| 摘要 | 第7-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题背景和意义 | 第10-11页 |
| 1.2 图像显著性预测研究现状 | 第11-14页 |
| 1.3 本文的研究内容 | 第14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第二章 图像显著性理论和研究方法 | 第16-27页 |
| 2.1 图像显著性预测的相关知识 | 第16-18页 |
| 2.1.1 颜色空间理论 | 第16-17页 |
| 2.1.2 颜色直方图 | 第17页 |
| 2.1.3 Gabor滤波器 | 第17页 |
| 2.1.4 视觉注意机制 | 第17-18页 |
| 2.2 视觉显著性原理与标准 | 第18-21页 |
| 2.2.1 视觉显著性原理 | 第18-20页 |
| 2.2.2 视觉显著性标准 | 第20-21页 |
| 2.3 几种典型的显著性算法 | 第21-26页 |
| 2.3.1 基于生物视觉的方法 | 第22-23页 |
| 2.3.2 基于局部对比的方法 | 第23-24页 |
| 2.3.3 基于全局对比的方法 | 第24-25页 |
| 2.3.4 基于学习的方法 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 深度学习及其在图像显著性上的应用 | 第27-39页 |
| 3.1 深度学习及其原理 | 第27-30页 |
| 3.1.1 深度学习的概念 | 第27-28页 |
| 3.1.2 深度学习的原理 | 第28-30页 |
| 3.2 深度学习的硬件和软件工具 | 第30-32页 |
| 3.2.1 深度学习的相关硬件 | 第30-31页 |
| 3.2.2 深度学习的软件工具 | 第31-32页 |
| 3.3 卷积神经网络CNN | 第32-35页 |
| 3.4 基于深度学习的显著性模型 | 第35-38页 |
| 3.4.1 Mr-CNN模型 | 第36页 |
| 3.4.2 Shallow Convet和Deep Convet模型 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于深度神经网络的图像显著性预测方法 | 第39-50页 |
| 4.1 算法思路和流程 | 第39-40页 |
| 4.2 卷积神经网络参数的确定 | 第40-42页 |
| 4.2.1 VGG16网络结构 | 第41-42页 |
| 4.2.2 网络参数的优化 | 第42页 |
| 4.3 多尺度输入的卷积神经网络 | 第42-46页 |
| 4.3.1 多尺度的卷积神经网络 | 第43页 |
| 4.3.2 高斯滤波 | 第43-45页 |
| 4.3.3 周期性训练 | 第45-46页 |
| 4.4 循环卷积神经网络 | 第46-48页 |
| 4.4.1 RCNN结构 | 第46-47页 |
| 4.4.2 循环卷积神经网络 | 第47-48页 |
| 4.5 算法分析 | 第48-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第五章 实验结果与对比分析 | 第50-61页 |
| 5.1 显著性预测的数据库 | 第50-52页 |
| 5.1.1 MIT数据库 | 第50-51页 |
| 5.1.2 SALICON数据库 | 第51-52页 |
| 5.1.3 iSUN数据库 | 第52页 |
| 5.2 两种卷积神经网络模型的实现 | 第52-54页 |
| 5.3 定性实验结果 | 第54-56页 |
| 5.4 定量实验结果 | 第56-60页 |
| 5.4.1 显著性预测指标 | 第56-58页 |
| 5.4.2 定量实验结果 | 第58-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 本文工作总结 | 第61页 |
| 6.2 未来展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 学位论文评阅及答辩情况表 | 第69页 |