基于学习的显著性检测算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| abstract | 第7页 |
| 1 绪论 | 第12-22页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 经典算法及研究现状 | 第13-18页 |
| 1.3 人类视觉系统 | 第18-20页 |
| 1.4 本文研究的主要内容和结构安排 | 第20-22页 |
| 2 超傅立叶变换的注视点预测模型 | 第22-30页 |
| 2.1 视觉注意机制与眼动数据的相关性 | 第22-23页 |
| 2.2 视觉注意模型 | 第23-29页 |
| 2.2.1 谱残差算法 | 第24-26页 |
| 2.2.2 彩色图像的显著性检测模型 | 第26-29页 |
| 2.3 本章小结 | 第29-30页 |
| 3 基于熵的学习算法 | 第30-39页 |
| 3.1 基于熵的学习算法 | 第30-31页 |
| 3.2 训练样本采集 | 第31-32页 |
| 3.2.1 基于显著度的注视控制 | 第31页 |
| 3.2.2 采样区域的划分 | 第31-32页 |
| 3.3 构建像素分类器 | 第32-37页 |
| 3.3.1 超限学习机 | 第33-36页 |
| 3.3.2 分类结果叠加 | 第36-37页 |
| 3.4 实验结果与分析 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 基于自适应尺度选择的学习算法 | 第39-46页 |
| 4.1 基于自适应尺度选择的学习算法 | 第39-40页 |
| 4.2 基于频域分析的自适应尺度选择 | 第40-42页 |
| 4.3 数据集采集 | 第42页 |
| 4.4 构建在线像素分类器 | 第42-43页 |
| 4.5 实验结果与分析 | 第43-45页 |
| 4.6 本章小结 | 第45-46页 |
| 5 基于标准图像库的对比实验与分析 | 第46-59页 |
| 5.1 数据库介绍 | 第46-47页 |
| 5.2 对比实验 | 第47-56页 |
| 5.2.1 评测标准 | 第47-48页 |
| 5.2.2 实验参数设置实验对比 | 第48-56页 |
| 5.3 显著性检测的应用研究 | 第56-58页 |
| 5.4 本章小结 | 第58-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 作者简介 | 第64页 |
