顯著目標(biāo)檢測(cè)旨在通過(guò)設(shè)計(jì)智能算法,使得計(jì)算機(jī)具有模仿人類視覺注意機(jī)制的能力,從而自動(dòng)獲取圖像中最吸引人眼注意的目標(biāo)或區(qū)域。作為預(yù)處理技術(shù)用于降低數(shù)據(jù)處理成本和計(jì)算時(shí)間,顯著目標(biāo)檢測(cè)廣泛應(yīng)用于圖像分割、圖像融合、圖像恢復(fù)等其他計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)的任務(wù)中,具有重要的理論研究意義和社會(huì)應(yīng)用價(jià)值。目前,簡(jiǎn)單場(chǎng)景下（比如單一顯著目標(biāo)處于圖像中心、背景簡(jiǎn)單、前景與背景對(duì)比度高）的圖像顯著目標(biāo)檢測(cè)性能已經(jīng)接近于人眼的水平,但是,復(fù)雜場(chǎng)景下（比如顯著目標(biāo)靠近圖像邊界、背景復(fù)雜、前景與背景對(duì)比度低、場(chǎng)景語(yǔ)義信息豐富等）的顯著目標(biāo)檢測(cè)仍是個(gè)亟待解決的難題。本文針對(duì)已有圖像顯著目標(biāo)檢測(cè)方法存在的問(wèn)題,基于稀疏表示、圖論、深度學(xué)習(xí)等理論,提出了多種算法,用于完整、一致地檢測(cè)復(fù)雜場(chǎng)景下的顯著目標(biāo)。具體研究?jī)?nèi)容如下:第一,提出了一種基于魯棒稀疏表示與局部一致性的顯著目標(biāo)檢測(cè)算法。已有基于稀疏表示的顯著目標(biāo)檢測(cè)方法采用均方誤差表示顯著目標(biāo),對(duì)非高斯噪聲具有較強(qiáng)的敏感性。與之不同,我們將顯著目標(biāo)看成稀疏的“野點(diǎn)”,采用稀疏誤差表征稀疏“野點(diǎn)”,從而將顯著目標(biāo)檢測(cè)問(wèn)題轉(zhuǎn)換為稀疏追蹤問(wèn)題,實(shí)現(xiàn)首次將魯棒稀疏表示應(yīng)用于顯... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：119 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 研究背景和意義
    1.2 顯著性檢測(cè)的發(fā)展概述
    1.3 顯著目標(biāo)檢測(cè)的國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 自底而上
        1.3.2 自頂向下
    1.4 本文主要研究?jī)?nèi)容
        1.4.1 本文研究?jī)?nèi)容結(jié)構(gòu)
        1.4.2 本文具體研究?jī)?nèi)容
    1.5 本文章節(jié)安排
第二章 基于魯棒稀疏表示和局部一致性的顯著目標(biāo)檢測(cè)
    2.1 引言
    2.2 基于魯棒稀疏表示和局部一致性的顯著目標(biāo)檢測(cè)方法
        2.2.1 魯棒稀疏表示模型
        2.2.2 基于魯棒稀疏表示和局部一致性的顯著目標(biāo)檢測(cè)算法
    2.3 實(shí)驗(yàn)和分析
        2.3.1 公開數(shù)據(jù)集
        2.3.2 評(píng)價(jià)準(zhǔn)則
        2.3.3 參數(shù)設(shè)置
        2.3.4 魯棒稀疏表示模型和局部一致性先驗(yàn)信息的有效性
        2.3.5 提出算法與主流方法比較
        2.3.6 計(jì)算復(fù)雜度比較
    2.4 小結(jié)
第三章 基于二階段圖的顯著目標(biāo)檢測(cè)
    3.1 引言
    3.2 基于二階段圖的顯著目標(biāo)檢測(cè)算法
        3.2.1 特征提取
        3.2.2 第一階段:基于圖論的加權(quán)聯(lián)合魯棒稀疏表示模型
        3.2.3 第二階段:基于圖論的流形排序方法
        3.2.4 后處理
        3.2.5 算法步驟總結(jié)
        3.2.6 計(jì)算復(fù)雜度
    3.3 實(shí)驗(yàn)和分析
        3.3.1 參數(shù)設(shè)置
        3.3.2 提出算法各個(gè)階段的性能比較
        3.3.3 提出算法與主流方法的比較
        3.3.4 第二階段算法的提升作用
        3.3.5 計(jì)算復(fù)雜度比較
    3.4 小節(jié)
第四章 基于上下文信息指導(dǎo)的深度顯著目標(biāo)檢測(cè)
    4.1 引言
    4.2 基于上下文信息指導(dǎo)的深度顯著目標(biāo)檢測(cè)網(wǎng)絡(luò)
        4.2.1 基礎(chǔ)網(wǎng)絡(luò)
        4.2.2 組卷積模塊（GCM）
        4.2.3 基于上下文信息指導(dǎo)的多層深度信息融合策略
        4.2.4 顯著性預(yù)測(cè)
    4.3 實(shí)驗(yàn)和分析
        4.3.1 實(shí)驗(yàn)設(shè)置
        4.3.2 與主流方法比較
        4.3.3 消融實(shí)驗(yàn)和分析
    4.4 小節(jié)
第五章 基于部分-目標(biāo)匹配的深度顯著目標(biāo)檢測(cè)
    5.1 引言
    5.2 深度二分流部分-目標(biāo)匹配的顯著目標(biāo)檢測(cè)網(wǎng)絡(luò)
        5.2.1 FLNet
        5.2.2 TSPOANet
        5.2.3 顯著性預(yù)測(cè)
        5.2.4 對(duì)TSPOANet的深入分析
    5.3 實(shí)驗(yàn)和分析
        5.3.1 實(shí)驗(yàn)設(shè)置
        5.3.2 客觀性能比較
        5.3.3 消融實(shí)驗(yàn)和分析
    5.4 小節(jié)
第六章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 研究展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：2992578