基于传播模型的显著目标检测方法研究

发布时间：2023-06-05 19:46

　　人类视觉系统不仅能够快速定位场景中感兴趣的区域,同时还能检测并识别场景中的重要目标,即显著性目标。随着科技的发展和互联网的普及,尤其是数据获取手段的提高,网络上图像、视频数据呈爆炸性的增长。因此,如何从海量数据中快速地获取有效信息是信息处理领域研究的主要问题。而如何从大量的图像或视频数据中提取重要信息,包括目标检测与识别,是计算机视觉领域的重点研究目标。为了使计算机快速、智能地实现这些功能,近几年来,显著目标检测方法备受关注。显著目标检测方法将有限的计算资源分配给场景中的重要区域,不仅为后续视觉任务的完成提供了有效信息,提高后续算法的性能,而且还消除了冗余区域的干扰,节省计算时间。因此,显著目标检测算法作为图像预处理算法,已成功应用于多种多样的计算机视觉任务中,如图像检索、视觉追踪、图像放缩等。考虑到图像中包含大量冗余信息,算法无法快速、精准地检测到完整的显著目标。而首先提取图像中的关于显著目标的关键信息(如特征、位置等),随后根据特征间的关联关系将关键信息传播到其他区域,是行之有效的策略。因此研究有效、鲁棒的关键信息提取方法和特征传播模型是本文要解决的主要问题。本文的主要工作如下:(...

【文章页数】：123 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景和意义
    1.2 显著目标检测简介
        1.2.1 显著目标检测的基本理论
        1.2.2 显著目标检测的实际应用
    1.3 显著目标检测研究的挑战
        1.3.1 问题难点
        1.3.2 技术难点
    1.4 相关研究综述
        1.4.1 基于手工设计特征的显著目标检测方法
        1.4.2 基于深度学习的显著目标检测方法
        1.4.3 基于传播模型的显著目标检测方法
    1.5 传播模型简介
    1.6 常用的测评数据库和测评方法
        1.6.1 测评数据库
        1.6.2 测评方法
    1.7 本文内容和组织架构
2 基于模式挖掘的显著目标检测算法
    2.1 引言
    2.2 模式挖掘算法
        2.2.1 频繁项集
        2.2.2 关联规则
        2.2.3 关联规则挖掘算法
    2.3 基于模式挖掘的显著性种子点检测算法
        2.3.1 特征提取
        2.3.2 挖掘显著性模式
        2.3.3 检测显著性种子点
    2.4 显著性传播模型
        2.4.1 构建无向图
        2.4.2 增强的随机游走算法
        2.4.3 融合显著性图
    2.5 实验结果与分析
        2.5.1 实现细节
        2.5.2 算法整体性能测评
        2.5.3 算法有效性验证
            2.5.3.1 显著性种子点检测算法的有效性验证
            2.5.3.2 二次拉普拉斯项的有效性验证
        2.5.4 显著性结果定性测评
        2.5.5 失败案例
    2.6 本章小结
3 基于隐式空间嵌入的显著目标检测算法
    3.1 引言
    3.2 基于联合隐式空间嵌入理论的标签传递算法
    3.3 隐式空间嵌入算法在显著目标检测中的应用
        3.3.1 准备工作
        3.3.2 检索实例图像
        3.3.3 标签传递
        3.3.4 显著性种子点传播算法
        3.3.5 初始显著性图预测
    3.4 实验结果与分析
        3.4.1 实现细节
        3.4.2 算法整体性能测评
        3.4.3 算法有效性验证
            3.4.3.1 标签传递算法有效性的理论分析
            3.4.3.2 标签传递算法提升能力验证
            3.4.3.3 实例图像集中图像数目的影响分析
        3.4.4 显著性结果定性测评
    3.5 本章小结
4 基于空间上下文感知网络的显著目标检测算法
    4.1 引言
    4.2 空间上下文感知模块
        4.2.1 长程上下文感知模块
        4.2.2 短程上下文感知模块
    4.3 空间上下文感知网络
        4.3.1 编码子网络
        4.3.2 解码子网络
        4.3.3 融合子网络
        4.3.4 损失函数
    4.4 实验结果与分析
        4.4.1 实现细节
        4.4.2 算法整体性能测评
        4.4.3 算法有效性验证
            4.4.3.1 LPCM的有效性
            4.4.3.2 SPCM的有效性
        4.4.4 显著性结果定性测评
    4.5 本章小结
5 总结与展望
    5.1 工作总结
    5.2 创新点
    5.3 展望
参考文献
附录A 近端梯度法收敛性证明
攻读博士学位期间发表学术论文情况
致谢
作者简介



本文编号：3831934