基于多示例学习的图像显著性分析
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 自底向上的图像显著性分析模型 | 第12-13页 |
| 1.2.2 自顶向下的图像显著性分析模型 | 第13-14页 |
| 1.2.3 协同显著性分析模型 | 第14页 |
| 1.3 研究内容、难点及成果 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 2 相关理论基础 | 第17-26页 |
| 2.1 多示例学习算法相关研究 | 第17-20页 |
| 2.1.1 多示例学习算法概述 | 第17-18页 |
| 2.1.2 k-近邻算法 | 第18页 |
| 2.1.3 多样性密度算法 | 第18-19页 |
| 2.1.4 轴-平行矩形算法 | 第19页 |
| 2.1.5 多示例学习与图像显著性的关系 | 第19-20页 |
| 2.2 图像分割算法相关研究 | 第20-26页 |
| 2.2.1 图像分割算法概述 | 第20页 |
| 2.2.2 Mean-Shift图像分割算法 | 第20-22页 |
| 2.2.3 Ncut图像分割算法 | 第22-23页 |
| 2.2.4 SLIC图像分割算法 | 第23-24页 |
| 2.2.5 图像分割与图像显著性的关系 | 第24-26页 |
| 3 基于多示例学习的单幅图像显著性分析 | 第26-46页 |
| 3.1 问题描述 | 第26-27页 |
| 3.2 单幅图像显著性检测算法 | 第27-36页 |
| 3.2.1 包和示例的构建 | 第27-29页 |
| 3.2.2 特征提取 | 第29-32页 |
| 3.2.3 示例特征生成 | 第32-33页 |
| 3.2.4 分类器训练和测试 | 第33-35页 |
| 3.2.5 算法流程 | 第35-36页 |
| 3.3 实验结果与分析 | 第36-46页 |
| 3.3.1 图像数据库 | 第36-37页 |
| 3.3.2 实验分析 | 第37-46页 |
| 4 基于多示例学习的群组图像协同显著性分析 | 第46-55页 |
| 4.1 问题描述 | 第46-47页 |
| 4.2 群组图像协同显著性检测算法 | 第47-52页 |
| 4.2.1 包和示例的构建 | 第47-50页 |
| 4.2.2 协同显著区域选择 | 第50-52页 |
| 4.3 实验结果与分析 | 第52-55页 |
| 4.3.1 图像数据库 | 第52页 |
| 4.3.2 实验分析 | 第52-55页 |
| 5 总结与展望 | 第55-58页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第61-63页 |
| 学位论文数据集 | 第63页 |
