基于机器学习的立体视频视觉显著模型研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-16页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 现有技术及其发展趋势 | 第10-14页 |
| 1.2.1 特征提取与融合 | 第10-11页 |
| 1.2.2 2D图像与视频视觉显著模型 | 第11-12页 |
| 1.2.3 3D图像与视频视觉显著模型 | 第12-13页 |
| 1.2.4 机器学习在视觉显著模型中的应用 | 第13-14页 |
| 1.3 本文的主要内容和组织结构 | 第14-16页 |
| 2 立体视觉显著特征提取 | 第16-25页 |
| 2.1 视觉注意 | 第16页 |
| 2.2 视频帧特征提取与分析 | 第16-24页 |
| 2.2.1 DCT变换特征 | 第17-18页 |
| 2.2.2 Itti三通道特征 | 第18-20页 |
| 2.2.3 颜色空间和子带特征 | 第20-21页 |
| 2.2.4 运动、深度和中心偏向特征 | 第21-23页 |
| 2.2.5 卷积神经网络特征 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 3 基于机器学习的多特征融合 | 第25-44页 |
| 3.1 训练数据集采集与分析 | 第25-29页 |
| 3.1.1 注视点数据采集 | 第25-28页 |
| 3.1.2 注视点数据集分析 | 第28-29页 |
| 3.2 基于SVM算法的多特征融合 | 第29-34页 |
| 3.2.1 支持向量机算法 | 第29-32页 |
| 3.2.2 多特征融合 | 第32-34页 |
| 3.3 基于CNN算法的多特征融合 | 第34-42页 |
| 3.3.1 卷积神经网络的特点 | 第34-37页 |
| 3.3.2 卷积神经网络的算法推导 | 第37-41页 |
| 3.3.3 多特征融合 | 第41-42页 |
| 3.4 本章小结 | 第42-44页 |
| 4 结果评估与分析 | 第44-58页 |
| 4.1 结果对比评估 | 第44-47页 |
| 4.1.1 对比评估模型介绍 | 第44-45页 |
| 4.1.2 结果评估方法 | 第45-47页 |
| 4.2 评估结果与分析 | 第47-56页 |
| 4.2.1 显著图结果评估 | 第47-50页 |
| 4.2.2 ROC与P-R曲线评估结果 | 第50-52页 |
| 4.2.3 多参数评估结果 | 第52-54页 |
| 4.2.4 对于不同场景的鲁棒性分析 | 第54-56页 |
| 4.3 本章小结 | 第56-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 在学期间取得的科研成果 | 第64-65页 |
| 作者简介 | 第65页 |
