| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-26页 |
| 1.1 课题研究背景及意义 | 第12-15页 |
| 1.2 研究现状与发展趋势 | 第15-21页 |
| 1.2.1 无监督检测方法 | 第16-17页 |
| 1.2.2 弱监督检测方法 | 第17-18页 |
| 1.2.3 全监督检测方法 | 第18-19页 |
| 1.2.4 发展趋势 | 第19-21页 |
| 1.3 研究存在的问题以及解决思路 | 第21-23页 |
| 1.4 本文的主要研究内容与贡献 | 第23-24页 |
| 1.5 本文的组织结构 | 第24-26页 |
| 第2章 图像协同显著性检测相关理论与技术 | 第26-48页 |
| 2.1 图像协同显著性评价指标 | 第26-27页 |
| 2.2 图像协同显著性检测数据集 | 第27-29页 |
| 2.3 相关理论与技术 | 第29-46页 |
| 2.3.1 超像素分割技术 | 第29-30页 |
| 2.3.2 图像特征工程 | 第30-33页 |
| 2.3.3 图与超图模型 | 第33-36页 |
| 2.3.4 深度神经网络 | 第36-41页 |
| 2.3.5 全卷积网络与U型卷积网络 | 第41-42页 |
| 2.3.6 基于深度学习的显著性检测方法 | 第42-45页 |
| 2.3.7 深度学习中的注意力机制 | 第45-46页 |
| 2.4 本章小结 | 第46-48页 |
| 第3章 基于超图优化与种子传播的无监督协同显著性检测 | 第48-62页 |
| 3.1 相关背景与问题概述 | 第48-49页 |
| 3.2 算法概述 | 第49-54页 |
| 3.2.1 基于流形排序的显著性种子节点传播 | 第50-51页 |
| 3.2.2 超图的优化与多子图权重的学习 | 第51-53页 |
| 3.2.3 基于超图优化的显著种子传播方法 | 第53-54页 |
| 3.3 代价函数的优化求解 | 第54-56页 |
| 3.3.1 代价函数迭代求解 | 第54-55页 |
| 3.3.2 整体算法流程 | 第55-56页 |
| 3.4 实验结果与分析 | 第56-59页 |
| 3.4.1 实验设置 | 第56页 |
| 3.4.2 与现有方法的性能对比与分析 | 第56-59页 |
| 3.4.3 消融实验结果及分析 | 第59页 |
| 3.5 本章小结 | 第59-62页 |
| 第4章 基于自适应特征学习的半监督协同显著性检测 | 第62-74页 |
| 4.1 相关背景与问题概述 | 第62-63页 |
| 4.2 算法概述 | 第63-66页 |
| 4.2.1 全局图优化模型 | 第64-65页 |
| 4.2.2 多视角特征学习 | 第65页 |
| 4.2.3 半监督协同显著性检测机制 | 第65-66页 |
| 4.2.4 基于自适应特征学习的半监督协同显著性检测的方法 | 第66页 |
| 4.3 代价函数优化求解 | 第66-68页 |
| 4.4 实验结果与分析 | 第68-72页 |
| 4.4.1 实验设置 | 第68-70页 |
| 4.4.2 与现有方法的性能对比与分析 | 第70页 |
| 4.4.3 消融实验结果及分析 | 第70-72页 |
| 4.5 本章小结 | 第72-74页 |
| 第5章 基于多任务神经网络的协同显著性检测 | 第74-86页 |
| 5.1 相关背景与问题概述 | 第74-76页 |
| 5.2 算法概述 | 第76-81页 |
| 5.2.1 主干网络 | 第77页 |
| 5.2.2 图像组共同语义学习分支 | 第77-78页 |
| 5.2.3 图像间与图像内的注意力机制 | 第78-80页 |
| 5.2.4 协同显著性检测分支 | 第80-81页 |
| 5.3 实验结果与分析 | 第81-84页 |
| 5.3.1 实验设置 | 第81-82页 |
| 5.3.2 与现有方法的性能对比与分析 | 第82页 |
| 5.3.3 消融实验结果与分析 | 第82-84页 |
| 5.4 本章小结 | 第84-86页 |
| 第6章 总结与展望 | 第86-90页 |
| 6.1 本文工作的总结 | 第86-87页 |
| 6.2 未来工作的展望 | 第87-90页 |
| 参考文献 | 第90-96页 |
| 致谢 | 第96-98页 |
| 在读期间发表的学术论文与取得的研究成果 | 第98页 |