人類(lèi)視覺(jué)系統(tǒng)不僅能夠快速定位場(chǎng)景中感興趣的區(qū)域,同時(shí)還能檢測(cè)并識(shí)別場(chǎng)景中的重要目標(biāo),即顯著性目標(biāo)。隨著科技的發(fā)展和互聯(lián)網(wǎng)的普及,尤其是數(shù)據(jù)獲取手段的提高,網(wǎng)絡(luò)上圖像、視頻數(shù)據(jù)呈爆炸性的增長(zhǎng)。因此,如何從海量數(shù)據(jù)中快速地獲取有效信息是信息處理領(lǐng)域研究的主要問(wèn)題。而如何從大量的圖像或視頻數(shù)據(jù)中提取重要信息,包括目標(biāo)檢測(cè)與識(shí)別,是計(jì)算機(jī)視覺(jué)領(lǐng)域的重點(diǎn)研究目標(biāo)。為了使計(jì)算機(jī)快速、智能地實(shí)現(xiàn)這些功能,近幾年來(lái),顯著目標(biāo)檢測(cè)方法備受關(guān)注。顯著目標(biāo)檢測(cè)方法將有限的計(jì)算資源分配給場(chǎng)景中的重要區(qū)域,不僅為后續(xù)視覺(jué)任務(wù)的完成提供了有效信息,提高后續(xù)算法的性能,而且還消除了冗余區(qū)域的干擾,節(jié)省計(jì)算時(shí)間。因此,顯著目標(biāo)檢測(cè)算法作為圖像預(yù)處理算法,已成功應(yīng)用于多種多樣的計(jì)算機(jī)視覺(jué)任務(wù)中,如圖像檢索、視覺(jué)追蹤、圖像放縮等�？紤]到圖像中包含大量冗余信息,算法無(wú)法快速、精準(zhǔn)地檢測(cè)到完整的顯著目標(biāo)。而首先提取圖像中的關(guān)于顯著目標(biāo)的關(guān)鍵信息(如特征、位置等),隨后根據(jù)特征間的關(guān)聯(lián)關(guān)系將關(guān)鍵信息傳播到其他區(qū)域,是行之有效的策略。因此研究有效、魯棒的關(guān)鍵信息提取方法和特征傳播模型是本文要解決的主要問(wèn)題。本文的主要工作如下:(...

【文章頁(yè)數(shù)】：123 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景和意義
    1.2 顯著目標(biāo)檢測(cè)簡(jiǎn)介
        1.2.1 顯著目標(biāo)檢測(cè)的基本理論
        1.2.2 顯著目標(biāo)檢測(cè)的實(shí)際應(yīng)用
    1.3 顯著目標(biāo)檢測(cè)研究的挑戰(zhàn)
        1.3.1 問(wèn)題難點(diǎn)
        1.3.2 技術(shù)難點(diǎn)
    1.4 相關(guān)研究綜述
        1.4.1 基于手工設(shè)計(jì)特征的顯著目標(biāo)檢測(cè)方法
        1.4.2 基于深度學(xué)習(xí)的顯著目標(biāo)檢測(cè)方法
        1.4.3 基于傳播模型的顯著目標(biāo)檢測(cè)方法
    1.5 傳播模型簡(jiǎn)介
    1.6 常用的測(cè)評(píng)數(shù)據(jù)庫(kù)和測(cè)評(píng)方法
        1.6.1 測(cè)評(píng)數(shù)據(jù)庫(kù)
        1.6.2 測(cè)評(píng)方法
    1.7 本文內(nèi)容和組織架構(gòu)
2 基于模式挖掘的顯著目標(biāo)檢測(cè)算法
    2.1 引言
    2.2 模式挖掘算法
        2.2.1 頻繁項(xiàng)集
        2.2.2 關(guān)聯(lián)規(guī)則
        2.2.3 關(guān)聯(lián)規(guī)則挖掘算法
    2.3 基于模式挖掘的顯著性種子點(diǎn)檢測(cè)算法
        2.3.1 特征提取
        2.3.2 挖掘顯著性模式
        2.3.3 檢測(cè)顯著性種子點(diǎn)
    2.4 顯著性傳播模型
        2.4.1 構(gòu)建無(wú)向圖
        2.4.2 增強(qiáng)的隨機(jī)游走算法
        2.4.3 融合顯著性圖
    2.5 實(shí)驗(yàn)結(jié)果與分析
        2.5.1 實(shí)現(xiàn)細(xì)節(jié)
        2.5.2 算法整體性能測(cè)評(píng)
        2.5.3 算法有效性驗(yàn)證
            2.5.3.1 顯著性種子點(diǎn)檢測(cè)算法的有效性驗(yàn)證
            2.5.3.2 二次拉普拉斯項(xiàng)的有效性驗(yàn)證
        2.5.4 顯著性結(jié)果定性測(cè)評(píng)
        2.5.5 失敗案例
    2.6 本章小結(jié)
3 基于隱式空間嵌入的顯著目標(biāo)檢測(cè)算法
    3.1 引言
    3.2 基于聯(lián)合隱式空間嵌入理論的標(biāo)簽傳遞算法
    3.3 隱式空間嵌入算法在顯著目標(biāo)檢測(cè)中的應(yīng)用
        3.3.1 準(zhǔn)備工作
        3.3.2 檢索實(shí)例圖像
        3.3.3 標(biāo)簽傳遞
        3.3.4 顯著性種子點(diǎn)傳播算法
        3.3.5 初始顯著性圖預(yù)測(cè)
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 實(shí)現(xiàn)細(xì)節(jié)
        3.4.2 算法整體性能測(cè)評(píng)
        3.4.3 算法有效性驗(yàn)證
            3.4.3.1 標(biāo)簽傳遞算法有效性的理論分析
            3.4.3.2 標(biāo)簽傳遞算法提升能力驗(yàn)證
            3.4.3.3 實(shí)例圖像集中圖像數(shù)目的影響分析
        3.4.4 顯著性結(jié)果定性測(cè)評(píng)
    3.5 本章小結(jié)
4 基于空間上下文感知網(wǎng)絡(luò)的顯著目標(biāo)檢測(cè)算法
    4.1 引言
    4.2 空間上下文感知模塊
        4.2.1 長(zhǎng)程上下文感知模塊
        4.2.2 短程上下文感知模塊
    4.3 空間上下文感知網(wǎng)絡(luò)
        4.3.1 編碼子網(wǎng)絡(luò)
        4.3.2 解碼子網(wǎng)絡(luò)
        4.3.3 融合子網(wǎng)絡(luò)
        4.3.4 損失函數(shù)
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 實(shí)現(xiàn)細(xì)節(jié)
        4.4.2 算法整體性能測(cè)評(píng)
        4.4.3 算法有效性驗(yàn)證
            4.4.3.1 LPCM的有效性
            4.4.3.2 SPCM的有效性
        4.4.4 顯著性結(jié)果定性測(cè)評(píng)
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 創(chuàng)新點(diǎn)
    5.3 展望
參考文獻(xiàn)
附錄A 近端梯度法收斂性證明
攻讀博士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝
作者簡(jiǎn)介



本文編號(hào)：3831934