基于稀疏梯度与结构化矩阵分解的显著性目标检测

发布时间：2023-06-08 20:50

　　显著性目标检测技术在计算机视觉领域具有重要的应用价值和理论研究意义,它主要通过模拟人类视觉注意力机制,自动检测图像中最引人注目和吸引眼球的目标或区域。目前,随着此技术的迅速发展,显著性目标检测已经广泛应用在图像分割,图像压缩,目标发现,图像重定向,图像识别和人工智能等领域。过去几年,低秩矩阵恢复理论在很多图像研究领域中得到了广泛关注。基于低秩矩阵恢复的众多显著性目标检测模型也陆续被提出。这些方法主要基于一个共同的假设,即一个场景中的背景部分通常包含冗余信息,而显著性区域往往是稀疏的。因此,给定一个图像,那么它的特征矩阵可以看作是一个低秩矩阵与一个稀疏矩阵的组合,分别对应于该图像的背景和显著性区域。本文基于此理论,先后提出了非凸低秩结构化矩阵分解模型和基于稀疏梯度的结构化矩阵分解模型,用于图像的显著性目标检测。第1章,简单介绍静态图像显著性目标检测的相关背景和国内外研究现状,并阐述本文的贡献和基本结构安排。第2章,总结相关的图像显著性检测理论知识,并介绍显著性目标检测的常用测试数据集和相关评价指标。第3章,提出了一个非凸低秩的结构化矩阵分解显著性目标检测模型。由于核范数优化问题的解是次优...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 显著性检测的背景及意义
    1.2 显著性检测的国内外研究现状
        1.2.1 自底向上的显著性检测模型
        1.2.2 自顶向下的显著性检测模型
        1.2.3 基于低秩矩阵恢复理论的显著性目标检测模型
    1.3 本文的主要工作
        1.3.1 本文的贡献
        1.3.2 本文的组织结构
第2章 预备知识
    2.1 低秩矩阵恢复理论LR
    2.2 增广拉格朗日乘子法ALM
    2.3 交替方向乘子法ADMM
    2.4 显著性目标检测常用数据集
    2.5 常用评价指标
第3章 非凸低秩结构化矩阵分解显著性目标检测模型
    3.1 非凸低秩结构化矩阵分解显著性目标检测模型
        3.1.1 模型建立
        3.1.2 模型分析
    3.2 模型求解
        3.2.1 更新变量L
        3.2.2 更新变量J
        3.2.3 更新变量S
    3.3 非凸低秩结构化矩阵分解模型的显著性目标检测过程
        3.3.1 显著性目标检测过程
        3.3.2 底层特征提取
        3.3.3 高层先验整合
    3.4 数值实验与分析
        3.4.1 参数设置
        3.4.2 评价指标
        3.4.3 ECSSD数据集上的实验结果
    3.5 本章小结
第4章 基于稀疏梯度与结构化矩阵分解的显著性目标检测模型
    4.1 基于稀疏梯度与结构化矩阵分解的显著性目标检测模型
        4.1.1 模型的改进
        4.1.2 稀疏梯度正则项
    4.2 模型求解
        4.2.1 更新变量L
        4.2.2 更新变量J
        4.2.3 更新变量H
        4.2.4 更新变量S
    4.3 基于稀疏梯度与结构化矩阵分解的显著性目标检测过程
        4.3.1 底层特征提取
        4.3.2 图像分割Clustering
        4.3.3 高层先验知识整合
        4.3.4 生成显著图
    4.4 数值实验与分析
        4.4.1 显著性检测数据集
        4.4.2 参数设置
        4.4.3 评价指标
        4.4.4 客观评价
        4.4.5 主观评价
        4.4.6 运行时间
    4.5 本章小结
第5章 总结和展望
    5.1 论文总结
    5.2 视频显著性目标检测的展望
        5.2.1 视频显著性目标检测概述
        5.2.2 张量分解基础知识
        5.2.3 基于张量分解的视频显著性目标检测框架与展望
    5.3 本章小结
参考文献
致谢
攻读硕士学位期间的研究成果



本文编号：3832472