6.1 本文工作总结 | 第111-112页 |
| 6.2 未来工作展望 | 第112-115页 |
| 参考文献 | 第115-129页 |
| 致谢 | 第129-131页 |
| 攻读博士学位期间的研究成果 | 第131页 |
