图像显著性检测算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景及选题意义 | 第9-10页 |
| 1.2 经典算法及研究现状 | 第10-12页 |
| 1.2.1 基于传统算法的显著性检测 | 第10-11页 |
| 1.2.2 基于深度网络的显著性检测 | 第11-12页 |
| 1.3 本文内容及组织结构 | 第12-14页 |
| 2 基于核子空间排序的显著性检测算法 | 第14-27页 |
| 2.1 研究动机 | 第14-15页 |
| 2.2 相关算法介绍 | 第15-17页 |
| 2.2.1 排序支持向量机 | 第15-16页 |
| 2.2.2 成对约束成分分析(PCCA) | 第16-17页 |
| 2.3 核子空间排序 | 第17-21页 |
| 2.3.1 目标候选者 | 第17页 |
| 2.3.2 联合学习 | 第17-19页 |
| 2.3.3 算法求解 | 第19-20页 |
| 2.3.4 显著性图 | 第20-21页 |
| 2.4 实验结果 | 第21-27页 |
| 2.4.1 实验设置 | 第21-24页 |
| 2.4.2 定量定性分析 | 第24-26页 |
| 2.4.3 成分分析 | 第26-27页 |
| 3 基于阶段级微调机制的显著性检测算法 | 第27-39页 |
| 3.1 研究动机 | 第27-28页 |
| 3.2 相关知识介绍 | 第28-29页 |
| 3.3 进行粗糙估计的正向网络 | 第29-30页 |
| 3.4 精细估计的微调网络 | 第30-33页 |
| 3.4.1 阶段级的微调 | 第30-31页 |
| 3.4.2 金字塔池化模块 | 第31-32页 |
| 3.4.3 训练与预测 | 第32-33页 |
| 3.5 实验结果 | 第33-39页 |
| 3.5.1 实验设置 | 第33-34页 |
| 3.5.2 定量定性分析 | 第34-36页 |
| 3.5.3 成分分析 | 第36-39页 |
| 4 基于全局定位与局部改善的显著性检测算法 | 第39-51页 |
| 4.1 研究动机 | 第39-40页 |
| 4.2 循环定位网络 | 第40-44页 |
| 4.2.1 基准网络 | 第40-41页 |
| 4.2.2 网络结构 | 第41-44页 |
| 4.3 边界微调网络 | 第44-45页 |
| 4.4 实验结果 | 第45-51页 |
| 4.4.1 实验设置 | 第45-47页 |
| 4.4.2 定量定性分析 | 第47-48页 |
| 4.4.3 成分分析 | 第48-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间发表学术论文情况 | 第57-59页 |
| 致谢 | 第59页 |
