基于背景先验和物体候选集的显著性对象检测研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文主要研究工作 | 第13-14页 |
| 1.4 章节安排 | 第14页 |
| 1.5 本章总结 | 第14-15页 |
| 第二章 相关研究工作 | 第15-26页 |
| 2.1 显著性检测常用基础技术 | 第15-19页 |
| 2.1.1 超像素分割 | 第15-17页 |
| 2.1.2 边界背景先验和物体位置先验 | 第17-19页 |
| 2.2 基于无监督学习显著性检测方法 | 第19-22页 |
| 2.2.1 基于全局对比的显著性检测 | 第19-20页 |
| 2.2.2 基于边界连通性的的显著性检测 | 第20-22页 |
| 2.3 基于有监督学习显著性检测方法 | 第22-25页 |
| 2.3.1 基于区域特征学习的显著性检测 | 第22-23页 |
| 2.3.2 基于多尺度高层次特征的显著性检测 | 第23-25页 |
| 2.4 本章小节 | 第25-26页 |
| 第三章 基于背景先验和区域对比的显著性检测 | 第26-37页 |
| 3.1 多尺度的超像素分割和无向图构建 | 第27-28页 |
| 3.1.1 多尺度超像素分割 | 第27页 |
| 3.1.2 基于无向图的超像素关系表示 | 第27-28页 |
| 3.2 无向图边权重建立 | 第28-29页 |
| 3.3 边界背景先验知识扩散 | 第29-34页 |
| 3.3.1 流形排序算法 | 第29-30页 |
| 3.3.2 结合区域对比的流形排序算法 | 第30-32页 |
| 3.3.3 背景先验扩散本质分析 | 第32-34页 |
| 3.4 多特征融合的二次优化 | 第34页 |
| 3.5 背景先验种子点过滤 | 第34-36页 |
| 3.6 本章小节 | 第36-37页 |
| 第四章 基于物体候选集高层次特征的显著性检测 | 第37-42页 |
| 4.1 物体候选集生成 | 第37-39页 |
| 4.2 物体候选集显著值融合 | 第39-41页 |
| 4.3 本章小节 | 第41-42页 |
| 第五章 物体位置先验信息优化 | 第42-47页 |
| 5.1 基于初始显著图的物体位置先验模型建立 | 第42-43页 |
| 5.2 模型求解 | 第43-46页 |
| 5.2.1 物体位置粗略定位 | 第43-45页 |
| 5.2.2 物体位置精准优化 | 第45-46页 |
| 5.3 本章小节 | 第46-47页 |
| 第六章 实验结果与分析 | 第47-65页 |
| 6.1 测试数据集简介 | 第47-48页 |
| 6.2 评价指标 | 第48-50页 |
| 6.3 基于背景先验和区域对比显著性检测实验分析 | 第50-60页 |
| 6.3.1 低层次特征实验分析 | 第50-52页 |
| 6.3.2 背景先验种子点过滤实验 | 第52-53页 |
| 6.3.3 背景先验图上扩散实验 | 第53-55页 |
| 6.3.4 多特征融合的二次优化实验 | 第55-56页 |
| 6.3.5 与现有模型对比评估 | 第56-60页 |
| 6.4 基于物体候选集显著性检测实验分析 | 第60-62页 |
| 6.5 物体位置先验优化实验分析 | 第62-64页 |
| 6.6 本章小节 | 第64-65页 |
| 第七章 总结和展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士学位期间取得的研究成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 附件 | 第75页 |
