本文選題：顯著性預(yù)測　切入點(diǎn)：視覺注意機(jī)制　出處：《山東大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：人類在長期的進(jìn)化中具有了高度發(fā)達(dá)的視覺注意機(jī)制,擁有在復(fù)雜的環(huán)境中快速選擇性的發(fā)現(xiàn)感興趣目標(biāo)的能力。模擬這種視覺注意機(jī)制引起了在心理學(xué)、神經(jīng)系統(tǒng),尤其是計(jì)算機(jī)視覺領(lǐng)域里的許多研究者們的重視。圖像數(shù)據(jù)信息是視覺信息的主要載體,當(dāng)注意一張圖片的時候,人類的視覺注意機(jī)制使得他們在圖片上的注視點(diǎn)會落在更能刺激視覺的特殊區(qū)域,這些特殊區(qū)域就是圖像中比較顯著的區(qū)域。顯著性預(yù)測就是通過模仿人類視覺注意機(jī)制來提取圖像的重要信息,并應(yīng)用于新的人工智能領(lǐng)域。本文使用深度學(xué)習(xí)技術(shù)建立了圖像顯著性預(yù)測的兩種模型。在構(gòu)建深度學(xué)習(xí)模型時,我們綜合了深度卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)和傳統(tǒng)的顯著性原理。我們在訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)時,綜合考慮了圖像的High-Level與Low-Level語義信息,提出了多尺度的卷積神經(jīng)網(wǎng)絡(luò);綜合傳統(tǒng)顯著性檢測中基于全局對比和局部對比的方法,提出了循環(huán)的卷積神經(jīng)網(wǎng)絡(luò),從多種層次上考慮了圖像所蘊(yùn)含的信息。本文使用的兩種網(wǎng)絡(luò)模型,多尺度的卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)卷積神經(jīng)網(wǎng)絡(luò),對圖像處理與識別的其它領(lǐng)域也有著借鑒意義。本文提出的周期性訓(xùn)練方法通過融合原圖像和初步訓(xùn)練的顯著圖,可以達(dá)到自動優(yōu)化顯著圖的目的。除此之外,本文通過模糊化顯著圖的辦法,使得兩種模型的實(shí)驗(yàn)結(jié)果更加精確。本文以Caffe深度學(xué)習(xí)框架為平臺實(shí)現(xiàn)兩種深度神經(jīng)網(wǎng)絡(luò)模型,使用Matlab,Python等軟件預(yù)處理圖像、導(dǎo)入和導(dǎo)出模型結(jié)果。我們對使用的兩種模型在MIT,SALICON與iSUN三種數(shù)據(jù)庫上進(jìn)行了實(shí)驗(yàn),并從定性和定量的角度進(jìn)行了評估。本文提出的兩種模型最終的實(shí)驗(yàn)結(jié)果均優(yōu)于傳統(tǒng)模型和普通的卷積神經(jīng)網(wǎng)絡(luò)模型所預(yù)測的顯著性結(jié)果。
[Abstract]:Humans have evolved over a long period of time with highly developed visual attention mechanisms, with the ability to quickly and selectively detect objects of interest in complex environments. Especially the attention of many researchers in the field of computer vision. Image data information is the main carrier of visual information, when paying attention to a picture, Human visual attention mechanisms allow their gaze on the image to fall in a particular area that is more visually stimulating. These special regions are the more significant areas in the image. Salience prediction is to extract the important information of the image by imitating the human visual attention mechanism. In this paper, two models of image salience prediction are established by using depth learning technology. We synthesize the advantages of deep convolution neural network and the traditional significance principle. When we train depth neural network, we consider the semantic information of image High-Level and Low-Level, and propose a multi-scale convolution neural network. Based on the methods of global contrast and local contrast in traditional salience detection, a cyclic convolution neural network is proposed, which considers the information contained in the image from various levels. Two network models are used in this paper. The multi-scale convolution neural network and cyclic convolution neural network can also be used for reference in other fields of image processing and recognition. In addition, this paper makes the experimental results of the two models more accurate by the method of fuzzy salience map. In this paper, two depth neural network models are implemented on the platform of Caffe depth learning framework. Using Matlab Python and other software to preprocess image, import and export model results, we have done experiments on three kinds of database, such as MIT SALICON and iSUN. The experimental results of the two models presented in this paper are better than those predicted by the traditional model and the conventional convolution neural network model.
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊曉帥 ,付玫;神經(jīng)網(wǎng)絡(luò)技術(shù)讓管理更輕松[J];軟件世界;2000年11期

2 云中客;新的神經(jīng)網(wǎng)絡(luò)來自于仿生學(xué)[J];物理;2001年10期

3 唐春明,高協(xié)平;進(jìn)化神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展[J];系統(tǒng)工程與電子技術(shù);2001年10期

4 李智;一種基于神經(jīng)網(wǎng)絡(luò)的煤炭調(diào)運(yùn)優(yōu)化方法[J];長沙鐵道學(xué)院學(xué)報(bào);2003年02期

5 程科,王士同,楊靜宇;新型模糊形態(tài)神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];計(jì)算機(jī)工程與應(yīng)用;2004年21期

6 王凡,孟立凡;關(guān)于使用神經(jīng)網(wǎng)絡(luò)推定操作者疲勞的研究[J];人類工效學(xué);2004年03期

7 周麗暉;從統(tǒng)計(jì)角度看神經(jīng)網(wǎng)絡(luò)[J];統(tǒng)計(jì)教育;2005年06期

8 趙奇 ,劉開第 ,龐彥軍;灰色補(bǔ)償神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];微計(jì)算機(jī)信息;2005年14期

9 袁婷;;神經(jīng)網(wǎng)絡(luò)在股票市場預(yù)測中的應(yīng)用[J];軟件導(dǎo)刊;2006年05期

10 尚晉;楊有;;從神經(jīng)網(wǎng)絡(luò)的過去談科學(xué)發(fā)展觀[J];重慶三峽學(xué)院學(xué)報(bào);2006年03期

相關(guān)會議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國控制與決策學(xué)術(shù)年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預(yù)報(bào)產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報(bào)應(yīng)用[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評估中的應(yīng)用[A];第十二屆全國心理學(xué)學(xué)術(shù)大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

10 張廣遠(yuǎn);萬強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 美國明尼蘇達(dá)大學(xué)社會學(xué)博士 密西西比州立大學(xué)國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報(bào);2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計(jì)算機(jī)世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國紡織報(bào);2003年

4 中國科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計(jì)算機(jī)世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開復(fù)雜工藝“黑箱”[N];解放日報(bào);2007年

6 本報(bào)記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡(luò)[N];科技日報(bào);2011年

7 健康時報(bào)特約記者　 張獻(xiàn)懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時報(bào);2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達(dá)國際先進(jìn)水平[N];中國電子報(bào);2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報(bào);2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過鑒定[N];中國船舶報(bào);2006年

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時間序列預(yù)測方法研究[D];大連理工大學(xué);2015年

5 付愛民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計(jì)算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計(jì)算的神經(jīng)網(wǎng)絡(luò)并行實(shí)現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時間序列預(yù)測算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測的研究[D];華南理工大學(xué);2015年

2 賈文靜;基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測及控制研究[D];燕山大學(xué);2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

4 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

5 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

6 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[D];昆明理工大學(xué);2015年

7 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測研究[D];華南理工大學(xué);2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測研究與系統(tǒng)實(shí)現(xiàn)[D];華南理工大學(xué);2015年

9 張韜;幾類時滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

10 邵雪瑩;幾類時滯不確定神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[D];渤海大學(xué);2015年

，

本文編號：1568147