复杂场景下显著目标检测

发布时间：2021-01-22 04:44

　　显著目标检测旨在通过设计智能算法,使得计算机具有模仿人类视觉注意机制的能力,从而自动获取图像中最吸引人眼注意的目标或区域。作为预处理技术用于降低数据处理成本和计算时间,显著目标检测广泛应用于图像分割、图像融合、图像恢复等其他计算机视觉和机器学习的任务中,具有重要的理论研究意义和社会应用价值。目前,简单场景下（比如单一显著目标处于图像中心、背景简单、前景与背景对比度高）的图像显著目标检测性能已经接近于人眼的水平,但是,复杂场景下（比如显著目标靠近图像边界、背景复杂、前景与背景对比度低、场景语义信息丰富等）的显著目标检测仍是个亟待解决的难题。本文针对已有图像显著目标检测方法存在的问题,基于稀疏表示、图论、深度学习等理论,提出了多种算法,用于完整、一致地检测复杂场景下的显著目标。具体研究内容如下:第一,提出了一种基于鲁棒稀疏表示与局部一致性的显著目标检测算法。已有基于稀疏表示的显著目标检测方法采用均方误差表示显著目标,对非高斯噪声具有较强的敏感性。与之不同,我们将显著目标看成稀疏的“野点”,采用稀疏误差表征稀疏“野点”,从而将显著目标检测问题转换为稀疏追踪问题,实现首次将鲁棒稀疏表示应用于显... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：119 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景和意义
    1.2 显著性检测的发展概述
    1.3 显著目标检测的国内外研究现状
        1.3.1 自底而上
        1.3.2 自顶向下
    1.4 本文主要研究内容
        1.4.1 本文研究内容结构
        1.4.2 本文具体研究内容
    1.5 本文章节安排
第二章 基于鲁棒稀疏表示和局部一致性的显著目标检测
    2.1 引言
    2.2 基于鲁棒稀疏表示和局部一致性的显著目标检测方法
        2.2.1 鲁棒稀疏表示模型
        2.2.2 基于鲁棒稀疏表示和局部一致性的显著目标检测算法
    2.3 实验和分析
        2.3.1 公开数据集
        2.3.2 评价准则
        2.3.3 参数设置
        2.3.4 鲁棒稀疏表示模型和局部一致性先验信息的有效性
        2.3.5 提出算法与主流方法比较
        2.3.6 计算复杂度比较
    2.4 小结
第三章 基于二阶段图的显著目标检测
    3.1 引言
    3.2 基于二阶段图的显著目标检测算法
        3.2.1 特征提取
        3.2.2 第一阶段:基于图论的加权联合鲁棒稀疏表示模型
        3.2.3 第二阶段:基于图论的流形排序方法
        3.2.4 后处理
        3.2.5 算法步骤总结
        3.2.6 计算复杂度
    3.3 实验和分析
        3.3.1 参数设置
        3.3.2 提出算法各个阶段的性能比较
        3.3.3 提出算法与主流方法的比较
        3.3.4 第二阶段算法的提升作用
        3.3.5 计算复杂度比较
    3.4 小节
第四章 基于上下文信息指导的深度显著目标检测
    4.1 引言
    4.2 基于上下文信息指导的深度显著目标检测网络
        4.2.1 基础网络
        4.2.2 组卷积模块（GCM）
        4.2.3 基于上下文信息指导的多层深度信息融合策略
        4.2.4 显著性预测
    4.3 实验和分析
        4.3.1 实验设置
        4.3.2 与主流方法比较
        4.3.3 消融实验和分析
    4.4 小节
第五章 基于部分-目标匹配的深度显著目标检测
    5.1 引言
    5.2 深度二分流部分-目标匹配的显著目标检测网络
        5.2.1 FLNet
        5.2.2 TSPOANet
        5.2.3 显著性预测
        5.2.4 对TSPOANet的深入分析
    5.3 实验和分析
        5.3.1 实验设置
        5.3.2 客观性能比较
        5.3.3 消融实验和分析
    5.4 小节
第六章 总结与展望
    6.1 本文总结
    6.2 研究展望
参考文献
致谢
作者简介



本文编号：2992578