| 学位论文的主要创新点 | 第3-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题研究背景及意义 | 第9-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 论文研究内容及组织结构 | 第15-17页 |
| 第二章 相关理论基础 | 第17-33页 |
| 2.1 聚类算法 | 第17-22页 |
| 2.1.1 K-means聚类算法 | 第17-18页 |
| 2.1.2 Mean Shift聚类算法 | 第18-20页 |
| 2.1.3 SLIC聚类算法 | 第20-22页 |
| 2.2 卷积神经网络 | 第22-32页 |
| 2.2.1 卷积神经网络 | 第23-28页 |
| 2.2.2 全卷积神经网络 | 第28-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第三章 基于背景先验和前景节点的感兴趣区域检测方法 | 第33-41页 |
| 3.1 感兴趣区域检测模型 | 第33-34页 |
| 3.2 基于背景先验的感兴趣区域检测 | 第34-37页 |
| 3.2.1 基于背景先验的显著图 | 第34-35页 |
| 3.2.2 利用单层元胞自动机优化基于背景先验的显著图 | 第35-37页 |
| 3.3 基于前景节点的感兴趣区域检测 | 第37-38页 |
| 3.4 显著性融合 | 第38-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法 | 第41-49页 |
| 4.1 感兴趣区域检测模型 | 第41-42页 |
| 4.2 特征矩阵与特征变换矩阵 | 第42-44页 |
| 4.2.1 特征矩阵 | 第42页 |
| 4.2.2 基于梯度下降法构造特征变换矩阵 | 第42-44页 |
| 4.3 基于全卷积神经网络提取高层先验知识 | 第44-45页 |
| 4.4 基于低秩稀疏分解的感兴趣区域检测 | 第45-47页 |
| 4.5 本章小结 | 第47-49页 |
| 第五章 实验结果与分析 | 第49-63页 |
| 5.1 评价指标 | 第49-50页 |
| 5.2 本文两种方法对比 | 第50-53页 |
| 5.2.1 主观评价 | 第50-52页 |
| 5.2.2 客观评价 | 第52-53页 |
| 5.3 BPFS方法的实验结果与分析 | 第53-57页 |
| 5.3.1 主观评价 | 第53-55页 |
| 5.3.2 客观评价 | 第55-57页 |
| 5.4 FCN-LRSD方法的实验结果与分析 | 第57-61页 |
| 5.4.1 主观评价 | 第57-58页 |
| 5.4.2 客观评价 | 第58-61页 |
| 5.5 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 发表论文和参加科研情况 | 第71-73页 |
| 致谢 | 第73页 |
