| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 选题背景与意义 | 第12-13页 |
| 1.2 国内外研究现状及存在问题 | 第13-16页 |
| 1.2.1 国内外研究现状分析 | 第13-15页 |
| 1.2.2 目前研究存在的问题 | 第15-16页 |
| 1.3 论文研究内容及章节安排 | 第16-18页 |
| 第二章 相关知识 | 第18-27页 |
| 2.1 引言 | 第18页 |
| 2.2 深度学习 | 第18-20页 |
| 2.2.1 深度学习与浅层学习 | 第18-19页 |
| 2.2.2 特征的层次表达 | 第19页 |
| 2.2.3 深度学习的基本思想 | 第19-20页 |
| 2.2.4 深度学习的训练过程 | 第20页 |
| 2.3 常用的深度学习模型 | 第20-26页 |
| 2.3.1 稀疏编码 | 第20-21页 |
| 2.3.2 深度信念网络 | 第21-22页 |
| 2.3.3 卷积神经网络 | 第22-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于多尺度分割与目标先验的深度特征提取 | 第27-40页 |
| 3.1 引言 | 第27页 |
| 3.2 基于多尺度分割与目标先验的预选目标区域提取与优化 | 第27-30页 |
| 3.2.1 多尺度分割 | 第28页 |
| 3.2.2 预选目标区域提取 | 第28-29页 |
| 3.2.3 预选目标区域优化 | 第29-30页 |
| 3.3 基于卷积神经网络的深度特征提取 | 第30-34页 |
| 3.3.1 输入区域预处理 | 第30-31页 |
| 3.3.2 深度特征提取过程 | 第31-34页 |
| 3.4 实验分析 | 第34-38页 |
| 3.4.0 评价标准 | 第34-35页 |
| 3.4.1 分割尺度个数的确定 | 第35-36页 |
| 3.4.2 多尺度分割策略的确定 | 第36-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第四章 基于深度特征与元胞自动机的显著性检测 | 第40-51页 |
| 4.1 引言 | 第40页 |
| 4.2 基于主成分分析的显著性计算 | 第40-43页 |
| 4.2.1 主成分特征提取 | 第40-41页 |
| 4.2.2 显著性计算 | 第41-43页 |
| 4.3 基于加权元胞自动机的显著图融合 | 第43-46页 |
| 4.3.1 多层元胞自动机 | 第43-44页 |
| 4.3.2 自适权值计算 | 第44-45页 |
| 4.3.3 多尺度显著图融合 | 第45-46页 |
| 4.4 实验结分析 | 第46-50页 |
| 4.4.1 数据集 | 第46-47页 |
| 4.4.2 实验对比 | 第47-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 基于协同显著性检测的视频显著目标定位系统 | 第51-64页 |
| 5.1 引言 | 第51页 |
| 5.2 关键帧提取 | 第51-52页 |
| 5.3 协同显著性检测 | 第52-55页 |
| 5.3.1 协同显著性区域优化 | 第53页 |
| 5.3.2 深度特征提取与匹配 | 第53-54页 |
| 5.3.3 协同显著图生成 | 第54-55页 |
| 5.4 协同定位 | 第55-56页 |
| 5.5 系统设计与实现 | 第56-63页 |
| 5.5.1 开发环境 | 第56-57页 |
| 5.5.2 系统设计 | 第57-59页 |
| 5.5.3 系统实现 | 第59-63页 |
| 5.6 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 参考文献 | 第66-73页 |
| 致谢 | 第73-74页 |
| 在学期间的研究成果及发表的学术论文 | 第74页 |