| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第13-29页 |
| 1.1 研究背景和意义 | 第13-17页 |
| 1.2 研究现状 | 第17-26页 |
| 1.2.1 显著区域提取方法的研究现状及分析 | 第17-22页 |
| 1.2.2 显著性数据集的研究现状及分析 | 第22-26页 |
| 1.3 主要研究内容 | 第26-27页 |
| 1.4 论文组织结构 | 第27-29页 |
| 2 面向社交媒体图像的显著性数据集 | 第29-45页 |
| 2.1 引言 | 第29-30页 |
| 2.2 数据集的图像筛选原则与评测方法 | 第30-36页 |
| 2.2.1 图像筛选原则 | 第30-32页 |
| 2.2.2 数据集的性能评测方法 | 第32-36页 |
| 2.3 面向社交媒体图像的显著性数据集的构建 | 第36-44页 |
| 2.3.1 图像来源 | 第36-37页 |
| 2.3.2 图像标注 | 第37页 |
| 2.3.3 图像筛选 | 第37页 |
| 2.3.4 数据集的统计分析与性能评测 | 第37-41页 |
| 2.3.5 数据集的典型图像 | 第41-43页 |
| 2.3.6 数据集的标签信息统计 | 第43-44页 |
| 2.4 本章小结 | 第44-45页 |
| 3 基于标签上下文的显著区域提取方法 | 第45-65页 |
| 3.1 引言 | 第45-46页 |
| 3.2 显著区域提取流程 | 第46-47页 |
| 3.3 显著区域提取方法建模 | 第47-49页 |
| 3.3.1 条件随机场模型介绍 | 第47-48页 |
| 3.3.2 提取方法的模型描述 | 第48-49页 |
| 3.4 基于外观的显著性计算 | 第49-52页 |
| 3.4.1 多尺度的区域分割 | 第49-50页 |
| 3.4.2 显著性计算 | 第50页 |
| 3.4.3 空间一致性优化 | 第50-51页 |
| 3.4.4 多尺度显著图融合 | 第51-52页 |
| 3.5 标签语义特征计算 | 第52-53页 |
| 3.6 实验 | 第53-62页 |
| 3.6.1 实验设置 | 第53-54页 |
| 3.6.2 评价指标 | 第54-56页 |
| 3.6.3 标签有效性的验证实验 | 第56-59页 |
| 3.6.4 与流行方法的比较 | 第59-62页 |
| 3.7 本章小结 | 第62-65页 |
| 4 基于多特征的显著区域提取方法 | 第65-91页 |
| 4.1 引言 | 第65-68页 |
| 4.1.1 图像特征的获取方法 | 第65-66页 |
| 4.1.2 卷积神经网络 | 第66-67页 |
| 4.1.3 基于深度结构的显著区域提取方法 | 第67-68页 |
| 4.2 基于多特征的显著区域提取方法流程 | 第68-69页 |
| 4.3 基于深度学习特征的显著区域提取 | 第69-73页 |
| 4.3.1 基于CNN特征的显著性计算 | 第69-72页 |
| 4.3.2 标签语义特征计算 | 第72-73页 |
| 4.3.3 显著图和标签语义图的融合 | 第73页 |
| 4.4 基于人工设计特征的显著区域提取 | 第73-74页 |
| 4.5 图像依赖的显著图动态融合 | 第74-79页 |
| 4.5.1 方法思想 | 第75-76页 |
| 4.5.2 训练阶段 | 第76-77页 |
| 4.5.3 测试阶段 | 第77-78页 |
| 4.5.4 基于投票机制的显著图融合 | 第78-79页 |
| 4.6 空间一致性优化 | 第79-80页 |
| 4.7 实验 | 第80-90页 |
| 4.7.1 实验设置 | 第80-82页 |
| 4.7.2 SID数据集上的实验 | 第82-87页 |
| 4.7.3 流行数据集上的实验 | 第87-89页 |
| 4.7.4 基于深度学习特征的提取方法和基于人工设计特征的提取方法的比较 | 第89-90页 |
| 4.8 本章小结 | 第90-91页 |
| 5 显著性在图像分类中的应用 | 第91-113页 |
| 5.1 基于显著性的分类框架 | 第91-94页 |
| 5.1.1 思想的由来 | 第91-92页 |
| 5.1.2 图像库的显著性分析 | 第92-94页 |
| 5.1.3 分类框架 | 第94页 |
| 5.2 特征编码技术和特征池化技术的相关工作 | 第94-100页 |
| 5.2.1 符号说明 | 第95-96页 |
| 5.2.2 特征编码技术 | 第96-97页 |
| 5.2.3 特征池化技术 | 第97-100页 |
| 5.3 面向场景类图像库的分类方法 | 第100-108页 |
| 5.3.1 多环划分的特征池化区域选择方法 | 第100-103页 |
| 5.3.2 多视觉词硬编码方法 | 第103-104页 |
| 5.3.3 实验 | 第104-108页 |
| 5.4 面向对象类图像库的分类方法 | 第108-111页 |
| 5.4.1 基于显著性和空间局部空间约束的软编码方法 | 第108-110页 |
| 5.4.2 实验 | 第110-111页 |
| 5.5 本章小结 | 第111-113页 |
| 6 总结与展望 | 第113-117页 |
| 6.1 总结 | 第113-114页 |
| 6.2 展望 | 第114-117页 |
| 参考文献 | 第117-127页 |
| 作者简历及攻读博士学位期间取得的研究成果 | 第127-131页 |
| 学位论文数据集 | 第131页 |