圖像顯著性檢測(cè)是圖像處理重要的預(yù)處理步驟,近年來(lái),各種檢測(cè)模型應(yīng)運(yùn)而生。傳統(tǒng)檢測(cè)模型,大多依賴于對(duì)比度和先驗(yàn)知識(shí),其有限的計(jì)算能力會(huì)影響顯著結(jié)果,尤其是對(duì)低對(duì)比度和環(huán)境復(fù)雜的圖像,通常會(huì)檢測(cè)失敗。深度檢測(cè)模型,由于其局部感知和參數(shù)共享的特性以及強(qiáng)大的特征提取和學(xué)習(xí)能力,可以取得更好的結(jié)果,但也存在檢測(cè)結(jié)果粗糙和重要信息損失等問(wèn)題。鑒于此,本文從像素級(jí)深度網(wǎng)絡(luò)出發(fā),分別采用區(qū)域級(jí)的傳統(tǒng)算法以及區(qū)域級(jí)的損失和優(yōu)化網(wǎng)絡(luò)的方式來(lái)細(xì)化檢測(cè)結(jié)果和彌補(bǔ)信息損失,從而提高檢測(cè)精度。主要工作和貢獻(xiàn)如下:(1)針對(duì)低對(duì)比度和復(fù)雜環(huán)境的圖像,提出一種多層元胞自動(dòng)機(jī)框架下,融合全局與局部信息的顯著性檢測(cè)模型。首先,采用基于卷積神經(jīng)網(wǎng)絡(luò)的編解碼網(wǎng)絡(luò)有監(jiān)督地迭代訓(xùn)練,以提取圖像全局特征,編解碼結(jié)構(gòu)采用VGG-16及其對(duì)稱網(wǎng)絡(luò),用于特征的提取和重構(gòu);然后,用像素級(jí)全局特征指導(dǎo)超像素特征編碼,針對(duì)全局顯著圖,通過(guò)自適應(yīng)閾值產(chǎn)生前景和背景碼本,采用局部約束線性編碼算法分別對(duì)兩種碼本編碼,融合產(chǎn)生具有局部細(xì)節(jié)信息的局部顯著圖;最后,通過(guò)多層元胞自動(dòng)機(jī)框架,利用其貝葉斯理論穩(wěn)定的后驗(yàn)概率,將提取到的全局與局部顯著圖融合,以...

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文的主要工作
        1.3.1 論文研究?jī)?nèi)容
        1.3.2 論文結(jié)構(gòu)安排
第二章 相關(guān)理論介紹
    2.1 特征編碼模型
    2.2 貝葉斯融合框架
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.1 VGG
        2.3.2 ResNet
        2.3.3 U-Net
    2.4 反卷積神經(jīng)網(wǎng)絡(luò)
    2.5 評(píng)價(jià)指標(biāo)
    2.6 本章小結(jié)
第三章 基于全局與局部信息融合的顯著性檢測(cè)
    3.1 引言
    3.2 基于全局與局部信息融合的顯著性檢測(cè)
        3.2.1 全局顯著性檢測(cè)
        3.2.2 局部顯著性檢測(cè)
        3.2.3 多層元胞自動(dòng)機(jī)
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 實(shí)驗(yàn)設(shè)置
        3.3.2 定性分析
        3.3.3 定量分析
        3.3.4 實(shí)際應(yīng)用
    3.4 本章小結(jié)
第四章 基于U-Res-Net與自適應(yīng)親和損失的顯著性檢測(cè)
    4.1 引言
    4.2 基于U-Res-Net與自適應(yīng)親和損失的顯著性檢測(cè)
        4.2.1 U-Res-Net網(wǎng)絡(luò)框架
        4.2.2 殘差網(wǎng)絡(luò)
        4.2.3 損失函數(shù)
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)驗(yàn)設(shè)置
        4.3.2 定性分析
        4.3.3 定量分析
        4.3.4 實(shí)際應(yīng)用
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間的科研成果



本文編號(hào)：3958815