| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 背景和意义 | 第12-13页 |
| 1.2 国内外研究现状及存在的问题 | 第13-18页 |
| 1.2.1 显著性检测模型概述 | 第14页 |
| 1.2.2 单幅图像协同显著性检测现状分析 | 第14-15页 |
| 1.2.3 RGB图像组协同显著性检测现状分析 | 第15-16页 |
| 1.2.4 RGB-D图像组协同显著性检测现状分析 | 第16-17页 |
| 1.2.5 目前存在的问题 | 第17-18页 |
| 1.3 本文研究内容 | 第18-19页 |
| 1.4 本文组织结构 | 第19-22页 |
| 第2章 相关基础理论 | 第22-36页 |
| 2.1 视觉感知系统及注意机制 | 第22-23页 |
| 2.2 图模型 | 第23-25页 |
| 2.3 深度神经网络 | 第25-29页 |
| 2.3.1 神经网络基本结构 | 第25-26页 |
| 2.3.2 卷积神经网络 | 第26-27页 |
| 2.3.3 卷积神经网络的传播机制 | 第27-29页 |
| 2.4 角度嵌入优化算法 | 第29-30页 |
| 2.5 显著性度量标准 | 第30-34页 |
| 2.5.1 基于像素计算的显著性度量标准 | 第31-32页 |
| 2.5.2 结构相似性度量 | 第32-34页 |
| 2.6 本章小结 | 第34-36页 |
| 第3章 图像组内协同显著性检测 | 第36-62页 |
| 3.1 RGB图像组内协同显著性检测概述 | 第36页 |
| 3.2 基于深度学习的图像前景区域检测 | 第36-40页 |
| 3.2.1 多层卷积神经网络(CNNs) | 第37-38页 |
| 3.2.2 用于细化微调的递归神经网络(RNNs) | 第38-40页 |
| 3.2.3 网络的训练 | 第40页 |
| 3.3 融合多视角信息的RGB图像组协同显著性检测 | 第40-47页 |
| 3.3.1 图像特征描述 | 第40-42页 |
| 3.3.2 多图模型 | 第42-45页 |
| 3.3.3 图像协同显著性检测 | 第45-47页 |
| 3.4 基于秩约束的显著信息融合算法 | 第47-50页 |
| 3.4.1 显著前景分割 | 第47页 |
| 3.4.2 秩约束模型 | 第47-49页 |
| 3.4.3 显著信息融合 | 第49-50页 |
| 3.5 扩展到RGB-D图像组协同显著性检测 | 第50-52页 |
| 3.5.1 深度显著信息的获取 | 第50-51页 |
| 3.5.2 RGB-D图像组内协同显著性检测 | 第51-52页 |
| 3.6 实验及分析 | 第52-60页 |
| 3.6.1 RGB图像组协同显著性检测结果及分析 | 第52-55页 |
| 3.6.2 RGB-D图像组协同显著性检测结果及分析 | 第55-57页 |
| 3.6.3 算法模型内部分析 | 第57-59页 |
| 3.6.4 特例分析 | 第59-60页 |
| 3.7 本章小结 | 第60-62页 |
| 第4章 单幅图像协同显著性检测 | 第62-72页 |
| 4.1 算法框架概述 | 第62-63页 |
| 4.2 图像内协同显著性目标检测 | 第63-65页 |
| 4.2.1 图像内协同显著性检测概率表示 | 第63-64页 |
| 4.2.2 基于多尺度分割的图像内协同显著性检测 | 第64-65页 |
| 4.3 基于角度嵌入优化的显著图增强 | 第65-68页 |
| 4.4 实验及分析 | 第68-71页 |
| 4.4.1 单幅图像协同显著性检测结果与分析 | 第68-70页 |
| 4.4.2 算法模型内部分析 | 第70-71页 |
| 4.5 本章小结 | 第71-72页 |
| 第5章 总结与展望 | 第72-74页 |
| 5.1 工作总结 | 第72-73页 |
| 5.2 未来展望 | 第73-74页 |
| 参考文献 | 第74-80页 |
| 致谢 | 第80-82页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第82页 |
