基于显著性及弱监督学习的智能视觉信息处理
发布时间：2025-03-18 05:43
作为人工智能系统中最关键的环节之一,视觉信息处理在过去的几十年内得到了飞速的发展。随着可获取的视觉数据海量式的增长,具有处理大数据能力的学习模型(如深度学习)在视觉信息处理系统的核心作用日益凸显,对提升各项视觉任务的性能起着至关重要的作用。一般情况下,此类视觉信息处理技术需要依赖人工标注的数据来训练特定任务下的学习模型。然而,为了训练这些模型,人们需要耗费大量的精力与时间来为数据提供标注。在当前的大数据计算模式下,这种人工标注的模式并不能适应视觉信息处理算法的需求,甚至已经阻碍了视觉信息处理系统对视觉大数据的利用。因此,以自主理解与分析图像及视频的(语义)内容为目的的智能视觉信息处理成为了新一代人工智能研究领域中的重中之重。在智能视觉信息处理中,如何提高系统的自主性,即如何尽可能地降低视觉学习中的人工参与程度是该领域中的重点、难点,同时也是目前亟待解决的问题之一。为了缓解这个问题,本文旨在提出新的显著性检测及弱监督学习算法框架来赋予视觉信息处理系统更加智能与自主地进行视觉模式分析与理解的能力。所设计的算法框架可以与现有的深度学习模型有机结合,从而为其提供诸多便利。具体来讲,一方面我们探讨...
【文章页数】：139 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景与意义
1.2 主要研究内容
1.2.1 视觉显著性检测
1.2.2 事件显著性检测
1.2.3 协同显著性检测
1.2.4 弱监督目标检测
1.3 国内外研究现状
1.3.1 视觉显著性检测
1.3.2 事件显著性检测
1.3.3 协同显著性检测
1.3.4 弱监督目标检测
1.4 主要贡献及核心创新点
1.5 论文内容安排
1.6 本章小结
2 显著性检测(Ⅰ):基于无监督学习的深度显著性检测模型
2.1 引言
2.2 基于融合监督的深度显著性检测模型
2.2.1 图内融合
2.2.2 图间融合
2.3 无监督深度网络学习
2.3.1 网络结构
2.3.2 学习策略
2.4 实验论证
2.4.1 实验设置
2.4.2 与现有方法的比较
2.4.3 模型分析
2.5 本章小结
3 显著性检测(Ⅱ):无约束视频的事件显著性检测
3.1 引言
3.2 整体算法概要
3.3 多模态特征提取
3.4 事件显著性检测
3.4.1 群集内先验
3.4.2 群集间区分性
3.4.3 群集间平滑性
3.4.4 整体目标函数
3.5 实验论证
3.5.1 实验设置
3.5.2 与基准方法的性能比较
3.5.3 特征分析
3.5.4 成分分析
3.5.5 鲁棒性分析
3.6 本章小结
4 弱监督视觉学习(Ⅰ):基于自步-多示例学习的协同显著性检测
4.1 引言
4.2 自步-多示例学习
4.2.1 问题建模
4.2.2 优化求解
4.3 协同显著性检测框架
4.3.1 特征提取
4.3.2 协同显著性推理
4.3.3 构建协同显著图
4.4 实验分析
4.4.1 实验设置
4.4.2 运行时间分析
4.4.3 与现有方法的性能比较
4.4.4 模型分析
4.4.5 模块测评
4.5 算法应用
4.5.1 视频前景分割
4.5.2 行为定位
4.5.3 物体协同定位
4.6 本章小结
5 弱监督视觉学习(Ⅱ):贝叶斯框架下的弱监督遥感目标检测
5.1 引言
5.2 总体框架
5.3 高层特征表达
5.3.1 低层特征描述子提取
5.3.2 中层特征生成
5.3.3 高层特征学习
5.4 基于弱监督学习的遥感目标检测
5.4.1 训练样本初始化
5.4.2 迭代训练物体检测器
5.5 实验分析
5.5.1 数据集描述及实验设置
5.5.2 关键参数分析
5.5.3 贝叶斯框架性能评估
5.5.4 高层特征评估
5.5.5 物体检测器评估
5.6 本章小结
6 总结与展望
6.1 本文工作总结
6.2 研究展望
参考文献
致谢
攻读博士学位期间发表的学术论文和参加科研情况
本文编号：4036092
【文章页数】：139 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景与意义
1.2 主要研究内容
1.2.1 视觉显著性检测
1.2.2 事件显著性检测
1.2.3 协同显著性检测
1.2.4 弱监督目标检测
1.3 国内外研究现状
1.3.1 视觉显著性检测
1.3.2 事件显著性检测
1.3.3 协同显著性检测
1.3.4 弱监督目标检测
1.4 主要贡献及核心创新点
1.5 论文内容安排
1.6 本章小结
2 显著性检测(Ⅰ):基于无监督学习的深度显著性检测模型
2.1 引言
2.2 基于融合监督的深度显著性检测模型
2.2.1 图内融合
2.2.2 图间融合
2.3 无监督深度网络学习
2.3.1 网络结构
2.3.2 学习策略
2.4 实验论证
2.4.1 实验设置
2.4.2 与现有方法的比较
2.4.3 模型分析
2.5 本章小结
3 显著性检测(Ⅱ):无约束视频的事件显著性检测
3.1 引言
3.2 整体算法概要
3.3 多模态特征提取
3.4 事件显著性检测
3.4.1 群集内先验
3.4.2 群集间区分性
3.4.3 群集间平滑性
3.4.4 整体目标函数
3.5 实验论证
3.5.1 实验设置
3.5.2 与基准方法的性能比较
3.5.3 特征分析
3.5.4 成分分析
3.5.5 鲁棒性分析
3.6 本章小结
4 弱监督视觉学习(Ⅰ):基于自步-多示例学习的协同显著性检测
4.1 引言
4.2 自步-多示例学习
4.2.1 问题建模
4.2.2 优化求解
4.3 协同显著性检测框架
4.3.1 特征提取
4.3.2 协同显著性推理
4.3.3 构建协同显著图
4.4 实验分析
4.4.1 实验设置
4.4.2 运行时间分析
4.4.3 与现有方法的性能比较
4.4.4 模型分析
4.4.5 模块测评
4.5 算法应用
4.5.1 视频前景分割
4.5.2 行为定位
4.5.3 物体协同定位
4.6 本章小结
5 弱监督视觉学习(Ⅱ):贝叶斯框架下的弱监督遥感目标检测
5.1 引言
5.2 总体框架
5.3 高层特征表达
5.3.1 低层特征描述子提取
5.3.2 中层特征生成
5.3.3 高层特征学习
5.4 基于弱监督学习的遥感目标检测
5.4.1 训练样本初始化
5.4.2 迭代训练物体检测器
5.5 实验分析
5.5.1 数据集描述及实验设置
5.5.2 关键参数分析
5.5.3 贝叶斯框架性能评估
5.5.4 高层特征评估
5.5.5 物体检测器评估
5.6 本章小结
6 总结与展望
6.1 本文工作总结
6.2 研究展望
参考文献
致谢
攻读博士学位期间发表的学术论文和参加科研情况
本文编号：4036092
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/4036092.html
