基于机器学习的视觉显著性检测研究

发布时间：2021-03-23 04:37

　　视觉显著性是指人类视觉系统在处理图像/视频时能够快速准确的定位、处理最吸引人眼的局部区域（通常被称为显著性区域）。受此启发,研究人员尝试利用计算机模拟人类的视觉系统实现从图像/视频中凸显显著性区域。同时,随着人工智能的蓬勃发展,将机器学习方法应用于视觉显著性检测成为当下的研究热点。本论文引入机器学习算法,针对图像显著性检测,从单模型性能提升和显著性图融合两方面开展研究,而针对视频显著性检测,则从给出人工标注的视频初始帧显著对象模板、单模型性能提升和利用深度学习这三方面开展研究。因此,针对图像/视频的显著性检测,本论文提出了如下所述的五种有效的模型:1.基于多核Boosting与自适应融合的图像显著性检测性能提升模型为了提升已有的图像显著性检测模型的性能,本论文提出了一种基于多核Boosting与自适应融合的图像显著性检测性能提升模型。首先,提取由区域自身特征信息、区域特征方差及区域特征对比度构成的区域级特征,其中,区域对比度在局部、全局及边界三种邻域上进行度量;然后,将显著性检测视为回归问题,利用基于支持向量回归的多核Boosting算法生成辅助性显著性图;最后,引入质量评价准则,将辅... 

【文章来源】：上海大学上海市 211工程院校

【文章页数】：118 页

【学位级别】：博士

【部分图文】：

图１－１包含感兴趣对象的图像示例：偶数列为对应的人工标注的二值图

２．１．１基于中央－周围差异的显著性检测模型??Ｉｔｔｉ等于１９９８年根据人眼生物结构［８］与特征集成理论［９］提出了著名的基于中??央－周围差异的显著性检测模型［ｌＱ］，其流程图如图２－１所示，主要步骤如下：??１）

?ｔｈｅ?ｓｅｃｏｎｄ?ｓｔａｇｅ??图２－２?Ｙａｎｇ等［２９］提出的流行排序、昆著性检测模型流程图??Ｙａｎｇ等［２９］于２０１３年提出了基于流行排序的显著性检测模型，如图２－２所示。，??１１??


本文编号：3095149