顯著性檢測引起了計算機視覺領域的諸多研究,并且已經(jīng)產(chǎn)生了許多應用。顯著性檢測旨在從圖片或者視頻中提取出顯著區(qū)域即人類感興趣的區(qū)域。傳統(tǒng)的顯著性檢測方法總是不能很好地區(qū)分復雜場景中的顯著性物體,隨著神經(jīng)網(wǎng)絡在計算機視覺領域的成功應用,越來越多的基于深度學習的顯著性檢測方法被應用于檢測顯著性物體,相比于傳統(tǒng)的顯著性檢測方法可以產(chǎn)生更好的顯著性結果。本文提出結合傳統(tǒng)啟發(fā)式的顯著性檢測方法的結果輔助深度模型進行訓練以產(chǎn)生更好的預測結果。本文提出將傳統(tǒng)方法的顯著檢測圖作為先驗指導結合深度學習方法以期望在簡單場景和復雜場景中獲得更完整準確的顯著性檢測圖。盡管傳統(tǒng)的啟發(fā)式的顯著性方法有很多,但不是融合所有方法的結果都有效,因此通過綜合考慮傳統(tǒng)顯著性檢測方法的速度和F-measure評估值,我們提出了一個度量方法來選擇我們深度網(wǎng)絡需要融合的傳統(tǒng)顯著性方法。深度網(wǎng)絡的訓練往往伴隨著大量的訓練數(shù)據(jù),對于顯著性檢測問題來說,本文用了一個不同于其他分類問題的數(shù)據(jù)增強方法,在保持顯著性物體完整的情況下進行裁剪。最后我們通過基于VGG-16網(wǎng)絡結構改進的網(wǎng)絡進行特征提取和顯著圖結果的生成。本文在ASD數(shù)據(jù)集、EC... 

【文章來源】：天津大學天津市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：51 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)的顯著性檢測方法
        1.2.2 基于深度學習的顯著性檢測方法
    1.3 研究內(nèi)容及目標
    1.4 本文貢獻
    1.5 論文結構
第2章 相關理論研究
    2.1 神經(jīng)網(wǎng)絡的相關內(nèi)容
        2.1.1 神經(jīng)網(wǎng)絡的起源和發(fā)展
        2.1.2 神經(jīng)網(wǎng)絡的基本組成單元
        2.1.3 卷積神經(jīng)網(wǎng)絡
    2.2 顯著性檢測數(shù)據(jù)集
    2.3 本章小結
第3章 基于卷積神經(jīng)網(wǎng)絡的顯著性融合檢測
    3.1 問題描述
    3.2 傳統(tǒng)算法的選擇策略
    3.3 顯著性融合檢測算法框架
    3.4 訓練數(shù)據(jù)集構建
    3.5 網(wǎng)絡的訓練
    3.6 本章小結
第4章 實驗結果與分析
    4.1 實驗設置
        4.1.1 對比方法
        4.1.2 測試集合
        4.1.3 評估標準
    4.2 結果分析
        4.2.1 定量分析
        4.2.2 定性分析
    4.3 本章小結
第5章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
發(fā)表論文和參加科研情況說明
致謝



本文編號：3026520