隨著網(wǎng)絡(luò)技術(shù)的發(fā)展,數(shù)據(jù)量成爆發(fā)式的增長(zhǎng),如何從這些海量數(shù)據(jù)中提取有用的信息并進(jìn)行有效的應(yīng)用給人們帶來了巨大的挑戰(zhàn)。視覺注意是人類視覺系統(tǒng)識(shí)別場(chǎng)景相關(guān)部分的一種重要機(jī)制,人類可以輕松處理這些視覺信息,可以輕松的過濾無效數(shù)據(jù),快速注意到感興趣的事物。利用計(jì)算機(jī)模擬人類視覺系統(tǒng),學(xué)習(xí)和借鑒人類視覺系統(tǒng)的生物認(rèn)知機(jī)制來研究視覺問題受到學(xué)界越來越多的關(guān)注。顯著目標(biāo)檢測(cè)研究就是利用計(jì)算機(jī)模擬人類視覺系統(tǒng),定位到“感興趣”或“重要”的區(qū)域。視覺顯著目標(biāo)檢測(cè)結(jié)果可以作為多個(gè)其它研究領(lǐng)域的預(yù)處理過程,在圖像檢索、圖像分割、目標(biāo)識(shí)別等多個(gè)研究領(lǐng)域均有廣泛的應(yīng)用。半監(jiān)督學(xué)習(xí)相比于傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)可以充分利用少量有標(biāo)簽的數(shù)據(jù),利用大量的未標(biāo)記數(shù)據(jù)的自身特性,輔助提高學(xué)習(xí)的預(yù)測(cè)性能�；趫D的半監(jiān)督學(xué)習(xí)方法模型應(yīng)用廣泛,在顯著目標(biāo)檢測(cè)當(dāng)中有很多的應(yīng)用,取得了很好的檢測(cè)結(jié)果。比如隨機(jī)游走模型、流形排序模型等�，F(xiàn)有的方法雖取得了一定的進(jìn)展,但依然存在一些問題,本文重點(diǎn)對(duì)已有的基于圖的半監(jiān)督學(xué)習(xí)的視覺顯著目標(biāo)檢測(cè)方法展開研究,提出多個(gè)模型并在多個(gè)數(shù)據(jù)集上進(jìn)行了驗(yàn)證。本文主要研究?jī)?nèi)容有:基于全局和局部一致性排序模型的... 

【文章來源】：安徽大學(xué)安徽省 211工程院校

【文章頁數(shù)】：103 頁

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖３．１螞蟻的隨機(jī)游走過程??Ｆｉｇ．?３．１?Ｔｈｅ?ｒａｎｄｏｍ?ｗａｌｋ?ｐｒｏｃｅｓｓ?ｏｆ?ａｎｔｓ??

將這個(gè)過程抽象為一個(gè)有向圖，將各個(gè)地點(diǎn)當(dāng)作圖的節(jié)點(diǎn)，將爬行方向作??為邊的方向，各個(gè)方向爬行的概率作為邊的權(quán)重，從而將螞蟻的隨機(jī)游走過程轉(zhuǎn)??換為圖３．２所示的狀態(tài)轉(zhuǎn)移圖，其中１，２，?３，?４分別表示圖的節(jié)點(diǎn)。將現(xiàn)實(shí)應(yīng)??用問題抽象為數(shù)學(xué)模型以后，圖上的各種理論就可以應(yīng)用以解決相關(guān)的問題。??１Ｃ＼?１／３?＾??ｙｉ／３?ｉ／３?１??＠?ｋ）??１??圖３．２狀態(tài)轉(zhuǎn)移圖??Ｆｉｇ．?３．２?ｓｔａｔｅ?ｔｒａｎｓｉｔｉｏｎ?ｄｉａｇｒａｍ??根據(jù)圖３．１的螞蟻爬行過程可以獲得圖３．２所示的狀態(tài)轉(zhuǎn)移圖，四個(gè)媽蟻所??處的位置可以設(shè)定為１，?２，?３，?４狀態(tài)，箭頭指向?yàn)闋顟B(tài)轉(zhuǎn)移方向，每一個(gè)狀態(tài)??轉(zhuǎn)移都有對(duì)應(yīng)的概率，從狀態(tài)１到達(dá)狀態(tài)１的概率為１，即Ｆｕ?＝?１，從狀態(tài)２到??達(dá)狀態(tài)１的概率為１／３，?即Ｆ２：ｌ?＝?ｌ，依此類推，因此，這四只螞蟻的隨機(jī)爬行過??程就可以根據(jù)圖３．２的媽蟻的狀態(tài)轉(zhuǎn)移圖，獲得公式（３．２）所示的馬爾科夫鏈上的??狀態(tài)轉(zhuǎn)移矩陣Ｆ。??／?１?０?０?０?＼??Ｆ＝?”?二３?？?（３．２）??Ｖ?０?０?１?０?／??３．２．３吸收馬爾科夫鏈??在馬爾科夫鏈中，至少存在一個(gè)吸收狀態(tài)，即存在某一個(gè)Ｆｉ；?＝?ｌ；且對(duì)其中??１６??

在基于圖模型的顯著目標(biāo)檢測(cè)當(dāng)中，一般先將圖像分割成多個(gè)圖像塊，根據(jù)圖像??塊自身的信息以及圖像塊之間的聯(lián)系來捕獲圖像的本質(zhì)特性。首先給定一幅圖像??Ｉ，使用線性迭代聚類（ＳＬＩＣ）算法［８４］將圖像分成ｎ個(gè)超像素塊，如圖３．３左邊所??７Ｊｎ?〇??ＨＲＨＲＩ?ＩＩ??．＇乘ｗ々榻，一??Ｗ??Ｄ二：?：？??圖３．３構(gòu)造全局信息圖??Ｆｉｇ．?３．３?Ｃｏｎｓｔｒｕｃｔｉｏｎ?ｏｆ?Ｇｒａｐｈ?ｆｏｒ?Ｇｌｏｂａｌ?Ｃｕｅｓ??為獲得圖像的全局信息和局部信息，分別構(gòu)造兩個(gè)圖：全局信息圖??Ｇ沒＝（Ｖ＼ＥＳ）和局部信息圖Ｇ；?＝?（ＶＺ，ＥＺ）。??１９??

【參考文獻(xiàn)】：
期刊論文
[1]視覺注意力檢測(cè)綜述[J]. 王文冠,沈建冰,賈云得.  軟件學(xué)報(bào). 2019(02)
[2]多視角學(xué)習(xí)綜述[J]. 唐靜靜,田英杰.  數(shù)學(xué)建模及其應(yīng)用. 2017(03)
[3]一種基于圖的流形排序的顯著性目標(biāo)檢測(cè)改進(jìn)方法[J]. 呂建勇,唐振民.  電子與信息學(xué)報(bào). 2015(11)
[4]基于人類視覺系統(tǒng)的立體圖像質(zhì)量評(píng)價(jià)方法[J]. 王海亮,姜峰,高文.  智能計(jì)算機(jī)與應(yīng)用. 2014(01)
[5]流形學(xué)習(xí)算法綜述[J]. 王自強(qiáng),錢旭,孔敏.  計(jì)算機(jī)工程與應(yīng)用. 2008(35)
[6]視覺注意選擇性的認(rèn)知心理學(xué)理論研究進(jìn)展[J]. 王健,朱祖祥.  應(yīng)用心理學(xué). 1997(01)

博士論文
[1]基于貝葉斯方法的半監(jiān)督學(xué)習(xí)算法研究[D]. 江兵兵.中國(guó)科學(xué)技術(shù)大學(xué) 2019
[2]基于視覺顯著性的顯著區(qū)域提取方法及其應(yīng)用研究[D]. 梁曄.北京交通大學(xué) 2018
[3]基于圖的大規(guī)模半監(jiān)督學(xué)習(xí)算法及應(yīng)用研究[D]. 劉斌.電子科技大學(xué) 2017
[4]視覺顯著性檢測(cè)模型研究及應(yīng)用[D]. 林名強(qiáng).中國(guó)科學(xué)技術(shù)大學(xué) 2016
[5]基于視覺感知與注意機(jī)制的圖像顯著目標(biāo)檢測(cè)[D]. 霍麗娜.西安電子科技大學(xué) 2016
[6]基于視覺認(rèn)知理論的視頻目標(biāo)檢測(cè)及分割研究[D]. 涂錚錚.安徽大學(xué) 2015
[7]視覺感知的稀疏編碼理論及其應(yīng)用研究[D]. 李清勇.中國(guó)科學(xué)院研究生院（計(jì)算技術(shù)研究所） 2006

碩士論文
[1]基于稀疏模型與隨機(jī)游走算法的肺部大腫瘤分割[D]. 王潔.河北大學(xué) 2019
[2]多視角子空間學(xué)習(xí)方法及其應(yīng)用研究[D]. 孔阿棟.大連理工大學(xué) 2018
[3]多視角數(shù)據(jù)分析算法研究[D]. 陶紅.國(guó)防科學(xué)技術(shù)大學(xué) 2014



本文編號(hào)：3427810