基于深度神经网络的局部和全局联合的图像显著性检测
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 显著性检测研究背景及意义 | 第11-12页 |
| 1.2 显著性检测研究发展与现状 | 第12-15页 |
| 1.3 深度神经网络研究背景及意义 | 第15-16页 |
| 1.3.1 启蒙阶段 | 第15页 |
| 1.3.2 低潮阶段 | 第15-16页 |
| 1.3.3 复兴阶段 | 第16页 |
| 1.4 深度神经网络发展与现状 | 第16-17页 |
| 1.5 本文章节安排 | 第17-19页 |
| 2 相关研究及本文工作 | 第19-32页 |
| 2.1 显著性检测模型及存在的问题 | 第19-21页 |
| 2.1.1 局部显著性模型 | 第19-20页 |
| 2.1.2 全局显著性模型 | 第20-21页 |
| 2.2 神经网络特性 | 第21-24页 |
| 2.2.1 神经网络组成单元 | 第21-23页 |
| 2.2.2 神经网络基本结构 | 第23-24页 |
| 2.3 卷积神经网络 | 第24-30页 |
| 2.3.1 CNN前向传播训练 | 第25-26页 |
| 2.3.2 CNN反向传播训练 | 第26-30页 |
| 2.4 本文主要工作和贡献 | 第30-32页 |
| 3 局部和全局联合的显著性检测 | 第32-50页 |
| 3.1 局部显著性检测 | 第32-41页 |
| 3.1.1 局部估计显著性检测 | 第34-35页 |
| 3.1.2 局部GOP优化阶段 | 第35-41页 |
| 3.2 全局显著性检测 | 第41-48页 |
| 3.2.1 全局搜索显著性检测 | 第42-43页 |
| 3.2.2 全局CDM优化阶段 | 第43-45页 |
| 3.2.3 递归Edge-Aware滤波器 | 第45-48页 |
| 3.3 局部和全局融合阶段 | 第48-49页 |
| 3.4 本章小结 | 第49-50页 |
| 4 实验结果与结论 | 第50-63页 |
| 4.1 数据库介绍 | 第50页 |
| 4.2 实验细节说明 | 第50-52页 |
| 4.3 网络子模块性能比较 | 第52-56页 |
| 4.4 不同算法的性能比较 | 第56-61页 |
| 4.5 检测失败的例子 | 第61-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表学术论文情况 | 第68-69页 |
| 致谢 | 第69-70页 |
