摘要 | 第4-5页 |
Abstract | 第5页 |
第1章 绪论 | 第8-14页 |
1.1 研究背景和意义 | 第8-9页 |
1.2 国内外研究现状 | 第9-12页 |
1.2.1 自底向上的显著目标检测方法 | 第9-10页 |
1.2.2 自顶向下的显著目标检测方法 | 第10-12页 |
1.3 主要研究内容和论文结构 | 第12-14页 |
第2章 相关知识 | 第14-23页 |
2.1 卷积神经网络 | 第14-18页 |
2.1.1 卷积神经网络特点 | 第14-15页 |
2.1.2 卷积神经网络结构 | 第15-17页 |
2.1.3 卷积神经网络优点 | 第17-18页 |
2.2 常用的卷积神经网络模型 | 第18-20页 |
2.2.1 AlexNet网络 | 第18-19页 |
2.2.2 VGG网络 | 第19页 |
2.2.3 RCNN网络 | 第19-20页 |
2.3 基于卷积神经网络的图像显著目标检测 | 第20-22页 |
2.3.1 DHSN模型 | 第21-22页 |
2.3.2 WSS模型 | 第22页 |
2.4 本章小结 | 第22-23页 |
第3章 基于多尺度卷积神经网络的显著目标检测 | 第23-34页 |
3.1 基于多尺度卷积神经网络的显著目标检测 | 第23-25页 |
3.1.1 基于RCNN的高层特征提取 | 第23-24页 |
3.1.2 基于反卷积的多尺度显著先验图提取 | 第24-25页 |
3.1.3 基于FCM的多尺度显著图融合 | 第25页 |
3.2 实验与分析 | 第25-33页 |
3.2.1 图像库 | 第25-26页 |
3.2.2 评价指标 | 第26-27页 |
3.2.3 实验细节 | 第27-28页 |
3.2.4 实验结果与分析 | 第28-33页 |
3.3 本章小结 | 第33-34页 |
第4章 眼动注视点在图像显著性检测上的应用 | 第34-47页 |
4.1 人眼视觉感知系统 | 第34-37页 |
4.1.1 人类视觉信息传递过程 | 第34-35页 |
4.1.2 人眼视觉注意机制 | 第35-36页 |
4.1.3 眼动追踪技术的方法 | 第36页 |
4.1.4 眼动的基本模式 | 第36-37页 |
4.2 结合眼动注视点的显著目标检测 | 第37-39页 |
4.2.1 RGB-E的获取 | 第38页 |
4.2.2 基于RGB-E的显著目标检测 | 第38-39页 |
4.3 眼动数据与眼动实验 | 第39-41页 |
4.3.1 眼动数据集 | 第39-40页 |
4.3.2 眼动数据采集 | 第40页 |
4.3.3 眼动数据分析 | 第40-41页 |
4.4 实验与分析 | 第41-46页 |
4.4.1 实验细节 | 第42页 |
4.4.2 实验结果与分析 | 第42-46页 |
4.5 本章小结 | 第46-47页 |
第5章 总结与展望 | 第47-48页 |
5.1 本文工作总结 | 第47页 |
5.2 未来工作展望 | 第47-48页 |
致谢 | 第48-49页 |
参考文献 | 第49-53页 |
附录A 攻读硕士期间发表的学术论文和参与的科研项目 | 第53页 |