顯著性目標檢測旨在確定自然場景中最能吸引人們注意力的目標區(qū)域。相比高層的圖像理解算法,如目標檢測、目標跟蹤、圖像檢索,顯著性目標檢測屬于底層的圖像處理方法,可以利用其結果提升其他圖像算法的速度和精度。根據(jù)顯著性算法的輸入數(shù)據(jù)不同,顯著性目標檢測可以分為圖像顯著性目標檢測和視頻顯著性目標檢測。相比圖像顯著性,視頻顯著性需要同時考慮單幀圖像的空間特性和視頻序列的時序特性,其計算復雜,挑戰(zhàn)性高。本文的研究重點即為視頻顯著性目標檢測。最近幾年,基于深度學習的方法已成為各種視覺任務的研究熱點。然而,現(xiàn)階段基于深度學習的視頻顯著性檢測仍存在以下難點:1)訓練數(shù)據(jù)不足。深度網(wǎng)絡是數(shù)據(jù)驅動的模型,需要使用大量的標記樣本來完成網(wǎng)絡訓練。在視頻顯著性檢測中,訓練數(shù)據(jù)需要連續(xù)且像素級標定。然而,獲取這樣的標定數(shù)據(jù)困難。2)缺少魯棒性高的時序特征。視頻顯著性不僅需要提取靜態(tài)特征,而且需要考慮更為復雜的時序特征。傳統(tǒng)的深度結構很難獲取魯棒的時序特征。3)空間信息與時間信息之間的相關性探索不足�，F(xiàn)有方法對所提取的深度空間與時間特征多采用直接加權的方式融合,沒有對兩者之間的相關性進行深入探討。本文針對上述三個問題展... 

【文章來源】：深圳大學廣東省

【文章頁數(shù)】：114 頁

【學位級別】：博士

【部分圖文】：

基于全卷積模型的視頻顯著性檢測網(wǎng)絡（DLVS[56]）

DAVIS與FBMS數(shù)據(jù)集上的PR曲線，其中視頻顯著性方法為實線（左欄），圖像顯著性檢測方法為虛線（右欄）

所有方法在FBMS與DAVIS數(shù)據(jù)集上的PR曲線，其中視頻顯著性方法為實線（左欄），圖


本文編號：3610082