基于引导学习和局部约束线性编码的显著性检测算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及选题意义 | 第8-10页 |
| 1.2 经典算法及研究现状 | 第10-12页 |
| 1.3 本文研究内容和结构安排 | 第12-14页 |
| 2 相关研究及本文贡献 | 第14-19页 |
| 2.1 相关研究及存在问题 | 第14-16页 |
| 2.1.1 基于区域对比度的显著性检测 | 第14-15页 |
| 2.1.2 基于先验知识的显著性检测 | 第15页 |
| 2.1.3 基于稀疏编码的显著性检测 | 第15-16页 |
| 2.1.4 基于多核学习的显著性检测 | 第16页 |
| 2.2 本文工作及贡献 | 第16-19页 |
| 3 基于引导学习的显著性目标检测算法 | 第19-29页 |
| 3.1 图像特征 | 第19-20页 |
| 3.2 图像先验信息 | 第20-22页 |
| 3.3 弱显著性检测模型 | 第22-24页 |
| 3.4 强显著性检测模型 | 第24-27页 |
| 3.5 显著图的多尺度结合 | 第27-28页 |
| 3.6 弱显著图与强显著图的结合 | 第28-29页 |
| 4 基于局部约束线性编码的显著性目标检测算法 | 第29-35页 |
| 4.1 自底向上模型 | 第29-30页 |
| 4.2 字典的构造 | 第30-31页 |
| 4.3 自顶向下的模型 | 第31-32页 |
| 4.4 前景背景字典增强 | 第32-33页 |
| 4.5 局部与全局结合的最终显著图 | 第33-35页 |
| 5 实验 | 第35-52页 |
| 5.1 数据库介绍 | 第35-36页 |
| 5.2 评测方法介绍 | 第36-38页 |
| 5.2.1 P-R曲线 | 第36-37页 |
| 5.2.2 AUC | 第37页 |
| 5.2.3 F-measure | 第37-38页 |
| 5.3 本文算法分析 | 第38-42页 |
| 5.3.1 算法解析 | 第38-39页 |
| 5.3.2 特征分析 | 第39-40页 |
| 5.3.3 参数选择 | 第40-42页 |
| 5.4 本文算法与其他现有算法比较 | 第42-48页 |
| 5.4.1 定性评测 | 第42页 |
| 5.4.2 定量评测 | 第42-48页 |
| 5.5 利用本文算法优化其他现有方法 | 第48-51页 |
| 5.6 本文算法的不足 | 第51-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表学术论文情况 | 第58-60页 |
| 致谢 | 第60-62页 |
