基于深度学习的显著目标检测算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 本文的研究工作 | 第12-13页 |
| 1.4 论文的内容安排 | 第13-15页 |
| 第2章 显著性检测的理论基础 | 第15-22页 |
| 2.1 图像的常用特征 | 第15-17页 |
| 2.1.1 图像的底层特征 | 第15-16页 |
| 2.1.2 SIFT特征 | 第16-17页 |
| 2.1.3 深度学习特征 | 第17页 |
| 2.2 图像的常用分割方法 | 第17-19页 |
| 2.2.1 基于图论的分割方法 | 第17-18页 |
| 2.2.2 SLIC | 第18页 |
| 2.2.3 Mean Shift | 第18页 |
| 2.2.4 边缘分割方法 | 第18-19页 |
| 2.3 元胞自动机 | 第19-22页 |
| 2.3.1 影响因子矩阵 | 第20页 |
| 2.3.2 置信度矩阵 | 第20-21页 |
| 2.3.3 元胞的同步更新原则 | 第21-22页 |
| 第3章 深度学习的理论基础 | 第22-28页 |
| 3.1 深度学习的基本思想 | 第22页 |
| 3.2 卷积神经网络 | 第22-24页 |
| 3.3 深度学习的训练过程 | 第24-25页 |
| 3.4 深度学习的典型框架及算法 | 第25-28页 |
| 3.4.1 深度学习框架Caffe | 第25-26页 |
| 3.4.2 SPP深度学习神经网络 | 第26-28页 |
| 第4章 基于深度学习的显著性检测 | 第28-40页 |
| 4.1 主要框架 | 第28-29页 |
| 4.2 图像的分割 | 第29-30页 |
| 4.3 SPP网络的配置使用 | 第30-34页 |
| 4.3.1 深度学习环境的搭建 | 第30-32页 |
| 4.3.2 SPP深度学习网络的使用 | 第32-34页 |
| 4.4 基于不同策略的两张初步显著图的生成 | 第34-36页 |
| 4.5 利用区域深度学习特征差异获得显著图 | 第36-37页 |
| 4.6 利用元胞自动机优化三张初始显著图 | 第37-38页 |
| 4.7 显著图像的融合 | 第38-40页 |
| 第5章 实验 | 第40-51页 |
| 5.1 实验数据集 | 第40-42页 |
| 5.2 评价标准 | 第42-43页 |
| 5.3 实验结果的分析 | 第43-51页 |
| 5.3.1 客观分析 | 第44-48页 |
| 5.3.2 主观分析 | 第48-49页 |
| 5.3.3 算法验证 | 第49-51页 |
| 第6章 总结与展望 | 第51-55页 |
| 6.1 总结 | 第51-52页 |
| 6.2 展望 | 第52-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59页 |
