發(fā)布時(shí)間：2021-01-05 16:52

　　計(jì)算機(jī)視覺在人類生活中應(yīng)用廣泛。但是,計(jì)算機(jī)處理一張圖片時(shí),往往會(huì)對(duì)整張圖片以同樣的算法進(jìn)行處理,耗費(fèi)大量的時(shí)間。顯著性檢測(cè)讓計(jì)算機(jī)先檢測(cè)出人類感興趣區(qū)域,然后只對(duì)這些區(qū)域進(jìn)行后續(xù)算法處理,節(jié)省了大量的計(jì)算量。但是面對(duì)復(fù)雜場(chǎng)景時(shí),現(xiàn)有的針對(duì)2D、3D圖像的顯著性檢測(cè)算法并不能取得準(zhǔn)確的檢測(cè)結(jié)果。光場(chǎng)圖像的多模態(tài)信息（包括顏色、深度和聚焦信息）,可以幫助算法在復(fù)雜場(chǎng)景識(shí)別顯著性物體。但是現(xiàn)有的光場(chǎng)顯著性檢測(cè)算法沒有考慮多模態(tài)之間的相關(guān)性,對(duì)于復(fù)雜場(chǎng)景,仍存在一定的錯(cuò)檢問題。同時(shí),受限于光場(chǎng)數(shù)據(jù)量,目前沒有基于深度學(xué)習(xí)的光場(chǎng)顯著性檢測(cè)算法。針對(duì)以上問題,本文分別在傳統(tǒng)算法和深度學(xué)習(xí)算法兩方面提出了針對(duì)光場(chǎng)圖像的顯著性檢測(cè)算法。本文首先提出了一種基于深度引導(dǎo)元胞自動(dòng)機(jī)的光場(chǎng)顯著性檢測(cè)算法。算法利用光場(chǎng)的多模態(tài)信息構(gòu)造物體引導(dǎo)的深度圖,并將其作為有效利用光場(chǎng)多模態(tài)信息相關(guān)性的引導(dǎo)者。算法構(gòu)造了深度引導(dǎo)元胞自動(dòng)機(jī)的優(yōu)化模型,來利用圖像的空間一致性。在這一模型里,每一個(gè)超像素下一狀態(tài)的顯著性值由它本身及與它相似的超像素的顯著性值來決定。超像素的鄰居及狀態(tài)更新原則都由物體引導(dǎo)的深度圖來確定。其次,本... 

【文章來源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及選題意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于傳統(tǒng)算法的顯著性檢測(cè)研究現(xiàn)狀
        1.2.2 基于深度學(xué)習(xí)的顯著性檢測(cè)研究現(xiàn)狀
    1.3 本文主要內(nèi)容及章節(jié)安排
2 相關(guān)理論及本文貢獻(xiàn)
    2.1 光場(chǎng)技術(shù)
        2.1.1 光場(chǎng)成像理論
        2.1.2 光場(chǎng)數(shù)據(jù)形式
    2.2 本文工作及主要貢獻(xiàn)
        2.2.1 基于深度引導(dǎo)元胞自動(dòng)機(jī)的光場(chǎng)顯著性檢測(cè)
        2.2.2 基于循環(huán)注意力融合網(wǎng)絡(luò)的光場(chǎng)顯著性檢測(cè)
    2.3 本章小結(jié)
3 基于深度引導(dǎo)元胞自動(dòng)機(jī)的光場(chǎng)顯著性檢測(cè)
    3.1 研究動(dòng)機(jī)
    3.2 算法整體框架
        3.2.1 背景種子選取
        3.2.2 深度引導(dǎo)的顯著性圖
        3.2.3 深度引導(dǎo)元胞自動(dòng)機(jī)模型
        3.2.4 后處理
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 實(shí)驗(yàn)設(shè)置
        3.3.2 實(shí)驗(yàn)結(jié)果對(duì)比
        3.3.3 算法各成分有效性分析
        3.3.4 運(yùn)行時(shí)間分析
    3.4 本章小結(jié)
4 基于循環(huán)注意力融合網(wǎng)絡(luò)的光場(chǎng)顯著性檢測(cè)
    4.1 研究動(dòng)機(jī)
    4.2 本文提出的數(shù)據(jù)庫介紹
    4.3 光場(chǎng)多模態(tài)數(shù)據(jù)不同融合策略
        4.3.1 光場(chǎng)數(shù)據(jù)的早期融合
        4.3.2 光場(chǎng)數(shù)據(jù)的層級(jí)別的融合
        4.3.3 焦點(diǎn)堆棧數(shù)據(jù)的早期融合
        4.3.4 焦點(diǎn)堆棧數(shù)據(jù)的后期融合
    4.4 基本檢測(cè)網(wǎng)絡(luò)
        4.4.1 特征提取網(wǎng)絡(luò)
        4.4.2 循環(huán)注意力模型
        4.4.3 添加對(duì)抗示例
    4.5 實(shí)驗(yàn)結(jié)果與分析
        4.5.1 實(shí)驗(yàn)設(shè)置
        4.5.2 實(shí)驗(yàn)結(jié)果對(duì)比
        4.5.3 算法各成分有效性分析
    4.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝


【參考文獻(xiàn)】：
期刊論文
[1]簡析人工智能的發(fā)展領(lǐng)域與展望[J]. 郭玉言,張萍,陳碧云.  數(shù)字技術(shù)與應(yīng)用. 2017(07)
[2]人工智能技術(shù)在無人駕駛汽車領(lǐng)域的應(yīng)用研究[J]. 田國強(qiáng).  江蘇科技信息. 2017(14)
[3]虛擬現(xiàn)實(shí)技術(shù)在醫(yī)學(xué)中的應(yīng)用進(jìn)展[J]. 徐茂云,盧兆桐,劉世君.  實(shí)用醫(yī)藥雜志. 2007(11)
[4]人工智能在航空航天領(lǐng)域中的應(yīng)用[J]. 徐振耀.  系統(tǒng)工程與電子技術(shù). 1993(03)

碩士論文
[1]基于光場(chǎng)信息的顯著性檢測(cè)方法研究[D]. 王一.合肥工業(yè)大學(xué) 2015



本文編號(hào)：2958970