复杂场景下基于光场技术的显著性检测研究

发布时间：2021-01-05 16:52

　　计算机视觉在人类生活中应用广泛。但是,计算机处理一张图片时,往往会对整张图片以同样的算法进行处理,耗费大量的时间。显著性检测让计算机先检测出人类感兴趣区域,然后只对这些区域进行后续算法处理,节省了大量的计算量。但是面对复杂场景时,现有的针对2D、3D图像的显著性检测算法并不能取得准确的检测结果。光场图像的多模态信息（包括颜色、深度和聚焦信息）,可以帮助算法在复杂场景识别显著性物体。但是现有的光场显著性检测算法没有考虑多模态之间的相关性,对于复杂场景,仍存在一定的错检问题。同时,受限于光场数据量,目前没有基于深度学习的光场显著性检测算法。针对以上问题,本文分别在传统算法和深度学习算法两方面提出了针对光场图像的显著性检测算法。本文首先提出了一种基于深度引导元胞自动机的光场显著性检测算法。算法利用光场的多模态信息构造物体引导的深度图,并将其作为有效利用光场多模态信息相关性的引导者。算法构造了深度引导元胞自动机的优化模型,来利用图像的空间一致性。在这一模型里,每一个超像素下一状态的显著性值由它本身及与它相似的超像素的显著性值来决定。超像素的邻居及状态更新原则都由物体引导的深度图来确定。其次,本... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及选题意义
    1.2 国内外研究现状
        1.2.1 基于传统算法的显著性检测研究现状
        1.2.2 基于深度学习的显著性检测研究现状
    1.3 本文主要内容及章节安排
2 相关理论及本文贡献
    2.1 光场技术
        2.1.1 光场成像理论
        2.1.2 光场数据形式
    2.2 本文工作及主要贡献
        2.2.1 基于深度引导元胞自动机的光场显著性检测
        2.2.2 基于循环注意力融合网络的光场显著性检测
    2.3 本章小结
3 基于深度引导元胞自动机的光场显著性检测
    3.1 研究动机
    3.2 算法整体框架
        3.2.1 背景种子选取
        3.2.2 深度引导的显著性图
        3.2.3 深度引导元胞自动机模型
        3.2.4 后处理
    3.3 实验结果与分析
        3.3.1 实验设置
        3.3.2 实验结果对比
        3.3.3 算法各成分有效性分析
        3.3.4 运行时间分析
    3.4 本章小结
4 基于循环注意力融合网络的光场显著性检测
    4.1 研究动机
    4.2 本文提出的数据库介绍
    4.3 光场多模态数据不同融合策略
        4.3.1 光场数据的早期融合
        4.3.2 光场数据的层级别的融合
        4.3.3 焦点堆栈数据的早期融合
        4.3.4 焦点堆栈数据的后期融合
    4.4 基本检测网络
        4.4.1 特征提取网络
        4.4.2 循环注意力模型
        4.4.3 添加对抗示例
    4.5 实验结果与分析
        4.5.1 实验设置
        4.5.2 实验结果对比
        4.5.3 算法各成分有效性分析
    4.6 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢


【参考文献】：
期刊论文
[1]简析人工智能的发展领域与展望[J]. 郭玉言,张萍,陈碧云.  数字技术与应用. 2017(07)
[2]人工智能技术在无人驾驶汽车领域的应用研究[J]. 田国强.  江苏科技信息. 2017(14)
[3]虚拟现实技术在医学中的应用进展[J]. 徐茂云,卢兆桐,刘世君.  实用医药杂志. 2007(11)
[4]人工智能在航空航天领域中的应用[J]. 徐振耀.  系统工程与电子技术. 1993(03)

硕士论文
[1]基于光场信息的显著性检测方法研究[D]. 王一.合肥工业大学 2015



本文编号：2958970