在過(guò)去的幾年中,隨著計(jì)算機(jī)視覺(jué)領(lǐng)域的不斷發(fā)展,顯著性檢測(cè)領(lǐng)域也得到了人們的關(guān)注。作為圖像的預(yù)處理,它被應(yīng)用到了計(jì)算機(jī)視覺(jué)的許多領(lǐng)域之中,例如圖像分割,圖像檢索,圖像分類,圖像識(shí)別等。雖然該領(lǐng)域取得了較大的研究進(jìn)展,但就整體而言,仍然存在著很大的挑戰(zhàn)。監(jiān)督學(xué)習(xí)訓(xùn)練過(guò)程通常需要大量的人工標(biāo)記數(shù)據(jù),標(biāo)記顯著區(qū)域需要花費(fèi)大量的資源,而且許多訓(xùn)練樣本中存在冗余信息,這些冗余信息反而會(huì)對(duì)模型精度造成負(fù)面影響。主動(dòng)學(xué)習(xí)利用選擇機(jī)制選擇信息量較大的樣本進(jìn)行訓(xùn)練,實(shí)現(xiàn)使用較少的訓(xùn)練樣本獲得更高模型精度的目的�；诖�,本文在核子空間排序算法（Kernelized Subspace Ranking,KSR）的基礎(chǔ)上,將主動(dòng)學(xué)習(xí)（Active Learning,AL）的思路與之結(jié)合,提出了一種基于子空間主動(dòng)排序的顯著性檢測(cè)方法（KSR-AL）。本文給出了兩種基于池的主動(dòng)學(xué)習(xí)策略,分別考慮未標(biāo)記樣本的不確定性和多樣性來(lái)挑選信息量較大的樣本參與訓(xùn)練,實(shí)現(xiàn)減少訓(xùn)練樣本數(shù)量,降低標(biāo)記成本的目的。本文提取目標(biāo)級(jí)區(qū)域候選分割（Proposals）的卷積神經(jīng)網(wǎng)絡(luò)CNN特征,利用子空間映射和排序支持向量機(jī)聯(lián)合學(xué)習(xí)一個(gè)排序器,... 

【文章來(lái)源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 自底向上的顯著性檢測(cè)算法
        1.2.2 自頂向下的顯著性檢測(cè)算法
        1.2.3 主動(dòng)學(xué)習(xí)算法
    1.3 本文的整體安排及貢獻(xiàn)
2 相關(guān)工作介紹
    2.1 相關(guān)算法
        2.1.1 度量學(xué)習(xí)
        2.1.2 排序支持向量機(jī)
        2.1.3 主動(dòng)學(xué)習(xí)
    2.2 深度特征提取
3 基于子空間主動(dòng)排序的顯著性檢測(cè)方法
    3.1 核子空間排序
        3.1.1 目標(biāo)候選分割
        3.1.2 原始空間與核子空間
    3.2 主動(dòng)排序
        3.2.1 基于不確定性的選擇方法
        3.2.2 基于密度加權(quán)的選擇方法
    3.3 超像素級(jí)顯著圖優(yōu)化
4 實(shí)驗(yàn)數(shù)據(jù)與分析
    4.1 數(shù)據(jù)庫(kù)
    4.2 評(píng)價(jià)指標(biāo)
    4.3 參數(shù)設(shè)定
    4.4 設(shè)計(jì)方案
    4.5 算法比對(duì)
        4.5.1 定量評(píng)價(jià)
        4.5.2 定性評(píng)價(jià)
結(jié)論
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]顯著區(qū)域檢測(cè)算法綜述[J]. 景慧昀,韓琦,牛夏牧.  智能計(jì)算機(jī)與應(yīng)用. 2014(01)
[2]主動(dòng)學(xué)習(xí)算法綜述[J]. 劉康,錢旭,王自強(qiáng).  計(jì)算機(jī)工程與應(yīng)用. 2012(34)



本文編號(hào)：2928394