| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第12-27页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 视觉注意概述 | 第14-19页 |
| 1.2.1 视觉注意理论 | 第14-17页 |
| 1.2.2 视觉注意计算模型 | 第17-19页 |
| 1.3 智能驾驶中的视觉注意 | 第19-24页 |
| 1.4 论文研究内容与主要贡献 | 第24-25页 |
| 1.5 论文的结构安排 | 第25-27页 |
| 第二章 静态驾驶场景中的视觉注意机制及眼动特性研究 | 第27-36页 |
| 2.1 引言 | 第27-28页 |
| 2.1.1 相关工作 | 第27页 |
| 2.1.2 本章研究内容 | 第27-28页 |
| 2.2 行为学实验和眼动特性分析 | 第28-33页 |
| 2.2.1 实验刺激及流程 | 第28-29页 |
| 2.2.2 眼动特性分析 | 第29-33页 |
| 2.3 自底向上和自顶向下注意机制的差异性 | 第33-34页 |
| 2.4 交通驾驶先验信息：消失点 | 第34-35页 |
| 2.5 本章小节 | 第35-36页 |
| 第三章 基于自顶向下的驾驶场景显著性检测模型框架 | 第36-55页 |
| 3.1 引言 | 第36-39页 |
| 3.1.1 相关工作 | 第37-39页 |
| 3.1.2 本章研究内容 | 第39页 |
| 3.2 基于自顶向下的显著性检测模型框架 | 第39-46页 |
| 3.2.1 经典的自底向上显著性检测模型 | 第40-42页 |
| 3.2.2 消失点的图像特征与检测算法 | 第42-44页 |
| 3.2.3 模型框架 | 第44-45页 |
| 3.2.4 权重选取 | 第45-46页 |
| 3.3 实验结果 | 第46-52页 |
| 3.3.1 定性评价 | 第46页 |
| 3.3.2 定量评价 | 第46-52页 |
| 3.3.2.1 经典ROC曲线和AUC值评价 | 第47-49页 |
| 3.3.2.2 包含注视时间信息的改进ROC曲线 | 第49-51页 |
| 3.3.2.3 NSS评价结果 | 第51-52页 |
| 3.4 本章小节与讨论 | 第52-55页 |
| 第四章 基于随机森林的静态驾驶场景显著性检测模型 | 第55-69页 |
| 4.1 引言 | 第55-57页 |
| 4.1.1 相关工作 | 第55-56页 |
| 4.1.2 本章研究内容 | 第56-57页 |
| 4.2 多特征提取 | 第57-59页 |
| 4.2.1 低级图像特征 | 第58-59页 |
| 4.2.2 高级图像特征 | 第59页 |
| 4.2.2.1 消失点信息 | 第59页 |
| 4.2.2.2 中央偏置 | 第59页 |
| 4.3 基于随机森林的显著性检测模型 | 第59-62页 |
| 4.3.1 随机森林 | 第60页 |
| 4.3.2 模型实现 | 第60-62页 |
| 4.4 实验结果 | 第62-67页 |
| 4.4.1 数据集 | 第63页 |
| 4.4.2 定性评价 | 第63-64页 |
| 4.4.3 定量评价 | 第64-66页 |
| 4.4.3.1 ROC曲线评价结果 | 第65页 |
| 4.4.3.2 AUC值评价结果 | 第65-66页 |
| 4.4.3.3 NSS值评价结果 | 第66页 |
| 4.4.4 高级驾驶图像特征验证 | 第66-67页 |
| 4.5 本章小节 | 第67-69页 |
| 第五章 基于深度学习的动态驾驶场景显著性检测模型 | 第69-89页 |
| 5.1 引言 | 第69-72页 |
| 5.1.1 相关工作 | 第69-71页 |
| 5.1.1.1 图像和视频显著性检测 | 第70页 |
| 5.1.1.2 动态驾驶场景中的注意研究 | 第70-71页 |
| 5.1.1.3 相关的数据库 | 第71页 |
| 5.1.2 本章研究内容 | 第71-72页 |
| 5.2 行为学实验及眼动数据分析 | 第72-76页 |
| 5.2.1 实验被试 | 第73页 |
| 5.2.2 实验刺激与设备 | 第73-74页 |
| 5.2.3 实验流程 | 第74页 |
| 5.2.4 眼动数据分析 | 第74-76页 |
| 5.3 基于深度学习的驾驶视频显著性检测模型 | 第76-79页 |
| 5.3.1 卷积-反卷积神经网络 | 第76-78页 |
| 5.3.2 损失函数 | 第78-79页 |
| 5.4 实验结果 | 第79-86页 |
| 5.4.1 数据集 | 第79-80页 |
| 5.4.2 定性评价 | 第80-81页 |
| 5.4.3 定量评价 | 第81-83页 |
| 5.4.4 融合残差结构的CDNN | 第83-86页 |
| 5.5 本章小节 | 第86-89页 |
| 第六章 总结与展望 | 第89-93页 |
| 6.1 全文总结 | 第89-90页 |
| 6.2 后续工作及展望 | 第90-93页 |
| 致谢 | 第93-94页 |
| 参考文献 | 第94-111页 |
| 攻读博士学位期间取得的成果 | 第111页 |