| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 本文研究目的及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-21页 |
| 1.2.1 视觉注意模型研究现状 | 第16-19页 |
| 1.2.2 目标检测研究现状 | 第19-21页 |
| 1.3 本文的主要研究内容和创新成果 | 第21-23页 |
| 1.3.1 主要研究内容 | 第21页 |
| 1.3.2 创新成果 | 第21-23页 |
| 第二章 视觉注意模型理论研究 | 第23-35页 |
| 2.1 引言 | 第23页 |
| 2.2 经典视觉注意模型 | 第23-32页 |
| 2.2.1 Itii模型 | 第23-26页 |
| 2.2.2 基于图(Graph Based,GB)的模型 | 第26-27页 |
| 2.2.3 基于频谱残余(Spectrum Residual,SR)的模型 | 第27-28页 |
| 2.2.4 基于上下文感知(Context Aware,CA)的模型 | 第28-30页 |
| 2.2.5 基于频率调谐(Frequency-Tuned,FT)的模型 | 第30页 |
| 2.2.6 基于直方图对比度(Histogram Contrast,HC)的模型 | 第30-31页 |
| 2.2.7 基于区域对比度(Region Contrast,RC)的模型 | 第31-32页 |
| 2.3 本章小结 | 第32-35页 |
| 第三章 基于背景知识学习的视觉注意模型 | 第35-55页 |
| 3.1 引言 | 第35页 |
| 3.2 超像素提取与权重计算 | 第35-46页 |
| 3.2.1 超像素提取 | 第36-38页 |
| 3.2.2 超像素特征表示 | 第38-45页 |
| 3.2.3 权重预测 | 第45-46页 |
| 3.3 基于图像顶层语义信息的显著值计算 | 第46-49页 |
| 3.4 实验结果与分析 | 第49-53页 |
| 3.4.1 实验数据集 | 第49页 |
| 3.4.2 实验参数 | 第49-50页 |
| 3.4.3 实验结果 | 第50-53页 |
| 3.5 本章小结 | 第53-55页 |
| 第四章 基于视觉注意模型的目标检测 | 第55-69页 |
| 4.1 引言 | 第55页 |
| 4.2 传统基于视觉注意模型的目标检测方法 | 第55-59页 |
| 4.2.1 显著图精度 | 第56页 |
| 4.2.2 窗口质量函数 | 第56-58页 |
| 4.2.3 最优化算法 | 第58-59页 |
| 4.3 基于改进的MSR函数的目标检测 | 第59-63页 |
| 4.3.1 基于贝叶斯概率模型的参数学习 | 第59-61页 |
| 4.3.2 动态规划算法 | 第61-63页 |
| 4.4 实验结果与分析 | 第63-65页 |
| 4.4.1 实验参数 | 第63-64页 |
| 4.4.2 实验结果 | 第64-65页 |
| 4.5 本章小结 | 第65-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 全文工作总结 | 第69-70页 |
| 5.2 未来工作展望 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 致谢 | 第77-79页 |
| 攻读学位期间发表的学术论文目录 | 第79页 |
