| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 图像显著对象检测的国内外研究现状 | 第11-14页 |
| 1.2.1 图像显著对象检测技术的发展 | 第11-13页 |
| 1.2.2 图像显著对象检测存在的主要问题 | 第13-14页 |
| 1.3 论文的主要研究工作及结构安排 | 第14-17页 |
| 1.3.1 论文的主要工作 | 第14-15页 |
| 1.3.2 论文的结构安排 | 第15-17页 |
| 第二章 基于深度学习的图像显著感数特性计算和显著对象检测方法的概述 | 第17-30页 |
| 2.1 显著性检测和显著对象检测 | 第17-18页 |
| 2.2 框架设计 | 第18-22页 |
| 2.2.1 图像显著感数特性计算 | 第19-21页 |
| 2.2.2 显著度图计算 | 第21-22页 |
| 2.2.3 图像显著对象检测 | 第22页 |
| 2.3 经典的卷积神经网络模型 | 第22-26页 |
| 2.3.1 LeNet网络 | 第23-24页 |
| 2.3.2 AlexNet网络 | 第24页 |
| 2.3.3 VGGNet网络 | 第24-25页 |
| 2.3.4 GoogleNet网络 | 第25-26页 |
| 2.4 显著度图计算方法综述 | 第26-28页 |
| 2.4.1 自底向上的计算模型 | 第26-27页 |
| 2.4.2 自顶向下的计算模型 | 第27-28页 |
| 2.5 基于深度学习的对象检测方法综述 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 基于深度学习的图像显著感数特性计算 | 第30-43页 |
| 3.1 图像显著感数特性计算网络 | 第30-33页 |
| 3.1.1 特征提取 | 第30-32页 |
| 3.1.2 显著感数特性分类 | 第32-33页 |
| 3.2 图像显著感数特性计算 | 第33-42页 |
| 3.2.1 显著感数特性计算方法 | 第34-36页 |
| 3.2.2 实验结果与分析 | 第36-39页 |
| 3.2.3 显著对象检测数据集校准 | 第39-41页 |
| 3.2.4 显著感数特性计算方法在校准数据集的实验结果与分析 | 第41-42页 |
| 3.3 本章小结 | 第42-43页 |
| 第四章 图像显著度图的计算和显著对象的检测 | 第43-62页 |
| 4.1 RBD显著度图计算方法 | 第43-44页 |
| 4.2 显著对象检测网络设计 | 第44-50页 |
| 4.2.1 YOLO算法的基本原理 | 第45-46页 |
| 4.2.2 无特征传递的网络 | 第46-47页 |
| 4.2.3 深层特征传递的网络 | 第47-48页 |
| 4.2.4 浅层特征传递的网络 | 第48-49页 |
| 4.2.5 多层特征传递的网络 | 第49-50页 |
| 4.3 实验结果与分析 | 第50-61页 |
| 4.3.1 显著对象检测数据集校准 | 第50-52页 |
| 4.3.2 原图训练网络的实验结果与分析 | 第52-58页 |
| 4.3.3 显著度图训练网络的实验结果与分析 | 第58-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第五章 基于深度学习的图像显著感数特性计算和显著对象检测 | 第62-73页 |
| 5.1 基于显著感数特性计算的显著对象检测 | 第62-63页 |
| 5.2 实验结果与分析 | 第63-71页 |
| 5.2.1 无显著感数特性计算的显著对象检测算法实验结果分析 | 第65-66页 |
| 5.2.2 基于显著感数特性计算的显著对象检测算法实验结果分析 | 第66-71页 |
| 5.3 本章小结 | 第71-73页 |
| 总结与展望 | 第73-75页 |
| 参考文献 | 第75-80页 |
| 攻读硕士学位期间取得的研究成果 | 第80-81页 |
| 致谢 | 第81-82页 |
| 附件 | 第82页 |
