| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-14页 |
| 缩略语对照表 | 第14-17页 |
| 第一章 绪论 | 第17-27页 |
| 1.1 研究背景 | 第17-20页 |
| 1.1.1 基于认知模型的显著性检测方法 | 第18-19页 |
| 1.1.2 基于启发式特征模型的显著性检测方法 | 第19-20页 |
| 1.1.3 基于学习模型的显著性检测方法 | 第20页 |
| 1.2 研究目的与意义 | 第20-23页 |
| 1.3 研究内容与创新点 | 第23-24页 |
| 1.4 论文架构安排 | 第24-27页 |
| 第二章 基于双通道低秩分解的协同学习显著性检测方法 | 第27-43页 |
| 2.1 低秩分解背景过滤 | 第27-29页 |
| 2.2“where”和“what”通道显著图生成 | 第29-32页 |
| 2.2.1 基于纯净背景的“where”显著图生成 | 第29-30页 |
| 2.2.2 以目标为中心的“what”显著图生成 | 第30-32页 |
| 2.3 协同显著图学习与细化 | 第32-34页 |
| 2.3.1 协同显著图学习 | 第32-33页 |
| 2.3.2 基于像素级的显著图细化 | 第33-34页 |
| 2.4 实验结果与分析 | 第34-41页 |
| 2.4.1 实验条件 | 第34-36页 |
| 2.4.2 ASD数据集结果比较 | 第36-38页 |
| 2.4.3 ECSSD数据集结果比较 | 第38-39页 |
| 2.4.4 DUTOMRON数据集结果比较 | 第39-41页 |
| 2.5 本章小结 | 第41-43页 |
| 第三章 基于层次认知机制的RGB-D图像显著目标检测方法 | 第43-59页 |
| 3.1 基于视觉对比度的RGB-D图像初级显著图计算 | 第43-46页 |
| 3.1.1 基于深度信息引导的RGB-D图像超像素分割 | 第44-45页 |
| 3.1.2 基于纯净背景边界区域对比度的初级显著图计算 | 第45-46页 |
| 3.2 基于图割平滑和多尺度融合的RGB-D图像中级显著图计算 | 第46-48页 |
| 3.2.1 基于图割的显著图平滑 | 第46-47页 |
| 3.2.2 多尺度融合 | 第47-48页 |
| 3.3 基于半监督极速学习机的RGB-D图像高级显著图计算 | 第48-51页 |
| 3.3.1 半监督极速学习机简介 | 第48-50页 |
| 3.3.2 RGB-D图像高级显著图计算 | 第50-51页 |
| 3.4 初、中、高级显著图融合 | 第51-52页 |
| 3.5 实验结果与分析 | 第52-57页 |
| 3.5.1 实验条件 | 第52页 |
| 3.5.2 NJUD数据集结果比较 | 第52-55页 |
| 3.5.3 NLPR数据集结果比较 | 第55-56页 |
| 3.5.4 RGBD数据集结果比较 | 第56-57页 |
| 3.6 小结 | 第57-59页 |
| 第四章 基于视觉稀疏认知的显著目标检测方法 | 第59-71页 |
| 4.1 基于全局稀疏重构误差的显著目标检测方法 | 第59-61页 |
| 4.2 基于局部稀疏重构误差的显著目标检测方法 | 第61-63页 |
| 4.2.1 局部约束线性编码简介 | 第61-62页 |
| 4.2.2 局部约束线性编码的稀疏重构误差显著性检测方法 | 第62-63页 |
| 4.2.3 显著图增强 | 第63页 |
| 4.3 基于视觉稀疏认知的显著图结合 | 第63-64页 |
| 4.4 实验结果与分析 | 第64-69页 |
| 4.4.1 实验条件 | 第64-65页 |
| 4.4.2 ASD数据集结果比较 | 第65-66页 |
| 4.4.3 ECSSD数据集结果比较 | 第66-67页 |
| 4.4.4 DUTOMRON数据集结果比较 | 第67页 |
| 4.4.5 高分辨率SAR图像舰船检测的应用 | 第67-69页 |
| 4.5 小结 | 第69-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 本论文内容总结 | 第71页 |
| 5.2 工作展望 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-81页 |
| 作者简介 | 第81-82页 |
