圖像顯著性檢測是計(jì)算機(jī)圖像處理領(lǐng)域一個(gè)重要的研究分支,通過分析圖像內(nèi)容得到最吸引人的區(qū)域。圖像顯著性檢測可以作為一項(xiàng)單獨(dú)的研究內(nèi)容,也可以作為預(yù)處理算法提升其他圖像算法的性能,因此對圖像顯著性檢測進(jìn)行深入地研究具有重要的意義。圖像中的顯著性區(qū)域通常具有統(tǒng)一的特點(diǎn)。這些區(qū)域往往在圖像整體中體現(xiàn)出了與眾不同的視覺表觀,并且與相鄰區(qū)域具有較大的視覺差異,因此才能吸引人類視線�；谶@兩種特性,顯著性檢測算法通常會設(shè)計(jì)對應(yīng)的圖像顯著性特征進(jìn)行模擬:第一種從全局范圍對圖像進(jìn)行顯著性檢測,一般被稱為全局顯著性特征;另一種從局部范圍對圖像內(nèi)容進(jìn)行分析,一般被稱為局部顯著性特征。本文圍繞著圖像顯著性檢測中的這兩種特性,從傳統(tǒng)的顯著性檢測算法和基于深度學(xué)習(xí)的顯著性網(wǎng)絡(luò)模型兩個(gè)方向分別進(jìn)行深入的研究,并結(jié)合各自特點(diǎn)完成對圖像的顯著性檢測。對于傳統(tǒng)的顯著性檢測算法,通常對圖像不同的區(qū)域進(jìn)行建模,進(jìn)而通過計(jì)算不同模型之間的對比度來得到顯著性信息。因此模型中蘊(yùn)含語義信息的豐富程度以及距離度量的準(zhǔn)確性會對結(jié)果產(chǎn)生較大的影響。圍繞這兩個(gè)因素,本文提出了使用多顏色信息融合模型結(jié)合魯棒的聚合Wasserstein距離來設(shè)... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：124 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 顯著性檢測研究現(xiàn)狀
        1.2.1 傳統(tǒng)的圖像顯著性檢測算法
        1.2.2 基于深度學(xué)習(xí)的顯著性檢測算法
    1.3 本文內(nèi)容安排及主要?jiǎng)?chuàng)新點(diǎn)
        1.3.1 本文內(nèi)容安排
        1.3.2 本文主要?jiǎng)?chuàng)新點(diǎn)
第2章 顯著性檢測算法相關(guān)背景知識
    2.1 傳統(tǒng)顯著性檢測算法背景知識
        2.1.1 超像素算法
        2.1.2 顯著性特征
        2.1.3 顯著性先驗(yàn)
    2.2 深度顯著性檢測算法背景知識
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)基本原理
        2.2.2 常見卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.3 注意力機(jī)制
    2.3 本章小結(jié)
第3章 基于聚合WASSERSTEIN距離的顯著性檢測
    3.1 引言
    3.2 多顏色信息融合模型
    3.3 基于聚合WASSERSTEIN距離的全局顯著特征
    3.4 基于區(qū)域顏色信息的局部顯著特征
    3.5 顯著性特征融合
    3.6 基于全局顯著性的譜聚類
    3.7 實(shí)驗(yàn)結(jié)果
        3.7.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.7.2 評測指標(biāo)
        3.7.3 對比實(shí)驗(yàn)結(jié)果
            3.7.3.1 可視化對比結(jié)果
            3.7.3.2 PR曲線結(jié)果
            3.7.3.3 F-measure結(jié)果
            3.7.3.4 運(yùn)行時(shí)間結(jié)果
        3.7.4 消融實(shí)驗(yàn)結(jié)果
            3.7.4.1 局部顯著特征與全局顯著特征
            3.7.4.2 單高斯模型效果分析
    3.8 本章小結(jié)
第4章 基于交互自注意力機(jī)制的深度顯著性網(wǎng)絡(luò)
    4.1 引言
    4.2 網(wǎng)絡(luò)整體結(jié)構(gòu)
    4.3 自注意力機(jī)制
    4.4 交互自注意力模塊
    4.5 多尺度側(cè)向輸出融合模塊
    4.6 實(shí)驗(yàn)結(jié)果
        4.6.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.6.2 評測指標(biāo)
        4.6.3 實(shí)現(xiàn)細(xì)節(jié)
        4.6.4 對比實(shí)驗(yàn)結(jié)果
            4.6.4.1 可視化對比結(jié)果
            4.6.4.2 PR曲線對比結(jié)果
            4.6.4.3 F-measure對比結(jié)果
            4.6.4.4 MAE對比結(jié)果
            4.6.4.5 S-measure對比結(jié)果
        4.6.5 消融實(shí)驗(yàn)結(jié)果
            4.6.5.1 交互學(xué)習(xí)效果分析
            4.6.5.2 多尺度融合模塊效果分析
            4.6.5.3 自注意力模塊效果分析
    4.7 本章小結(jié)
第5章 基于顯著性信息的弱監(jiān)督圖像語義分割網(wǎng)絡(luò)
    5.1 引言
    5.2 網(wǎng)絡(luò)整體結(jié)構(gòu)
    5.3 基于分類激活圖的種子點(diǎn)生成
    5.4 基于顯著性信息的種子區(qū)域生長算法
    5.5 實(shí)驗(yàn)結(jié)果
        5.5.1 實(shí)驗(yàn)數(shù)據(jù)集
        5.5.2 評測指標(biāo)
        5.5.3 實(shí)驗(yàn)設(shè)置參數(shù)
        5.5.4 對比實(shí)驗(yàn)結(jié)果
        5.5.5 可視化結(jié)果
    5.6 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 未來工作展望
參考文獻(xiàn)
作者簡介及在學(xué)期間所取得的科研成果
致謝



本文編號：3416842