| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 课题背景及研究目的 | 第11-12页 |
| 1.2 视觉注意机制 | 第12-13页 |
| 1.2.1 显性与隐性视觉注意 | 第12页 |
| 1.2.2 自底向上与自顶向下视觉注意 | 第12-13页 |
| 1.3 视觉显著检测若干关键技术 | 第13-14页 |
| 1.3.1 预测视觉注视点的显著性检测 | 第14页 |
| 1.3.2 显著区域检测 | 第14页 |
| 1.4 经典算法及研究现状 | 第14-18页 |
| 1.4.1 传统的图像显著性检测模型 | 第14-15页 |
| 1.4.2 基于深度学习的图像显著性检测模型 | 第15-18页 |
| 1.5 研究内容和章节安排 | 第18-21页 |
| 第二章 深度学习与卷积神经网络原理 | 第21-31页 |
| 2.1 机器学习发展历程 | 第21-24页 |
| 2.1.1 浅层学习 | 第21-22页 |
| 2.1.2 深度学习 | 第22-24页 |
| 2.2 卷积神经网络 | 第24-26页 |
| 2.3 Alex的卷积神经网络 | 第26-29页 |
| 2.3.1 网络的全局架构 | 第26页 |
| 2.3.2 网络结构细节 | 第26-29页 |
| 2.3.3 网络学习细节 | 第29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 全局与局部多尺度结合的并行CNN显著区域检测 | 第31-42页 |
| 3.1 引言 | 第31-32页 |
| 3.2 本文方法 | 第32-33页 |
| 3.3 数据处理 | 第33-39页 |
| 3.3.1 超像素分割 | 第33-36页 |
| 3.3.2 网络输入 | 第36-38页 |
| 3.3.3 训练数据 | 第38-39页 |
| 3.4 常用深度模型效果评估 | 第39-40页 |
| 3.5 模型fine-tuning | 第40-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 实验结果与分析 | 第42-53页 |
| 4.1 数据库介绍 | 第42-43页 |
| 4.2 评估尺度介绍 | 第43-44页 |
| 4.2.1 准确率－召回率曲线 | 第43页 |
| 4.2.2 F-measure | 第43-44页 |
| 4.2.3 实现细节 | 第44页 |
| 4.3 网络子模块的性能对比 | 第44-48页 |
| 4.3.1 验证CNN-G网络的有效性 | 第44-45页 |
| 4.3.2 验证CNN-L模块的有效性 | 第45-47页 |
| 4.3.3 CNN-G模块与CNN-L模块的对比 | 第47-48页 |
| 4.4 不同算法性能的比较 | 第48-51页 |
| 4.4.1 定量对比 | 第49-51页 |
| 4.4.2 视觉效果对比 | 第51页 |
| 4.5 本章小结 | 第51-53页 |
| 总结 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 攻读硕士学位期间取得的研究成果 | 第59-60页 |
| 致谢 | 第60-61页 |
| 附件 | 第61页 |