| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-16页 |
| 1.1 研究背景及意义 | 第7页 |
| 1.2 研究现状 | 第7-10页 |
| 1.2.1 基于无监督模式的显著性检测模型 | 第8-9页 |
| 1.2.2 基于半监督模式的显著性检测模型 | 第9-10页 |
| 1.2.3 基于全监督模式的显著性检测模型 | 第10页 |
| 1.3 研究动机及本文工作 | 第10-14页 |
| 1.3.1 基于局部学习的显著性检测模型 | 第10-11页 |
| 1.3.2 基于全局学习的显著性检测模型 | 第11-12页 |
| 1.3.3 研究动机 | 第12-13页 |
| 1.3.4 本文工作及贡献 | 第13-14页 |
| 1.4 论文章节安排 | 第14-16页 |
| 2 相关基本知识介绍 | 第16-24页 |
| 2.1 先验知识介绍 | 第16页 |
| 2.2 超像素的产生 | 第16-19页 |
| 2.2.1 FH超像素 | 第17页 |
| 2.2.2 SLIC超像素 | 第17-19页 |
| 2.3 目标预测二值图的产生 | 第19-20页 |
| 2.4 关联矩阵的学习 | 第20-21页 |
| 2.5 支持向量机模型 | 第21-23页 |
| 2.5.1 基本支持向量机模型 | 第21-22页 |
| 2.5.2 流形正则化支持向量机模型 | 第22页 |
| 2.5.3 核函数 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 3 半监督的流形正则SVM显著性检测模型 | 第24-37页 |
| 3.1 初始显著性图的计算 | 第24-26页 |
| 3.2 流形正则化的SVM显著性检测模型 | 第26-30页 |
| 3.2.1 训练样本的选择 | 第26-27页 |
| 3.2.2 流形正则化SVM模型 | 第27-28页 |
| 3.2.3 基于局部流形正则化SVM模型的显著性检测 | 第28-30页 |
| 3.2.4 基于全局流形正则化SVM模型的显著性检测 | 第30页 |
| 3.3 局部正则与全局正则的融合 | 第30-32页 |
| 3.4 迭代优化 | 第32-36页 |
| 3.5 本章小结 | 第36-37页 |
| 4 实验与结果 | 第37-54页 |
| 4.1 数据库介绍 | 第37-38页 |
| 4.2 实验相关说明 | 第38-41页 |
| 4.2.1 具体参数设置 | 第38页 |
| 4.2.2 评测指标 | 第38-41页 |
| 4.3 算法检测性能评价 | 第41-44页 |
| 4.3.1 初始显著性检测模型检测性能评测 | 第41页 |
| 4.3.2 局部和全局流形正则化SVM模型检测性能评价 | 第41-43页 |
| 4.3.3 优化融合模型性能评价 | 第43页 |
| 4.3.4 迭代优化性能测价 | 第43-44页 |
| 4.4 本文算法与其它算法结果比较 | 第44-47页 |
| 4.4.1 定量比较 | 第44-47页 |
| 4.4.2 定性比较 | 第47页 |
| 4.5 现有算法的提升 | 第47-53页 |
| 4.6 本章小结 | 第53-54页 |
| 结论 | 第54-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间发表学术论文情况 | 第61-63页 |
| 致谢 | 第63-65页 |
