| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第13-24页 |
| 1.1 课题研究背景与意义 | 第13-15页 |
| 1.2 国内外研究历史和现状 | 第15-20页 |
| 1.2.1 注视点预测 | 第15-17页 |
| 1.2.2 显著性区域检测 | 第17-20页 |
| 1.2.2.1 自顶向下的显著性检测 | 第17-18页 |
| 1.2.2.2 自底向上的显著性检测/显著性对象检测 | 第18-20页 |
| 1.3 课题研究内容与创新 | 第20-22页 |
| 1.4 论文结构安排 | 第22-24页 |
| 第二章 基于图像稠密匹配的显著性对象检测 | 第24-44页 |
| 2.1 引言 | 第24-28页 |
| 2.1.1 图像稠密匹配相关背景知识 | 第24-25页 |
| 2.1.2 研究动机 | 第25-26页 |
| 2.1.3 解决方法概要 | 第26-28页 |
| 2.2 相关工作 | 第28-30页 |
| 2.2.1 非监督的显著性检测算法 | 第28-29页 |
| 2.2.2 全监督的显著性检测算法 | 第29-30页 |
| 2.3 基于图像稠密匹配的显著性对象检测 | 第30-35页 |
| 2.3.1 方法概述 | 第30-31页 |
| 2.3.2 稠密显著性描述子构建 | 第31-33页 |
| 2.3.3 全局显著性描述子构建 | 第33-34页 |
| 2.3.3.1 参考数据集构建 | 第33-34页 |
| 2.3.3.2 邻居图检索 | 第34页 |
| 2.3.4 显著性标注迁移算法 | 第34-35页 |
| 2.4 由粗到精的显著性图优化方法 | 第35-37页 |
| 2.5 实验和分析 | 第37-43页 |
| 2.5.1 实现环境 | 第37-38页 |
| 2.5.1.1 参数设置 | 第37页 |
| 2.5.1.2 验证数据集 | 第37-38页 |
| 2.5.2 评价标准 | 第38页 |
| 2.5.3 对比分析 | 第38-43页 |
| 2.5.3.1 对比方法 | 第38-41页 |
| 2.5.3.2 定量分析 | 第41-42页 |
| 2.5.3.3 定性分析 | 第42页 |
| 2.5.3.4 运行效率分析 | 第42-43页 |
| 2.6 本章小结 | 第43-44页 |
| 第三章 基于多尺度级联网络的显著性对象检测 | 第44-64页 |
| 3.1 引言 | 第44-46页 |
| 3.2 相关工作 | 第46-48页 |
| 3.2.1 传统显著性对象检测方法 | 第46-47页 |
| 3.2.2 基于深度学习的显著性对象检测方法 | 第47-48页 |
| 3.3 基于多尺度级联网络的显著性对象检测算法 | 第48-52页 |
| 3.3.1 方法概述 | 第48-49页 |
| 3.3.2 共享底层特征构建 | 第49-50页 |
| 3.3.3 多尺度级联网络模型 | 第50-52页 |
| 3.4 优化模块 | 第52-53页 |
| 3.5 实验和分析 | 第53-59页 |
| 3.5.1 实现细节 | 第53-54页 |
| 3.5.1.1 训练细节 | 第54页 |
| 3.5.1.2 测试细节 | 第54页 |
| 3.5.2 数据和验证方法 | 第54-56页 |
| 3.5.2.1 数据库 | 第54-55页 |
| 3.5.2.2 验证标准 | 第55-56页 |
| 3.5.3 模型设计有效性分析 | 第56-57页 |
| 3.5.4 对比分析 | 第57-59页 |
| 3.5.4.1 定量比较 | 第57-59页 |
| 3.5.4.2 定性比较 | 第59页 |
| 3.5.4.3 运行效率比较 | 第59页 |
| 3.6 本章小结 | 第59-64页 |
| 第四章 基于网络驱动的显著性对象检测 | 第64-87页 |
| 4.1 引言 | 第64-66页 |
| 4.2 相关工作 | 第66-67页 |
| 4.2.1 显著性对象检测深度模型 | 第66-67页 |
| 4.2.2 网络监督学习 | 第67页 |
| 4.3 深度神经网络模型设计 | 第67-68页 |
| 4.4 初始显著性深度模型 | 第68-71页 |
| 4.5 深度模型自学习方法 | 第71-75页 |
| 4.5.1 显著性引导联合分割方法 | 第71-75页 |
| 4.5.1.1 基于显著性引导的颜色描述子 | 第71-73页 |
| 4.5.1.2 联合分割算法 | 第73-74页 |
| 4.5.1.3 深度神经网络参数优化 | 第74-75页 |
| 4.6 实验和分析 | 第75-85页 |
| 4.6.1 方法实现细节 | 第75页 |
| 4.6.2 数据集和验证方法介绍 | 第75-76页 |
| 4.6.3 模型设计必要性分析 | 第76-79页 |
| 4.6.3.1 非深度学习方法与深度学习方法 | 第76-77页 |
| 4.6.3.2 质量评估算法有效性验证 | 第77-78页 |
| 4.6.3.3 深度模型自学习方法的有效性 | 第78页 |
| 4.6.3.4 训练数据量的影响 | 第78-79页 |
| 4.6.4 实验对比分析 | 第79-85页 |
| 4.6.4.1 定量实验 | 第79-85页 |
| 4.6.4.2 定性实验 | 第85页 |
| 4.6.4.3 运行效率分析 | 第85页 |
| 4.7 本章小节 | 第85-86页 |
| 4.8 未来展望 | 第86-87页 |
| 第五章 显著性对象检测在计算机视觉中的应用 | 第87-100页 |
| 5.1 基于视觉显著性的肺部区域分割算法 | 第87-93页 |
| 5.1.1 引言 | 第87-89页 |
| 5.1.2 算法描述 | 第89-92页 |
| 5.1.2.1 算法流程介绍 | 第89页 |
| 5.1.2.2 预处理阶段 | 第89-90页 |
| 5.1.2.3 肺部区域的视觉显著性计算 | 第90-92页 |
| 5.1.2.4 边缘优化 | 第92页 |
| 5.1.3 实验分析和对比 | 第92-93页 |
| 5.2 基于显著性引导的稠密语义匹配方法 | 第93-98页 |
| 5.2.1 引言 | 第93-94页 |
| 5.2.2 算法描述 | 第94-97页 |
| 5.2.2.1 基于候选区域的稠密语义匹配 | 第94-95页 |
| 5.2.2.2 候选区域优化方法 | 第95-96页 |
| 5.2.2.3 基于显著性引导的方向梯度直方图构建 | 第96-97页 |
| 5.2.2.4 像素级匹配生成方法 | 第97页 |
| 5.2.3 实验分析和对比 | 第97-98页 |
| 5.2.3.1 实验设置 | 第97-98页 |
| 5.2.3.2 验证方法 | 第98页 |
| 5.2.3.3 比较分析 | 第98页 |
| 5.3 本章小节 | 第98-100页 |
| 第六章 总结与展望 | 第100-103页 |
| 6.1 全文工作总结 | 第100-102页 |
| 6.2 未来工作展望 | 第102-103页 |
| 致谢 | 第103-104页 |
| 参考文献 | 第104-116页 |
| 攻读博士学位期间取得的成果 | 第116-117页 |