| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-15页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 研究现状及难点 | 第8-12页 |
| 1.2.1 眼动点预测模型 | 第8-9页 |
| 1.2.2 显著目标检测模型 | 第9-10页 |
| 1.2.3 技术难点 | 第10-12页 |
| 1.3 本文主要工作与章节安排 | 第12-15页 |
| 1.3.1 本文主要工作及创新点 | 第12-13页 |
| 1.3.2 章节安排 | 第13-15页 |
| 2 相关技术介绍 | 第15-24页 |
| 2.1 目标候选生成技术 | 第15-16页 |
| 2.2 卷积神经网络 | 第16-20页 |
| 2.3 极限学习机 | 第20-24页 |
| 3 基于极限学习机的显著目标检测模型 | 第24-32页 |
| 3.1 图像过分割 | 第24-26页 |
| 3.2 超像素特征 | 第26-27页 |
| 3.3 学习极限学习机模型 | 第27-29页 |
| 3.4 显著图的多尺度融合 | 第29页 |
| 3.5 利用极限学习机优化现有算法 | 第29-32页 |
| 3.5.1 单层优化 | 第29-30页 |
| 3.5.2 多层优化 | 第30-32页 |
| 4 基于目标候选子空间优化的显著目标检测模型 | 第32-42页 |
| 4.1 关注语义信息的筛选模块 | 第33-37页 |
| 4.1.1 语义先验图 | 第33-35页 |
| 4.1.2 基于语义先验图的目标候选筛选 | 第35-37页 |
| 4.2 关注空间信息的筛选模块 | 第37-41页 |
| 4.2.1 空间先验图 | 第37-40页 |
| 4.2.2 基于空间先验图的目标候选筛选 | 第40-41页 |
| 4.3 显著图融合 | 第41-42页 |
| 5 实验结果与分析 | 第42-53页 |
| 5.1 数据库与评价指标 | 第42-43页 |
| 5.1.1 数据库介绍 | 第42页 |
| 5.1.2 评价指标介绍 | 第42-43页 |
| 5.2 基于极限学习机的显著目标检测模型的实验结果 | 第43-47页 |
| 5.2.1 模型分析 | 第43-44页 |
| 5.2.2 本文算法与其他现有算法比较结果 | 第44-47页 |
| 5.3 基于目标候选子空间优化的显著目标检测模型的实验结果 | 第47-53页 |
| 5.3.1 模型分析 | 第47-49页 |
| 5.3.2 本文算法与其他现有算法比较结果 | 第49-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 攻读硕士学位期间发表学术论文情况 | 第61-62页 |
| 致谢 | 第62-63页 |