基于多示例学习的显著性目标检测
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-16页 |
| 1.1 研究背景及意义 | 第6-9页 |
| 1.2 研究现状及发展前景 | 第9-14页 |
| 1.2.1 无监督式显著性检测 | 第9-12页 |
| 1.2.2 监督式显著性检测 | 第12-14页 |
| 1.3 本文工作及主要贡献 | 第14页 |
| 1.4 全文章节安排 | 第14-16页 |
| 2 相关理论基础 | 第16-24页 |
| 2.1 目标候选区域生成器 | 第16-19页 |
| 2.1.1 目标候选区域简介 | 第16-17页 |
| 2.1.2 Edge Boxes算法 | 第17-18页 |
| 2.1.3 目标候选区域与显著目标检测的关系 | 第18-19页 |
| 2.2 多示例学习 | 第19-24页 |
| 2.2.1 多示例学习简介 | 第19-21页 |
| 2.2.2 KI-SVM算法 | 第21-23页 |
| 2.2.3 多示例学习与显著目标检测的关系 | 第23-24页 |
| 3 基于多示例学习和目标候选区域的显著性检测 | 第24-37页 |
| 3.1 图像过分割及特征提取 | 第25-28页 |
| 3.1.1 图像过分割 | 第25-27页 |
| 3.1.2 特征提取 | 第27-28页 |
| 3.2 目标候选区域的筛选 | 第28-31页 |
| 3.2.1 目标大小准则 | 第29-30页 |
| 3.2.2 显著种子准则 | 第30-31页 |
| 3.3 示例包的构建 | 第31-32页 |
| 3.4 多示例学习模型 | 第32-33页 |
| 3.5 结构信息传播 | 第33-36页 |
| 3.6 多尺度融合 | 第36-37页 |
| 4 基于多示例学习的显著性优化模型 | 第37-42页 |
| 4.1 示例包的构建 | 第38-39页 |
| 4.2 从简单到复杂的优化框架 | 第39-42页 |
| 5 实验结果与分析 | 第42-62页 |
| 5.1 数据库介绍 | 第42-44页 |
| 5.2 实验参数及评价指标 | 第44-46页 |
| 5.2.1 参数设置 | 第44-45页 |
| 5.2.2 评价指标 | 第45-46页 |
| 5.3 子模块性能分析 | 第46-53页 |
| 5.4 性能比较 | 第53-62页 |
| 5.4.1 与经典算法的比较 | 第53-58页 |
| 5.4.2 提升经典算法的性能 | 第58-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 攻读硕士学位期间发表学术论文情况 | 第70-71页 |
| 致谢 | 第71-73页 |
