基于深度学习的光场显著性目标检测算法研究

发布时间：2021-04-14 23:40

　　显著性目标检测作为一项基础并具有挑战性的二分类任务,吸引了许多学者的注意。它的目的在于检测出一个场景或者区域中最受人们关注的目标。传统的基于提取手工特征的显著性物体检测,由于无法获取全局的上下文语义信息而拥有很大的局限性。而卷积神经网络的兴起,使得显著性目标检测在性能上获得了很大的提升,这主要是由于其本身的自动提取和组合高阶以及局部的低阶特征。基于输入数据的不同,显著性目标检测主要为三类:2D、3D和4D光场显著性检测。本文主要针对4D光场显著性目标检测展开了如下的研究工作。对于4D光场显著性目标检测,目前公共可利用的光场显著性数据集LFSD仅有100张图片,有限地数据量严格的限制了4D方法的发展。使得数据驱动的深度学习方法很难有效地学习具有代表性的特征。因此针对有光场数据不充足的情况,本文引入了截至目前最大的光场显著性目标检测数据集（DUT-LFSD）,包括1462张全聚焦RGB图像、深度图像、焦堆栈图像以及相应的真值图。并且此数据集由于拍摄在现实的场景使得图像更接近生活场景。并且包括了很多具有挑战性的场景,如相似的前景和背景、复杂背景、透明物体以及多目标等。这使得提出的数据集可以充... 

【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】：62 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状及发展趋势
    1.3 论文主要研究内容
    1.4 论文的结构安排
2 光场及显著性目标检测
    2.1 光场图像
    2.2 卷积神经网络
    2.3 显著性目标检测分类
        2.3.1 2D显著性目标检测
        2.3.2 3D显著性目标检测
        2.3.3 4D光场显著性目标检测
    2.4 本章小结
3 光场显著性目标检测数据集
    3.1 光场显著性目标检测数据集的搭建
    3.2 光场显著性目标检测数据集的定量比较
    3.3 本章小结
4 基于深度学习的光场显著性目标检测算法研究
    4.1 基于深度学习的光场显著性目标检测算法总体结构
        4.1.1 整体网络架构
        4.1.2 光场提炼模块
        4.1.3 光场整合模块
    4.2 基于深度学习的光场显著性目标检测算法实现
        4.2.1 光场提炼模块详细实现
        4.2.2 光场整合模块详细实现
5 算法实验结果及分析
    5.1 实验设置
        5.1.1 数据集
        5.1.2 效果评估度量
    5.2 实验结果及分析
        5.2.1 定量评估及分析
        5.2.2 定性评估及分析
    5.3 模型的主成分分析
        5.3.1 LFNet关键模块的性能分析
        5.3.2 光场数据的优势分析
    5.4 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文及获奖情况
致谢



本文编号：3138232