基于深度学习的协同显著性检测方法研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第12-25页 |
| 1.1 课题的背景与意义 | 第12-14页 |
| 1.2 协同显著性检测的研究现状与发展趋势 | 第14-21页 |
| 1.2.1 自底而上的方法 | 第15-17页 |
| 1.2.2 基于融合的方法 | 第17页 |
| 1.2.3 基于学习的方法 | 第17-20页 |
| 1.2.4 发展趋势 | 第20-21页 |
| 1.3 存在的问题与解决思路 | 第21-22页 |
| 1.4 本文的主要研究内容与贡献 | 第22-24页 |
| 1.5 本文的组织结构 | 第24-25页 |
| 第2章 协同显著性检测的相关理论与技术 | 第25-41页 |
| 2.1 性能度量 | 第25-27页 |
| 2.2 数据集 | 第27-30页 |
| 2.2.1 基准数据集 | 第28-29页 |
| 2.2.2 COCO-SEG数据集 | 第29-30页 |
| 2.3 相关理论与技术 | 第30-39页 |
| 2.3.1 超像素分割技术 | 第30-32页 |
| 2.3.2 图卷积网络 | 第32-36页 |
| 2.3.3 特征金字塔网络 | 第36-37页 |
| 2.3.4 双线性池化及其变种 | 第37-39页 |
| 2.4 本章小结 | 第39-41页 |
| 第3章 基于图注意力网络的半监督协同显著性检测 | 第41-54页 |
| 3.1 相关背景与研究动机 | 第41-44页 |
| 3.1.1 相关背景 | 第41-43页 |
| 3.1.2 研究动机 | 第43-44页 |
| 3.2 算法概述 | 第44-49页 |
| 3.2.1 问题规划 | 第44页 |
| 3.2.2 多视角特征选择 | 第44-45页 |
| 3.2.3 基于图注意力网络的协同显著性推理 | 第45-47页 |
| 3.2.4 代价函数设计 | 第47-49页 |
| 3.3 实验结果分析 | 第49-53页 |
| 3.3.1 实验细节 | 第49-50页 |
| 3.3.2 对比现有方法 | 第50页 |
| 3.3.3 消融实验 | 第50-53页 |
| 3.4 本章小结 | 第53-54页 |
| 第4章 群组语义指导的稳健深度协同显著性检测 | 第54-67页 |
| 4.1 相关背景与研究动机 | 第54-56页 |
| 4.1.1 相关背景 | 第54-56页 |
| 4.1.2 研究动机 | 第56页 |
| 4.2 算法概述 | 第56-61页 |
| 4.2.1 问题规划 | 第56-57页 |
| 4.2.2 共同类别学习 | 第57-59页 |
| 4.2.3 群组语义指导的协同显著性检测 | 第59-60页 |
| 4.2.4 代价函数设计 | 第60-61页 |
| 4.3 实验结果分析 | 第61-66页 |
| 4.3.1 实验细节 | 第61页 |
| 4.3.2 对比现有方法 | 第61-64页 |
| 4.3.3 消融实验 | 第64-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第5章 金字塔注意力强化的深度协同显著性检测 | 第67-80页 |
| 5.1 相关背景与研究动机 | 第67-71页 |
| 5.1.1 注意力机制背景 | 第67-68页 |
| 5.1.2 特征金字塔背景 | 第68页 |
| 5.1.3 协同显著性检测背景 | 第68-69页 |
| 5.1.4 研究动机 | 第69-71页 |
| 5.2 算法概述 | 第71-75页 |
| 5.2.1 共同类别学习分支 | 第71-72页 |
| 5.2.2 协同显著性检测分支 | 第72-74页 |
| 5.2.3 代价函数设计 | 第74-75页 |
| 5.3 实验结果分析 | 第75-79页 |
| 5.3.1 实验细节 | 第75-77页 |
| 5.3.2 对比现有方法 | 第77-78页 |
| 5.3.3 消融实验 | 第78-79页 |
| 5.4 本章小结 | 第79-80页 |
| 第6章 总结与展望 | 第80-83页 |
| 6.1 工作总结 | 第80-81页 |
| 6.2 研究展望 | 第81-83页 |
| 参考文献 | 第83-92页 |
| 致谢 | 第92-93页 |
| 在读期间发表的学术论文与取得的研究成果 | 第93页 |
