| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文主要工作 | 第13-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 2 相关理论基础 | 第16-25页 |
| 2.1 视觉注意机制 | 第16-17页 |
| 2.2 图像特征提取 | 第17-19页 |
| 2.3 分类器介绍 | 第19-21页 |
| 2.3.1 SVM支持向量机 | 第19-20页 |
| 2.3.2 神经网络 | 第20页 |
| 2.3.3 Adaboost分类器 | 第20-21页 |
| 2.4 典型方法介绍 | 第21-24页 |
| 2.4.1 Itti方法 | 第21-22页 |
| 2.4.2 LC方法 | 第22-23页 |
| 2.4.3 GB方法 | 第23页 |
| 2.4.4 RC方法 | 第23-24页 |
| 2.5 本章总结 | 第24-25页 |
| 3 基于自下而上和自上而下的特征描述 | 第25-43页 |
| 3.1 自下而上的特征提取 | 第25-35页 |
| 3.1.1 Itti特征提取 | 第26-29页 |
| 3.1.2 Sift特征描述子 | 第29-34页 |
| 3.1.3 Dense Sift特征密集提取 | 第34-35页 |
| 3.2 自上而下的特征提取 | 第35-38页 |
| 3.2.1 手动标注 | 第35-36页 |
| 3.2.2 眼动实验 | 第36-38页 |
| 3.3 实验数据集 | 第38-40页 |
| 3.4 对比实验 | 第40-42页 |
| 3.5 本章总结 | 第42-43页 |
| 4 基于Dense Sift和Adaboost的分类显著检测模型 | 第43-59页 |
| 4.1 DENSA模型 | 第43-50页 |
| 4.1.1 模型框架 | 第43-44页 |
| 4.1.2 特征提取 | 第44-46页 |
| 4.1.3 分类器选择 | 第46-50页 |
| 4.2 显著性检测标准 | 第50-52页 |
| 4.2.1 相关系数 | 第51页 |
| 4.2.2 F-Measure | 第51页 |
| 4.2.3 ROC曲线 | 第51-52页 |
| 4.3 对比实验与分析 | 第52-58页 |
| 4.3.1 Itti特征+线性SVM | 第52-54页 |
| 4.3.2 DENSA模型 | 第54页 |
| 4.3.3 其它经典方法对比 | 第54-58页 |
| 4.4 本章总结 | 第58-59页 |
| 5 图像显著区域检测的应用延伸实验 | 第59-64页 |
| 5.1 图像卷积计算过程 | 第59-60页 |
| 5.2 提取图像卷积层特征 | 第60-63页 |
| 5.3 本章小结 | 第63-64页 |
| 6 总结和展望 | 第64-66页 |
| 6.1 本文工作总结 | 第64页 |
| 6.2 下一步工作展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第69-71页 |
| 学位论文数据集 | 第71页 |