| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 显著性检测研究现状 | 第11-13页 |
| 1.2.1 基于二维图像的显著性检测研究现状 | 第11-12页 |
| 1.2.2 基于深度信息的显著性检测研究现状 | 第12页 |
| 1.2.3 基于深度学习的显著性检测研究现状 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13页 |
| 1.4 本文组织结构 | 第13-16页 |
| 第2章 相关技术及基础 | 第16-26页 |
| 2.1 深度学习技术 | 第16-20页 |
| 2.1.1 深度学习原理 | 第16-18页 |
| 2.1.2 深度学习开源框架 | 第18-20页 |
| 2.1.3 经典神经网络 | 第20页 |
| 2.2 图像分割方法 | 第20-22页 |
| 2.2.1 SLIC | 第21页 |
| 2.2.2 Mean-Shift | 第21页 |
| 2.2.3 FCN语义分割 | 第21-22页 |
| 2.3 显著图优化常用方法 | 第22-24页 |
| 2.3.1 空间一致性 | 第22-23页 |
| 2.3.2 CRF优化 | 第23页 |
| 2.3.3 基于深度分布的显著性优化 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第3章 基于全局先验的图像显著性检测 | 第26-40页 |
| 3.1 引言 | 第26-27页 |
| 3.2 基于全局先验的显著性检测方法 | 第27-34页 |
| 3.2.1 计算全局先验 | 第27-33页 |
| 3.2.2 全局先验深度学习网络模型 | 第33页 |
| 3.2.3 显著目标检测 | 第33-34页 |
| 3.3 实验与结果分析 | 第34-39页 |
| 3.3.1 数据集介绍 | 第35页 |
| 3.3.2 实验参数设置 | 第35页 |
| 3.3.3 定性实验 | 第35-37页 |
| 3.3.4 定量实验 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 结合全局先验和局部上下文的显著性检测 | 第40-50页 |
| 4.1 引言 | 第40-41页 |
| 4.2 结合全局先验和局部上下文融合的显著性检测方法 | 第41-43页 |
| 4.2.1 获取局部上下文 | 第41-42页 |
| 4.2.2 融合全局先验和全局上下文的深度学习网络模型 | 第42-43页 |
| 4.2.3 显著目标检测 | 第43页 |
| 4.3 显著图优化 | 第43-45页 |
| 4.4 实验结果与分析 | 第45-49页 |
| 4.4.1 不同算法的比较 | 第45-47页 |
| 4.4.2 内部各阶段的比较 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 基于全局先验和局部上下文的图像显著性检测系统 | 第50-60页 |
| 5.1 系统设计 | 第50-52页 |
| 5.2 系统功能 | 第52-55页 |
| 5.2.1 系统开发平台 | 第52页 |
| 5.2.2 系统界面设计及功能实现 | 第52-55页 |
| 5.3 系统评估 | 第55-58页 |
| 5.4 本章小结 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士期间的主要科研成果 | 第66-68页 |
| 致谢 | 第68页 |
