本文關(guān)鍵詞：基于引導(dǎo)學(xué)習(xí)和局部約束線性編碼的顯著性檢測算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：傳統(tǒng)的顯著性目標檢測算法習(xí)慣于應(yīng)用圖像底層特征,或者采用大量的含有人工標注真值的樣本圖像訓(xùn)練一個高層學(xué)習(xí)模型。然而在本文中,我們提出了兩種顯著性檢測方法,其中既應(yīng)用了底層特征,同時也研究開發(fā)了無需人工標簽的學(xué)習(xí)模型。第一種方法為基于引導(dǎo)學(xué)習(xí)的模型,該方法包含了弱顯著性檢測模型和強顯著性檢測模型兩部分,步驟如下：首先,我們基于圖像先驗信息以及區(qū)域?qū)Ρ榷刃畔?gòu)建弱顯著圖,該圖為之后的強顯著性檢測模型提供可靠的訓(xùn)練樣本。其次,利用上述方法在同一張圖片的多個尺度內(nèi)提取樣本集合,并根據(jù)該樣本采用多核學(xué)習(xí)增強的方法訓(xùn)練得到一個強顯著性檢測模型,再將該模型應(yīng)用到該圖片的所有測試樣本中,得到強顯著圖。然后,融合多尺度的強顯著圖進一步提高顯著圖的準確性。最后,我們結(jié)合弱顯著圖與強顯著圖作為基于引導(dǎo)學(xué)習(xí)方法的最終顯著圖。另外一種算法是基于局部約束線性編碼方法,該方法結(jié)合了局部與全局特征進行顯著性目標檢測,步驟如下：首先,通過考慮基于底層特征的全局信息構(gòu)建一個自底向上的顯著性檢測模型,與第一種方法的弱顯著圖類似,自底向上的顯著圖為之后的基于編碼的方法提供前景以及背景字典。接下來,本文采用基于局部約束線性編碼方法,根據(jù)重構(gòu)誤差構(gòu)建自頂向下的顯著圖。最后,結(jié)合自底向上以及自頂向下的兩種顯著圖得到最終的顯著性檢測結(jié)果。本文在六個公開的顯著性檢測數(shù)據(jù)庫上對本文提出的算法以及19種國際領(lǐng)先的算法進行對比評測,評測標準為該領(lǐng)域廣泛應(yīng)用的三種方法：準確率-召回率曲線(P-R)、ROC曲線下面積(AUC)以及F-measure值。本文通過大量的實驗證明了本文算法的有效性和魯棒性,并且與現(xiàn)有模型相比具有明顯的優(yōu)越性。此外,本文提出的兩種方法能夠很容易的應(yīng)用于其他現(xiàn)有算法,從而大幅度提高其他算法的性能。
【關(guān)鍵詞】：多核學(xué)習(xí) 局部約束線性編碼 顯著圖 引導(dǎo)學(xué)習(xí)
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN911.2
【目錄】：

• 摘要4-5
• Abstract5-8
• 1 緒論8-14
• 1.1 研究背景及選題意義8-10
• 1.2 經(jīng)典算法及研究現(xiàn)狀10-12
• 1.3 本文研究內(nèi)容和結(jié)構(gòu)安排12-14
• 2 相關(guān)研究及本文貢獻14-19
• 2.1 相關(guān)研究及存在問題14-16
• 2.1.1 基于區(qū)域?qū)Ρ榷鹊娘@著性檢測14-15
• 2.1.2 基于先驗知識的顯著性檢測15
• 2.1.3 基于稀疏編碼的顯著性檢測15-16
• 2.1.4 基于多核學(xué)習(xí)的顯著性檢測16
• 2.2 本文工作及貢獻16-19
• 3 基于引導(dǎo)學(xué)習(xí)的顯著性目標檢測算法19-29
• 3.1 圖像特征19-20
• 3.2 圖像先驗信息20-22
• 3.3 弱顯著性檢測模型22-24
• 3.4 強顯著性檢測模型24-27
• 3.5 顯著圖的多尺度結(jié)合27-28
• 3.6 弱顯著圖與強顯著圖的結(jié)合28-29
• 4 基于局部約束線性編碼的顯著性目標檢測算法29-35
• 4.1 自底向上模型29-30
• 4.2 字典的構(gòu)造30-31
• 4.3 自頂向下的模型31-32
• 4.4 前景背景字典增強32-33
• 4.5 局部與全局結(jié)合的最終顯著圖33-35
• 5 實驗35-52
• 5.1 數(shù)據(jù)庫介紹35-36
• 5.2 評測方法介紹36-38
• 5.2.1 P-R曲線36-37
• 5.2.2 AUC37
• 5.2.3 F-measure37-38
• 5.3 本文算法分析38-42
• 5.3.1 算法解析38-39
• 5.3.2 特征分析39-40
• 5.3.3 參數(shù)選擇40-42
• 5.4 本文算法與其他現(xiàn)有算法比較42-48
• 5.4.1 定性評測42
• 5.4.2 定量評測42-48
• 5.5 利用本文算法優(yōu)化其他現(xiàn)有方法48-51
• 5.6 本文算法的不足51-52
• 結(jié)論52-54
• 參考文獻54-58
• 攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況58-60
• 致謝60-62

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 羅洪霞;;一種基于微處理器的線性編碼技術(shù)的研究與實現(xiàn)[J];現(xiàn)代電子技術(shù);2011年16期

2 張舜德,方強,盧秉恒;兩個采樣解碼的線性編碼輪廓術(shù):最佳相移量,精度及應(yīng)用[J];光學(xué)學(xué)報;1998年06期

3 馮蓓;;月半彎[J];通信技術(shù);2005年11期

4 張舜德,方強,盧秉恒;對稱線性編碼測量的三維輪廓術(shù)[J];光電工程;1999年03期

5 秦桂紅;譚小彬;程文斐;;丟包感知的線性編碼在無線Mesh網(wǎng)絡(luò)中的應(yīng)用[J];電子技術(shù);2011年08期

6 張志亮;卿粼波;劉英;;一種線性編碼半隨機構(gòu)造LDPC碼及其仿真[J];通信技術(shù);2009年02期

7 劉毅青;LDPC碼在IEEE802.16a協(xié)議中的應(yīng)用[J];廣東通信技術(shù);2004年12期

8 齊行行;;解決LDPC碼準線性編碼復(fù)雜度的貪婪置換算法[J];信息工程大學(xué)學(xué)報;2011年05期

9 黃志亮;端木春江;周水紅;;高性能準循環(huán)低密度奇偶校驗碼的構(gòu)造[J];計算機時代;2009年05期

10 李會雅,王蘭勛,師建英;低密度校驗碼的蠶食算法線性編碼[J];現(xiàn)代電子技術(shù);2005年11期

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 莊連生;高浩淵;劉超;俞能海;;非負稀疏局部線性編碼[A];第七屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2011)論文集【oral】[C];2011年

2 艾浩軍;張敏;方禹;趙夢蕾;李泰舟;王紅霞;;視覺詞匯的主成分線性編碼方法研究[A];第八屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2012)論文集NCMT[C];2012年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 張偉;結(jié)構(gòu)化低密度奇偶校驗碼編碼算法與關(guān)鍵技術(shù)研究[D];華中科技大學(xué);2009年

2 彭立;逼近容量限的類隨機結(jié)構(gòu)LDPC碼研究[D];華中科技大學(xué);2009年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 佟娜;基于引導(dǎo)學(xué)習(xí)和局部約束線性編碼的顯著性檢測算法研究[D];大連理工大學(xué);2015年

  本文關(guān)鍵詞：基于引導(dǎo)學(xué)習(xí)和局部約束線性編碼的顯著性檢測算法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：312400