基于多示例学习的交互式图像分割
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第1章 绪论 | 第14-18页 |
| 1.1 图像分割意义 | 第14页 |
| 1.2 图像分割背景及现状 | 第14-16页 |
| 1.3 图像分割问题难点分析 | 第16页 |
| 1.4 论文主要工作及内容安排 | 第16-18页 |
| 第2章 相关理论基础介绍 | 第18-36页 |
| 2.1 超像素分割 | 第18-23页 |
| 2.1.1 Mean-shift算法 | 第19-20页 |
| 2.1.2 TurboPixels算法 | 第20-22页 |
| 2.1.3 SLIC算法 | 第22-23页 |
| 2.2 区域合并 | 第23-26页 |
| 2.3 图像显著性分析 | 第26-30页 |
| 2.3.1 显著性原理 | 第26-27页 |
| 2.3.2 显著性检测算法分析 | 第27-29页 |
| 2.3.3 基于边界框的显著性检测方法 | 第29-30页 |
| 2.4 目标紧凑性和连续性 | 第30-34页 |
| 2.4.1 目标框紧凑性 | 第30-33页 |
| 2.4.2 目标连续性 | 第33-34页 |
| 2.5 交互式图像分割评价标准 | 第34-36页 |
| 第3章 基于多示例学习的图像分割方法 | 第36-50页 |
| 3.1 交互式图像分割问题 | 第36-37页 |
| 3.1.1 自动分割与交互式分割 | 第36页 |
| 3.1.2 基于边界框的交互式分割 | 第36-37页 |
| 3.2 多示例学习 | 第37-41页 |
| 3.2.1 多示例学习引言 | 第37-38页 |
| 3.2.2 Boosting学习框架 | 第38-39页 |
| 3.2.3 mi-SVM和MI-SVM | 第39-41页 |
| 3.3 基于多示例学习的图像分割算法 | 第41-48页 |
| 3.3.1 包的建立 | 第41-42页 |
| 3.3.2 建包可行性 | 第42-43页 |
| 3.3.3 MIL-Boosting | 第43-45页 |
| 3.3.4 实验结果与分析 | 第45-48页 |
| 3.4 本章小节 | 第48-50页 |
| 第4章 基于马尔可夫随机场的图像分割方法 | 第50-60页 |
| 4.1 图论引言 | 第50-52页 |
| 4.2 概率图模型 | 第52-54页 |
| 4.2.1 贝叶斯网络 | 第52-53页 |
| 4.2.2 马尔可夫网络 | 第53-54页 |
| 4.3 马尔可夫随机场 | 第54页 |
| 4.4 图像结构信息 | 第54-56页 |
| 4.5 马尔可夫随机场与多示例学习 | 第56-59页 |
| 4.5.1 随机场模型的建立 | 第56-57页 |
| 4.5.2 实现步骤 | 第57页 |
| 4.5.3 实验结果与分析 | 第57-59页 |
| 4.6 本章小节 | 第59-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 5.1 本文工作总结 | 第60页 |
| 5.2 工作展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 作者简介 | 第68-69页 |
| 1.基本情况 | 第68页 |
| 2.教育背景 | 第68页 |
| 3.攻读硕士学位期间的研究成果 | 第68-69页 |
