顯著性目標(biāo)檢測(cè)技術(shù)在計(jì)算機(jī)視覺(jué)領(lǐng)域具有重要的應(yīng)用價(jià)值和理論研究意義,它主要通過(guò)模擬人類視覺(jué)注意力機(jī)制,自動(dòng)檢測(cè)圖像中最引人注目和吸引眼球的目標(biāo)或區(qū)域。目前,隨著此技術(shù)的迅速發(fā)展,顯著性目標(biāo)檢測(cè)已經(jīng)廣泛應(yīng)用在圖像分割,圖像壓縮,目標(biāo)發(fā)現(xiàn),圖像重定向,圖像識(shí)別和人工智能等領(lǐng)域。過(guò)去幾年,低秩矩陣恢復(fù)理論在很多圖像研究領(lǐng)域中得到了廣泛關(guān)注。基于低秩矩陣恢復(fù)的眾多顯著性目標(biāo)檢測(cè)模型也陸續(xù)被提出。這些方法主要基于一個(gè)共同的假設(shè),即一個(gè)場(chǎng)景中的背景部分通常包含冗余信息,而顯著性區(qū)域往往是稀疏的。因此,給定一個(gè)圖像,那么它的特征矩陣可以看作是一個(gè)低秩矩陣與一個(gè)稀疏矩陣的組合,分別對(duì)應(yīng)于該圖像的背景和顯著性區(qū)域。本文基于此理論,先后提出了非凸低秩結(jié)構(gòu)化矩陣分解模型和基于稀疏梯度的結(jié)構(gòu)化矩陣分解模型,用于圖像的顯著性目標(biāo)檢測(cè)。第1章,簡(jiǎn)單介紹靜態(tài)圖像顯著性目標(biāo)檢測(cè)的相關(guān)背景和國(guó)內(nèi)外研究現(xiàn)狀,并闡述本文的貢獻(xiàn)和基本結(jié)構(gòu)安排。第2章,總結(jié)相關(guān)的圖像顯著性檢測(cè)理論知識(shí),并介紹顯著性目標(biāo)檢測(cè)的常用測(cè)試數(shù)據(jù)集和相關(guān)評(píng)價(jià)指標(biāo)。第3章,提出了一個(gè)非凸低秩的結(jié)構(gòu)化矩陣分解顯著性目標(biāo)檢測(cè)模型。由于核范數(shù)優(yōu)化問(wèn)題的解是次優(yōu)...

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 顯著性檢測(cè)的背景及意義
    1.2 顯著性檢測(cè)的國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 自底向上的顯著性檢測(cè)模型
        1.2.2 自頂向下的顯著性檢測(cè)模型
        1.2.3 基于低秩矩陣恢復(fù)理論的顯著性目標(biāo)檢測(cè)模型
    1.3 本文的主要工作
        1.3.1 本文的貢獻(xiàn)
        1.3.2 本文的組織結(jié)構(gòu)
第2章 預(yù)備知識(shí)
    2.1 低秩矩陣恢復(fù)理論LR
    2.2 增廣拉格朗日乘子法ALM
    2.3 交替方向乘子法ADMM
    2.4 顯著性目標(biāo)檢測(cè)常用數(shù)據(jù)集
    2.5 常用評(píng)價(jià)指標(biāo)
第3章 非凸低秩結(jié)構(gòu)化矩陣分解顯著性目標(biāo)檢測(cè)模型
    3.1 非凸低秩結(jié)構(gòu)化矩陣分解顯著性目標(biāo)檢測(cè)模型
        3.1.1 模型建立
        3.1.2 模型分析
    3.2 模型求解
        3.2.1 更新變量L
        3.2.2 更新變量J
        3.2.3 更新變量S
    3.3 非凸低秩結(jié)構(gòu)化矩陣分解模型的顯著性目標(biāo)檢測(cè)過(guò)程
        3.3.1 顯著性目標(biāo)檢測(cè)過(guò)程
        3.3.2 底層特征提取
        3.3.3 高層先驗(yàn)整合
    3.4 數(shù)值實(shí)驗(yàn)與分析
        3.4.1 參數(shù)設(shè)置
        3.4.2 評(píng)價(jià)指標(biāo)
        3.4.3 ECSSD數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果
    3.5 本章小結(jié)
第4章 基于稀疏梯度與結(jié)構(gòu)化矩陣分解的顯著性目標(biāo)檢測(cè)模型
    4.1 基于稀疏梯度與結(jié)構(gòu)化矩陣分解的顯著性目標(biāo)檢測(cè)模型
        4.1.1 模型的改進(jìn)
        4.1.2 稀疏梯度正則項(xiàng)
    4.2 模型求解
        4.2.1 更新變量L
        4.2.2 更新變量J
        4.2.3 更新變量H
        4.2.4 更新變量S
    4.3 基于稀疏梯度與結(jié)構(gòu)化矩陣分解的顯著性目標(biāo)檢測(cè)過(guò)程
        4.3.1 底層特征提取
        4.3.2 圖像分割Clustering
        4.3.3 高層先驗(yàn)知識(shí)整合
        4.3.4 生成顯著圖
    4.4 數(shù)值實(shí)驗(yàn)與分析
        4.4.1 顯著性檢測(cè)數(shù)據(jù)集
        4.4.2 參數(shù)設(shè)置
        4.4.3 評(píng)價(jià)指標(biāo)
        4.4.4 客觀評(píng)價(jià)
        4.4.5 主觀評(píng)價(jià)
        4.4.6 運(yùn)行時(shí)間
    4.5 本章小結(jié)
第5章 總結(jié)和展望
    5.1 論文總結(jié)
    5.2 視頻顯著性目標(biāo)檢測(cè)的展望
        5.2.1 視頻顯著性目標(biāo)檢測(cè)概述
        5.2.2 張量分解基礎(chǔ)知識(shí)
        5.2.3 基于張量分解的視頻顯著性目標(biāo)檢測(cè)框架與展望
    5.3 本章小結(jié)
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間的研究成果



本文編號(hào)：3832472