| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 图像显著性检测模型 | 第10-11页 |
| 1.2.2 图像协同显著性检测模型 | 第11-13页 |
| 1.3 本文研究内容和结构安排 | 第13-14页 |
| 2 相关理论基础和本文贡献 | 第14-25页 |
| 2.1 图像分割算法 | 第14-17页 |
| 2.1.1 SLIC图像分割算法 | 第14-15页 |
| 2.1.2 分水岭分割算法 | 第15-16页 |
| 2.1.3 两种分割算法比较 | 第16-17页 |
| 2.2 基本特征提取 | 第17-19页 |
| 2.2.1 图像底层视觉颜色特征 | 第17页 |
| 2.2.2 图像底层视觉纹理特征 | 第17-18页 |
| 2.2.3 图像深度学习特征 | 第18-19页 |
| 2.3 多示例学习算法 | 第19-22页 |
| 2.3.1 多示例学习算法概述 | 第19-20页 |
| 2.3.2 经典多示例学习算法 | 第20-21页 |
| 2.3.3 多示例学习与图像协同显著性的关系 | 第21-22页 |
| 2.4 本文工作及贡献 | 第22-25页 |
| 2.4.1 基于多聚类的协同显著性检测 | 第22-23页 |
| 2.4.2 基于多特征融合的多示例学习算法 | 第23-24页 |
| 2.4.3 本文的创新点和贡献 | 第24-25页 |
| 3 基于多聚类的协同显著性检测 | 第25-31页 |
| 3.1 多聚类原因 | 第25-26页 |
| 3.2 弱协同显著图计算 | 第26-27页 |
| 3.3 多聚类融合计算 | 第27-28页 |
| 3.4 同初始显著图融合 | 第28页 |
| 3.5 算法有效性实验分析 | 第28-31页 |
| 3.5.1 多聚类原因验证 | 第28页 |
| 3.5.2 多聚类融合有效性验证 | 第28-29页 |
| 3.5.3 同初始显著图融合有效性验证 | 第29-31页 |
| 4 基于多特征融合的多示例学习算法 | 第31-52页 |
| 4.1 多特征 | 第31-34页 |
| 4.1.1 区域属性描述符 | 第31-32页 |
| 4.1.2 区域邻域对比度描述符 | 第32页 |
| 4.1.3 区域背景描述符 | 第32-34页 |
| 4.2 Bag-KI-SVM | 第34-36页 |
| 4.2.1 多示例支持向量机 | 第34页 |
| 4.2.2 BAG-KI-SVM | 第34-36页 |
| 4.3 包和示例的构建 | 第36-42页 |
| 4.3.1 异组提取正负包 | 第36-38页 |
| 4.3.2 同组提取正负包 | 第38-42页 |
| 4.4 多特征融合 | 第42-45页 |
| 4.4.1 秩数约束和低秩能量 | 第43-44页 |
| 4.4.2 自适应权重计算 | 第44-45页 |
| 4.5 后续优化处理 | 第45-47页 |
| 4.5.1 图内流形排序扩散 | 第45-46页 |
| 4.5.2 组内类间协同显著值传播 | 第46-47页 |
| 4.6 第二类数据库多特征提取 | 第47页 |
| 4.7 参数选择及算法有效性实验分析 | 第47-52页 |
| 4.7.1 验证特征选择有效性 | 第47-48页 |
| 4.7.2 验证多示例支持向量机的有效性 | 第48页 |
| 4.7.3 包和示例构建方法比较 | 第48页 |
| 4.7.4 加权融合验证 | 第48-49页 |
| 4.7.5 后续优化处理有效性验证 | 第49-50页 |
| 4.7.6 验证第二类数据库选取特征方法和后续改善的有效性 | 第50-52页 |
| 5 实验 | 第52-59页 |
| 5.1 数据库介绍 | 第52页 |
| 5.2 评测方法介绍 | 第52-54页 |
| 5.2.1 P-R曲线 | 第52-53页 |
| 5.2.2 F-measure | 第53页 |
| 5.2.3 AUC值 | 第53-54页 |
| 5.3 本文算法总体评测 | 第54-58页 |
| 5.3.1 利用本文算法优化其他算法 | 第54-55页 |
| 5.3.2 本文算法与其他现有算法比较 | 第55-58页 |
| 5.4 本文算法的不足 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66-68页 |