顯著性目標檢測作為一項基礎(chǔ)并具有挑戰(zhàn)性的二分類任務(wù),吸引了許多學者的注意。它的目的在于檢測出一個場景或者區(qū)域中最受人們關(guān)注的目標。傳統(tǒng)的基于提取手工特征的顯著性物體檢測,由于無法獲取全局的上下文語義信息而擁有很大的局限性。而卷積神經(jīng)網(wǎng)絡(luò)的興起,使得顯著性目標檢測在性能上獲得了很大的提升,這主要是由于其本身的自動提取和組合高階以及局部的低階特征�；谳斎霐�(shù)據(jù)的不同,顯著性目標檢測主要為三類:2D、3D和4D光場顯著性檢測。本文主要針對4D光場顯著性目標檢測展開了如下的研究工作。對于4D光場顯著性目標檢測,目前公共可利用的光場顯著性數(shù)據(jù)集LFSD僅有100張圖片,有限地數(shù)據(jù)量嚴格的限制了4D方法的發(fā)展。使得數(shù)據(jù)驅(qū)動的深度學習方法很難有效地學習具有代表性的特征。因此針對有光場數(shù)據(jù)不充足的情況,本文引入了截至目前最大的光場顯著性目標檢測數(shù)據(jù)集（DUT-LFSD）,包括1462張全聚焦RGB圖像、深度圖像、焦堆棧圖像以及相應(yīng)的真值圖。并且此數(shù)據(jù)集由于拍攝在現(xiàn)實的場景使得圖像更接近生活場景。并且包括了很多具有挑戰(zhàn)性的場景,如相似的前景和背景、復(fù)雜背景、透明物體以及多目標等。這使得提出的數(shù)據(jù)集可以充... 

【文章來源】：大連理工大學遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢
    1.3 論文主要研究內(nèi)容
    1.4 論文的結(jié)構(gòu)安排
2 光場及顯著性目標檢測
    2.1 光場圖像
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 顯著性目標檢測分類
        2.3.1 2D顯著性目標檢測
        2.3.2 3D顯著性目標檢測
        2.3.3 4D光場顯著性目標檢測
    2.4 本章小結(jié)
3 光場顯著性目標檢測數(shù)據(jù)集
    3.1 光場顯著性目標檢測數(shù)據(jù)集的搭建
    3.2 光場顯著性目標檢測數(shù)據(jù)集的定量比較
    3.3 本章小結(jié)
4 基于深度學習的光場顯著性目標檢測算法研究
    4.1 基于深度學習的光場顯著性目標檢測算法總體結(jié)構(gòu)
        4.1.1 整體網(wǎng)絡(luò)架構(gòu)
        4.1.2 光場提煉模塊
        4.1.3 光場整合模塊
    4.2 基于深度學習的光場顯著性目標檢測算法實現(xiàn)
        4.2.1 光場提煉模塊詳細實現(xiàn)
        4.2.2 光場整合模塊詳細實現(xiàn)
5 算法實驗結(jié)果及分析
    5.1 實驗設(shè)置
        5.1.1 數(shù)據(jù)集
        5.1.2 效果評估度量
    5.2 實驗結(jié)果及分析
        5.2.1 定量評估及分析
        5.2.2 定性評估及分析
    5.3 模型的主成分分析
        5.3.1 LFNet關(guān)鍵模塊的性能分析
        5.3.2 光場數(shù)據(jù)的優(yōu)勢分析
    5.4 本章小結(jié)
結(jié)論
參考文獻
攻讀碩士學位期間發(fā)表學術(shù)論文及獲獎情況
致謝



本文編號：3138232