基于卷积神经网络的注视点检测
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-12页 |
| 1.1 研究背景及选题意义 | 第7-8页 |
| 1.2 经典算法及研究现状 | 第8-10页 |
| 1.3 论文章节安排 | 第10-12页 |
| 2 相关研究及本文工作 | 第12-25页 |
| 2.1 注视点检测模型及存在的问题 | 第12-15页 |
| 2.1.1 自底向上的注视点检测模型 | 第12-13页 |
| 2.1.2 自顶向下的注视点检测模型 | 第13-14页 |
| 2.1.3 基于神经网络的注视点检测模型 | 第14-15页 |
| 2.2 半耦合字典学习 | 第15-17页 |
| 2.2.1 算法原理 | 第15-17页 |
| 2.3 人工神经网络 | 第17-20页 |
| 2.3.1 人工神经元 | 第18-19页 |
| 2.3.2 神经网络的基本结构 | 第19-20页 |
| 2.4 卷积神经网络 | 第20-23页 |
| 2.4.1 网络的构成 | 第20-21页 |
| 2.4.2 反向传播算法 | 第21-23页 |
| 2.5 本文主要工作和贡献 | 第23-25页 |
| 3 基于局部评估和全局优化的注视点检测 | 第25-34页 |
| 3.1 局部评估 | 第26-30页 |
| 3.1.1 Proposal及其特征提取 | 第26-27页 |
| 3.1.2 局部评估-总体训练 | 第27-28页 |
| 3.1.3 局部评估-具体训练 | 第28-30页 |
| 3.2 全局优化 | 第30-32页 |
| 3.2.1 Proposal子集优化 | 第30-32页 |
| 3.2.2 全局上下文优化 | 第32页 |
| 3.3 实验评估 | 第32-34页 |
| 4 基于双流卷积神经网络的注视点检测 | 第34-48页 |
| 4.1 双流卷积神经网络结构 | 第36-39页 |
| 4.1.1 注视点检测流 | 第36-38页 |
| 4.1.2 场景分类流 | 第38-39页 |
| 4.2 多信息自适应融合机制 | 第39-41页 |
| 4.3 实验说明 | 第41-48页 |
| 4.3.1 数据库和评价标准 | 第41-43页 |
| 4.3.2 训练细节 | 第43-44页 |
| 4.3.3 实验结果 | 第44-48页 |
| 结论 | 第48-50页 |
| 参考文献 | 第50-55页 |
| 攻读硕士学位期间发表学术论文情况 | 第55-56页 |
| 致谢 | 第56-58页 |
