基于语义特征的视觉关注点检测
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-14页 |
| 1.1 研究背景及意义 | 第7-9页 |
| 1.2 研究现状及发展前景 | 第9-12页 |
| 1.2.1 传统模型 | 第10-11页 |
| 1.2.2 深度学习模型 | 第11-12页 |
| 1.3 全文章节安排 | 第12-14页 |
| 2 相关研究及本文工作 | 第14-23页 |
| 2.1 支持向量机 | 第14-15页 |
| 2.2 深度学习算法 | 第15-20页 |
| 2.2.1 卷积神经网络 | 第15-18页 |
| 2.2.2 全卷积网络 | 第18-19页 |
| 2.2.3 循环全卷积网络 | 第19-20页 |
| 2.3 本文工作及主要贡献 | 第20-23页 |
| 3 传统方法和深度学习框架的的关注点检测模型 | 第23-39页 |
| 3.1 基于支持向量机的关注点模型 | 第23-31页 |
| 3.1.1 全卷积网络的图像语义分割模块 | 第23-26页 |
| 3.1.2 低层集合特征的关注点初步检测 | 第26-29页 |
| 3.1.3 传统人眼关注点检测模型 | 第29-31页 |
| 3.2 基于全卷积网络的人眼关注点模型 | 第31-35页 |
| 3.2.1 模型建立 | 第31-33页 |
| 3.2.2 训练与推断 | 第33-35页 |
| 3.3 基于循环全卷积网络的人眼关注点检测模型 | 第35-39页 |
| 3.3.1 循环全卷积网络 | 第35-37页 |
| 3.3.2 训练与推断 | 第37-39页 |
| 4 实验结果与分析 | 第39-57页 |
| 4.1 数据库介绍 | 第39-41页 |
| 4.2 实验细节说明 | 第41-45页 |
| 4.2.1 评价指标 | 第41-44页 |
| 4.2.2 细节说明 | 第44-45页 |
| 4.3 三种模型中子模块性能分析 | 第45-52页 |
| 4.4 与经典算法的比较 | 第52-55页 |
| 4.5 算法的局限性 | 第55-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-66页 |
