發(fā)布時間：2021-02-10 00:59

　　顯著性檢測引起了計算機視覺領(lǐng)域的諸多研究,并且已經(jīng)產(chǎn)生了許多應(yīng)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(fù)雜場景中的顯著性物體,隨著神經(jīng)網(wǎng)絡(luò)在計算機視覺領(lǐng)域的成功應(yīng)用,越來越多的基于深度學(xué)習(xí)的顯著性檢測方法被應(yīng)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(jié)果。本文提出結(jié)合傳統(tǒng)啟發(fā)式的顯著性檢測方法的結(jié)果輔助深度模型進行訓(xùn)練以產(chǎn)生更好的預(yù)測結(jié)果。本文提出將傳統(tǒng)方法的顯著檢測圖作為先驗指導(dǎo)結(jié)合深度學(xué)習(xí)方法以期望在簡單場景和復(fù)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(jié)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(luò)需要融合的傳統(tǒng)顯著性方法。深度網(wǎng)絡(luò)的訓(xùn)練往往伴隨著大量的訓(xùn)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(luò)結(jié)構(gòu)改進的網(wǎng)絡(luò)進行特征提取和顯著圖結(jié)果的生成。本文在ASD數(shù)據(jù)集、EC... 

【文章來源】：天津大學(xué)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(xué)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(xué)習(xí)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(jié)構(gòu)
第2章 相關(guān)理論研究
    2.1 神經(jīng)網(wǎng)絡(luò)的相關(guān)內(nèi)容
        2.1.1 神經(jīng)網(wǎng)絡(luò)的起源和發(fā)展
        2.1.2 神經(jīng)網(wǎng)絡(luò)的基本組成單元
        2.1.3 卷積神經(jīng)網(wǎng)絡(luò)
    2.2 顯著性檢測數(shù)據(jù)集
    2.3 本章小結(jié)
第3章 基于卷積神經(jīng)網(wǎng)絡(luò)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(xùn)練數(shù)據(jù)集構(gòu)建
    3.5 網(wǎng)絡(luò)的訓(xùn)練
    3.6 本章小結(jié)
第4章 實驗結(jié)果與分析
    4.1 實驗設(shè)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(jié)果分析
        4.2.1 定量分析
        4.2.2 定性分析
    4.3 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    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