显著对象的检测算法研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 缩略词表 | 第13-14页 |
| 第一章 绪论 | 第14-23页 |
| 1.1 课题背景及研究意义 | 第14-15页 |
| 1.2 研究历史与现状 | 第15-20页 |
| 1.2.1 显著对象检测的发展历史 | 第15-16页 |
| 1.2.2 显著对象检测的研究现状 | 第16-19页 |
| 1.2.2.1 先验线索驱动的显著对象检测算法 | 第16-17页 |
| 1.2.2.2 特征整合驱动的显著对象检测算法 | 第17-18页 |
| 1.2.2.3 深度学习驱动的显著对象检测算法 | 第18-19页 |
| 1.2.3 显著对象检测面临的挑战 | 第19-20页 |
| 1.3 本论文的主要贡献与创新 | 第20-21页 |
| 1.4 本论文的结构安排 | 第21-23页 |
| 第二章 基于超对比度的显著对象检测算法研究 | 第23-44页 |
| 2.1 引言 | 第23-25页 |
| 2.2 基于超对比度的算法框架 | 第25-26页 |
| 2.3 超对比度特征的提取 | 第26-32页 |
| 2.3.1 区域相异度矩阵 | 第26-29页 |
| 2.3.1.1 空间相异度 | 第27页 |
| 2.3.1.2 颜色相异度 | 第27-28页 |
| 2.3.1.3 纹理相异度 | 第28页 |
| 2.3.1.4 边缘相异度 | 第28页 |
| 2.3.1.5 对象相异度 | 第28-29页 |
| 2.3.2 区域上下文 | 第29页 |
| 2.3.3 对比度变换 | 第29-32页 |
| 2.3.3.1 平均对比度 | 第30页 |
| 2.3.3.2 迈克尔逊对比度 | 第30-31页 |
| 2.3.3.3 方差对比度 | 第31页 |
| 2.3.3.4 偏态对比度 | 第31-32页 |
| 2.3.4 超对比度特征的可视化 | 第32页 |
| 2.4 显著预测模型的训练 | 第32-33页 |
| 2.5 邻域约束的显著对象分割模型 | 第33-34页 |
| 2.6 实验结果及分析 | 第34-43页 |
| 2.6.1 实验配置 | 第34-35页 |
| 2.6.1.1 数据库 | 第34页 |
| 2.6.1.2 参数设置 | 第34页 |
| 2.6.1.3 实现细节 | 第34-35页 |
| 2.6.1.4 评价指标 | 第35页 |
| 2.6.2 性能比较 | 第35-38页 |
| 2.6.2.1 超对比度特征vsDRFI特征 | 第35-36页 |
| 2.6.2.2 显著对象检测的性能比较 | 第36-37页 |
| 2.6.2.3 显著对象分割的性能比较 | 第37-38页 |
| 2.6.2.4 主观实验结果 | 第38页 |
| 2.6.3 分解实验 | 第38-42页 |
| 2.6.3.1 区域相异度 | 第39-40页 |
| 2.6.3.2 对比度变换 | 第40-41页 |
| 2.6.3.3 区域上下文 | 第41-42页 |
| 2.6.4 效率分析 | 第42页 |
| 2.6.5 深度卷积特征的融合实验 | 第42-43页 |
| 2.7 本章小结 | 第43-44页 |
| 第三章 场景自适应的显著对象检测算法研究 | 第44-59页 |
| 3.1 引言 | 第44-46页 |
| 3.2 场景自适应的算法框架 | 第46-47页 |
| 3.3 图像场景类的生成算法 | 第47-50页 |
| 3.3.1 外观场景类 | 第47-48页 |
| 3.3.2 结构场景类 | 第48-50页 |
| 3.4 场景预测模型 | 第50页 |
| 3.5 显著对象检测器 | 第50-51页 |
| 3.6 实验结果及分析 | 第51-59页 |
| 3.6.1 实验配置 | 第51-52页 |
| 3.6.1.1 数据库 | 第51页 |
| 3.6.1.2 评价指标 | 第51-52页 |
| 3.6.1.3 参数设置 | 第52页 |
| 3.6.2 性能比较 | 第52-55页 |
| 3.6.2.1 客观实验结果 | 第53-54页 |
| 3.6.2.2 主观实验结果 | 第54-55页 |
| 3.6.3 场景类别及数量分析 | 第55-57页 |
| 3.6.4 效率分析 | 第57-59页 |
| 第四章 场景与显著对象检测器的联合优化算法研究 | 第59-70页 |
| 4.1 引言 | 第59页 |
| 4.2 显著场景的联合学习框架 | 第59-61页 |
| 4.2.1 显著场景类的定义 | 第60-61页 |
| 4.3 基于高阶项的联合代价函数 | 第61-63页 |
| 4.4 基于潜变量的分解迭代优化 | 第63页 |
| 4.5 显著对象检测器 | 第63-64页 |
| 4.6 实验结果及分析 | 第64-70页 |
| 4.6.1 实验配置 | 第64-65页 |
| 4.6.1.1 数据库 | 第64页 |
| 4.6.1.2 评价指标 | 第64-65页 |
| 4.6.1.3 参数设置 | 第65页 |
| 4.6.2 性能比较 | 第65-68页 |
| 4.6.2.1 实验结果分析 | 第65-66页 |
| 4.6.2.2 迭代参数分析 | 第66-67页 |
| 4.6.2.3 通用性能分析 | 第67-68页 |
| 4.6.3 算法的可扩展性实验 | 第68-70页 |
| 第五章 基于对象边界的显著谱增强算法研究 | 第70-81页 |
| 5.1 引言 | 第70-72页 |
| 5.2 基于潜在边界的显著增强 | 第72-73页 |
| 5.3 分解优化算法 | 第73-74页 |
| 5.3.1 次模函数的优化子问题 | 第73页 |
| 5.3.2 凸函数的优化子问题 | 第73-74页 |
| 5.4 实验结果及分析 | 第74-80页 |
| 5.4.1 数据库及评价指标 | 第74-75页 |
| 5.4.2 客观实验结果及分析 | 第75-77页 |
| 5.4.3 主观实验结果及分析 | 第77-79页 |
| 5.4.4 模型参数分析 | 第79-80页 |
| 5.5 本章小结 | 第80-81页 |
| 第六章 基于深度卷积回归网络的显著谱质量评价研究 | 第81-99页 |
| 6.1 引言 | 第81-83页 |
| 6.2 深度显著谱质量评价网络 | 第83-85页 |
| 6.3 联合质量评价指标 | 第85-87页 |
| 6.4 质量评价模型的模型训练 | 第87-88页 |
| 6.4.1 联合指标的代价函数 | 第87页 |
| 6.4.2 训练数据的增广 | 第87页 |
| 6.4.3 模型参数的训练 | 第87-88页 |
| 6.5 实验结果及分析 | 第88-93页 |
| 6.5.1 实验设置 | 第88页 |
| 6.5.2 算法评价指标 | 第88-89页 |
| 6.5.3 主观实验结果 | 第89页 |
| 6.5.4 客观实验结果 | 第89-91页 |
| 6.5.5 测度数量的分析实验 | 第91-93页 |
| 6.6 显著谱质量评价的应用 | 第93-98页 |
| 6.6.1 最优显著谱筛选 | 第94-95页 |
| 6.6.2 显著谱排序 | 第95-97页 |
| 6.6.3 显著对象分割 | 第97-98页 |
| 6.7 本章小结 | 第98-99页 |
| 第七章 全文总结与展望 | 第99-101页 |
| 7.1 全文总结 | 第99-100页 |
| 7.2 后续工作展望 | 第100-101页 |
| 致谢 | 第101-102页 |
| 参考文献 | 第102-114页 |
| 攻读博士学位期间取得的成果 | 第114页 |
