基于子空间主动排序的显著性检测方法

发布时间：2020-12-20 19:04

　　在过去的几年中,随着计算机视觉领域的不断发展,显著性检测领域也得到了人们的关注。作为图像的预处理,它被应用到了计算机视觉的许多领域之中,例如图像分割,图像检索,图像分类,图像识别等。虽然该领域取得了较大的研究进展,但就整体而言,仍然存在着很大的挑战。监督学习训练过程通常需要大量的人工标记数据,标记显著区域需要花费大量的资源,而且许多训练样本中存在冗余信息,这些冗余信息反而会对模型精度造成负面影响。主动学习利用选择机制选择信息量较大的样本进行训练,实现使用较少的训练样本获得更高模型精度的目的。基于此,本文在核子空间排序算法（Kernelized Subspace Ranking,KSR）的基础上,将主动学习（Active Learning,AL）的思路与之结合,提出了一种基于子空间主动排序的显著性检测方法（KSR-AL）。本文给出了两种基于池的主动学习策略,分别考虑未标记样本的不确定性和多样性来挑选信息量较大的样本参与训练,实现减少训练样本数量,降低标记成本的目的。本文提取目标级区域候选分割（Proposals）的卷积神经网络CNN特征,利用子空间映射和排序支持向量机联合学习一个排序器,... 

【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】：58 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 自底向上的显著性检测算法
        1.2.2 自顶向下的显著性检测算法
        1.2.3 主动学习算法
    1.3 本文的整体安排及贡献
2 相关工作介绍
    2.1 相关算法
        2.1.1 度量学习
        2.1.2 排序支持向量机
        2.1.3 主动学习
    2.2 深度特征提取
3 基于子空间主动排序的显著性检测方法
    3.1 核子空间排序
        3.1.1 目标候选分割
        3.1.2 原始空间与核子空间
    3.2 主动排序
        3.2.1 基于不确定性的选择方法
        3.2.2 基于密度加权的选择方法
    3.3 超像素级显著图优化
4 实验数据与分析
    4.1 数据库
    4.2 评价指标
    4.3 参数设定
    4.4 设计方案
    4.5 算法比对
        4.5.1 定量评价
        4.5.2 定性评价
结论
参考文献
致谢


【参考文献】：
期刊论文
[1]显著区域检测算法综述[J]. 景慧昀,韩琦,牛夏牧.  智能计算机与应用. 2014(01)
[2]主动学习算法综述[J]. 刘康,钱旭,王自强.  计算机工程与应用. 2012(34)



本文编号：2928394