顯著性目標(biāo)檢測致力于辨別圖像中最醒目的目標(biāo)或區(qū)域。近年來,顯著性目標(biāo)檢測已經(jīng)成為了認(rèn)知領(lǐng)域和計(jì)算機(jī)學(xué)科內(nèi)最為活躍的研究方向之一。作為圖像的預(yù)處理步驟,顯著性目標(biāo)檢測在視覺跟蹤、圖像識別、圖像壓縮、圖像融合等視覺任務(wù)中起著至關(guān)重要的作用。傳統(tǒng)的顯著性目標(biāo)檢測算法過度依賴人工提取的特征,隨著深度學(xué)習(xí)的廣泛應(yīng)用,基于深度學(xué)習(xí)的顯著性目標(biāo)檢測研究取得了突破性進(jìn)展。但目前大多數(shù)算法基于單一的RGB圖像,獲取的場景信息有限,在光照較差、背景復(fù)雜、對比低等挑戰(zhàn)性場景下難以從背景中準(zhǔn)確檢測目標(biāo),而繼續(xù)專注于RGB圖像的顯著性目標(biāo)檢測,對挑戰(zhàn)性場景下檢測性能的提升,可能收效甚微。本文利用RGB和熱紅外圖像信息的補(bǔ)充關(guān)系,提出了一種基于多級深度融合特征的RGB-T圖像顯著性目標(biāo)檢測算法,并在公開數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),驗(yàn)證算法的有效性。論文的主要工作包括:首先,本文總結(jié)闡述了顯著性目標(biāo)檢測領(lǐng)域的研究現(xiàn)狀和基于RGB-T圖像的計(jì)算機(jī)視覺算法研究,并著重介紹了三種與本文高度相關(guān)的主流檢測算法,分別是基于短連接的深度監(jiān)督條件下的顯著性目標(biāo)檢測算法,基于流行排序模型的RGB-T圖像顯著性目標(biāo)檢測算法,基于多尺度深度特征...

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 課題研究背景和意義
    1.2 顯著性目標(biāo)檢測研究現(xiàn)狀
    1.3 基于RGB-T圖像的視覺研究
    1.4 論文的主要工作與章節(jié)安排
第二章 圖像顯著性目標(biāo)檢測主流算法回顧
    2.1 基于短連接的深度監(jiān)督條件下的顯著性目標(biāo)檢測算法
        2.1.1 短連接網(wǎng)絡(luò)結(jié)構(gòu)
        2.1.2 深度監(jiān)督學(xué)習(xí)和顯著性改善
        2.1.3 實(shí)驗(yàn)結(jié)果與分析
    2.2 基于流行排序模型的RGB-T圖像顯著性目標(biāo)檢測算法
        2.2.1 跨模態(tài)一致性的流型排序模型構(gòu)建
        2.2.2 二階段圖的RGB-T顯著性預(yù)測
        2.2.3 實(shí)驗(yàn)結(jié)果與分析
    2.3 基于多尺度深度特征和SVM的RGB-T顯著性目標(biāo)檢測算法
        2.3.1 多尺度特征提取
        2.3.2 自適應(yīng)顯著性預(yù)測
        2.3.3 實(shí)驗(yàn)結(jié)果與分析
    2.4 本章小結(jié)
第三章 基于多級深度特征融合的RGB-T圖像顯著性目標(biāo)檢測
    3.1 單模態(tài)的多級特征提取
        3.1.1 粗提取的多級特征
        3.1.2 改善的單模態(tài)特征
    3.2 多分支組融合模塊
        3.2.1 多組融合分支
        3.2.2 單組融合分支
    3.3 聯(lián)合注意力指導(dǎo)的雙向信息傳遞
        3.3.1 自底而上的信息傳遞
        3.3.2 自頂而下的信息傳遞
        3.3.3 聯(lián)合的通道—空間注意力機(jī)制
    3.4 顯著性估計(jì)
    3.5 本章小結(jié)
第四章 算法的實(shí)驗(yàn)結(jié)果與分析
    4.1 實(shí)驗(yàn)設(shè)置
        4.1.1 數(shù)據(jù)集
        4.1.2 模型訓(xùn)練
        4.1.3 補(bǔ)充說明
    4.2 算法評價(jià)指標(biāo)
    4.3 與現(xiàn)有算法對比
        4.3.1 對比算法設(shè)置
        4.3.2 定性比較與分析
        4.3.3 定量比較與分析
    4.4 算法模塊性能分析
        4.4.1 單模態(tài)多級特征提取的有效性
        4.4.2 多分支組融合的有效性
        4.4.3 聯(lián)合注意力機(jī)制的有效性
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 研究展望
參考文獻(xiàn)
致謝
作者簡介



本文編號：3890029