基于结构化学习的显著性区域检测研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.3 本文的主要工作 | 第10-11页 |
| 1.4 本文的组织结构 | 第11-12页 |
| 第2章 视觉注意基础知识 | 第12-19页 |
| 2.1 视觉注意机制 | 第12-13页 |
| 2.2 视觉注意模型 | 第13-16页 |
| 2.3 视觉注意建模的理论基础 | 第16-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第3章 随机森林 | 第19-26页 |
| 3.1 决策树概述 | 第19-20页 |
| 3.2 决策树节点分裂准则 | 第20-22页 |
| 3.3 随机森林的基本原理 | 第22-24页 |
| 3.3.1 随机森林的随机特性 | 第22页 |
| 3.3.2 随机森林分类器的生成 | 第22-23页 |
| 3.3.3 随机森林分类器的预测 | 第23-24页 |
| 3.4 随机森林的优点 | 第24-25页 |
| 3.5 本章小结 | 第25-26页 |
| 第4章 基于监督学习的显著性检测方法 | 第26-32页 |
| 4.1 基于Bootstrap学习的显著性检测 | 第26-28页 |
| 4.2 基于上下文超图建模的显著性检测 | 第28-30页 |
| 4.3 基于高维颜色变换的显著性检测 | 第30-31页 |
| 4.4 本章小结 | 第31-32页 |
| 第5章 基于结构化学习的显著性区域检测 | 第32-45页 |
| 5.1 基本原理 | 第32-34页 |
| 5.2 特征提取 | 第34-36页 |
| 5.2.1 区域内部的属性特征 | 第34-35页 |
| 5.2.2 区域与邻域对比度特征 | 第35页 |
| 5.2.3 区域与伪背景区域对比度特征 | 第35-36页 |
| 5.3 预测模型 | 第36-38页 |
| 5.3.1 随机森林 | 第36-37页 |
| 5.3.2 结构森林 | 第37-38页 |
| 5.4 实验与分析 | 第38-44页 |
| 5.4.1 显著性检测数据库集 | 第38-39页 |
| 5.4.2 评价标准 | 第39-40页 |
| 5.4.3 实验结果与对比分析 | 第40-44页 |
| 5.5 本章小结 | 第44-45页 |
| 第6章 总结与展望 | 第45-47页 |
| 6.1 本文总结 | 第45-46页 |
| 6.2 前景展望 | 第46-47页 |
| 致谢 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 附录1 攻读硕士学位期间发表的论文 | 第52页 |
