| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第1章 绪论 | 第11-35页 |
| 1.1 课题背景 | 第11-12页 |
| 1.2 研究意义 | 第12-14页 |
| 1.3 视觉显著性的理论基础 | 第14-17页 |
| 1.4 显著目标检测的研究现状 | 第17-23页 |
| 1.5 数据集及评价准则 | 第23-31页 |
| 1.5.1 显著性检测数据集 | 第23-28页 |
| 1.5.2 评价标准 | 第28-31页 |
| 1.6 本文的研究内容及创新点 | 第31-33页 |
| 1.7 本文的组织结构 | 第33-35页 |
| 第2章 基于离散平稳小波变换融合频域空域信息的显著目标检测 | 第35-50页 |
| 2.1 引言 | 第35-36页 |
| 2.2 相关工作 | 第36-37页 |
| 2.3 一种基于离散平稳小波变换融合频域空域信息的显著模型 | 第37-44页 |
| 2.3.1 基于频域的显著性度量 | 第38-39页 |
| 2.3.2 基于空域的显著性度量 | 第39-41页 |
| 2.3.3 基于离散平稳小波变换的非线性融合 | 第41-44页 |
| 2.4 实验结果及分析 | 第44-49页 |
| 2.5 本章小结 | 第49-50页 |
| 第3章 基于超像素协方差融合最优特征的显著目标检测 | 第50-66页 |
| 3.1 引言 | 第50-51页 |
| 3.2 相关工作 | 第51-53页 |
| 3.3 一种基于超像素协方差融合最优特征的显著模型 | 第53-59页 |
| 3.3.1 基于超像素的图构建 | 第53页 |
| 3.3.2 基于图模型的流形排序 | 第53-54页 |
| 3.3.3 基于区域协方差的特征融合 | 第54-56页 |
| 3.3.4 基于局部相似性的显著性估计 | 第56-57页 |
| 3.3.5 基于全局搜索的显著性估计 | 第57-59页 |
| 3.4 实验结果及分析 | 第59-65页 |
| 3.5 本章小结 | 第65-66页 |
| 第4章 基于区域协方差引导卷积神经网络的显著目标检测 | 第66-79页 |
| 4.1 引言 | 第66-67页 |
| 4.2 相关工作 | 第67-68页 |
| 4.3 一种基于协方差卷积神经网络的显著模型 | 第68-72页 |
| 4.3.1 多尺度特征提取 | 第69-70页 |
| 4.3.2 基于特征的区域协方差 | 第70页 |
| 4.3.3 基于卷积神经网络的样本训练 | 第70-71页 |
| 4.3.4 基于对比度的显著性计算 | 第71-72页 |
| 4.4 实验结果及分析 | 第72-78页 |
| 4.5 本章小结 | 第78-79页 |
| 第5章 基于全局卷积和边界细化引导深度网络的显著目标检测 | 第79-99页 |
| 5.1 引言 | 第79-82页 |
| 5.2 相关工作 | 第82-83页 |
| 5.3 一种基于全局卷积和边界细化引导深度网络的显著模型 | 第83-86页 |
| 5.3.1 网络结构 | 第83-84页 |
| 5.3.2 全局卷积模块 | 第84页 |
| 5.3.3 边界细化模块 | 第84-85页 |
| 5.3.4 显著目标检测 | 第85-86页 |
| 5.4 实验结果及分析 | 第86-97页 |
| 5.4.1 实验设置 | 第86-87页 |
| 5.4.2 实验分析 | 第87-97页 |
| 5.5 本章小结 | 第97-99页 |
| 第6章 总结与展望 | 第99-102页 |
| 6.1 总结 | 第99-100页 |
| 6.2 展望 | 第100-102页 |
| 致谢 | 第102-103页 |
| 参考文献 | 第103-116页 |
| 附录1 攻读博士学位期间取得的科研成果 | 第116-119页 |
| 附录2 攻读博士学位期间参加的科研项目 | 第119页 |
