基于张量分解的视觉显著性算法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第一章 绪论 | 第11-15页 |
| ·视觉显著性的计算模型概述 | 第12-13页 |
| ·图像的张量描述与分析概述 | 第13-14页 |
| ·论文的主要研究内容与章节安排 | 第14-15页 |
| 第二章 研究背景与国内外研究现状 | 第15-19页 |
| ·视觉显著性的计算模型 | 第15-17页 |
| ·视觉注意机制 | 第15-16页 |
| ·显著性的计算模型 | 第16-17页 |
| ·张量子空间学习方法 | 第17-18页 |
| ·向量数据的子空间学习方法 | 第17页 |
| ·张量数据的子空间学习方法 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 第三章 基于增量信息的显著性模型 | 第19-34页 |
| ·视觉编码方式概述 | 第19-21页 |
| ·独立成分分析 | 第19-20页 |
| ·稀疏编码 | 第20-21页 |
| ·基于增量信息的视觉显著性模型 | 第21-24页 |
| ·时空域中心邻域结构 | 第22页 |
| ·模型建立 | 第22-24页 |
| ·增量编码长度显著性模型的求解 | 第24-27页 |
| ·高斯条件信息熵 | 第24-25页 |
| ·基于稀疏编码长度的信息熵 | 第25-26页 |
| ·显著性物体的判定 | 第26页 |
| ·算法流程 | 第26-27页 |
| ·实验结果与分析 | 第27-33页 |
| ·数据集与评价方式 | 第27-29页 |
| ·参数选择 | 第29页 |
| ·自然图像的显著性 | 第29-31页 |
| ·视频序列的显著性 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 基于最优秩-稀疏张量分解的显著性模型 | 第34-54页 |
| ·张量的基本运算与分解 | 第34-37页 |
| ·张量的基本运算 | 第34-35页 |
| ·张量分解方法 | 第35-37页 |
| ·图像的张量特征描述 | 第37-39页 |
| ·图像特征的天然张量结构 | 第37-38页 |
| ·图像特征的张量组织方式 | 第38-39页 |
| ·最优秩-稀疏张量分解模型 | 第39-45页 |
| ·模型建立 | 第40-42页 |
| ·模型简化 | 第42-43页 |
| ·模型求解 | 第43-45页 |
| ·基于最优秩-稀疏分解的视觉显著性模型 | 第45-47页 |
| ·基于ICA 的图像张量化描述 | 第45-46页 |
| ·基于最优秩-稀疏分解的显著性模型 | 第46-47页 |
| ·实验结果与分析 | 第47-52页 |
| ·眼动数据的预测 | 第48-49页 |
| ·视频前景提取 | 第49-50页 |
| ·序列图像去噪 | 第50-51页 |
| ·人脸图像分析 | 第51-52页 |
| ·本章小结 | 第52-54页 |
| 第五章 总结与展望 | 第54-56页 |
| ·主要工作与创新点 | 第54页 |
| ·后续研究工作 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间已发表或录用的论文 | 第62-64页 |
