圖像協(xié)同顯著性檢測是一種從多幅相關(guān)圖像中提取共同出現(xiàn)的相同或相似的顯著性目標的方法,已經(jīng)成為了計算機視覺方面非常熱門的研究課題。協(xié)同顯著性檢測的難點在于如何區(qū)分圖片組中的前景和背景,并突出前景目標;以及如何通過對同組圖片間的一致性關(guān)系進行建模,并利用群組語義信息來提升協(xié)同顯著性檢測的性能。本文針對以上問題做了如下研究。針對目前協(xié)同顯著性檢測方法中存在的語義類別相差懸殊的物體被誤檢測為協(xié)同對象等問題,本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)和語義相關(guān)的協(xié)同顯著性檢測算法CSCCD(CNN and Semantic Correlation based Co-saliency Detection)。首先,采用引導(dǎo)超像素濾波方法對SLIC分割出的超像素區(qū)域和DSS模型的顯著性區(qū)域進行處理,清晰地顯示了目標邊界輪廓。然后,使用Mask R-CNN提取出語義特征,對圖像語義特征和語義一致性進行定義,提出了圖像組語義相關(guān)類的概念。在此概念的基礎(chǔ)上定義了圖像組語義關(guān)聯(lián)類,用于建模同組圖片間的語義一致性,解決了多幅圖像的語義關(guān)聯(lián)問題,最后融合顯著性檢測區(qū)域和圖像組語義一致性區(qū)域得到協(xié)同顯著性檢測結(jié)果。CSCCD創(chuàng)新性...

【文章頁數(shù)】：56 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 協(xié)同顯著性檢測的研究現(xiàn)狀
        1.2.1 自底向上方法的研究現(xiàn)狀
        1.2.2 基于融合方法的研究現(xiàn)狀
        1.2.3 基于學(xué)習(xí)方法的研究現(xiàn)狀
    1.3 研究內(nèi)容
    1.4 本文的組織結(jié)構(gòu)
第2章 協(xié)同顯著性檢測的相關(guān)理論及技術(shù)
    2.1 人類視覺感知系統(tǒng)和視覺注意力機制
        2.1.1 人類視覺感知系統(tǒng)
        2.1.2 視覺注意力機制
    2.2 圖像分割基礎(chǔ)
        2.2.1 超像素分割
        2.2.2 語義分割
        2.2.3 實例分割
    2.3 常用的深度學(xué)習(xí)模型
        2.3.1 稀疏編碼
        2.3.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.3 特征金字塔網(wǎng)絡(luò)
    2.4 本章小結(jié)
第3章 基于卷積神經(jīng)網(wǎng)絡(luò)和語義相關(guān)的協(xié)同顯著性檢測算法
    3.1 問題描述
    3.2 總體框架
    3.3 單幅圖像的顯著性檢測
    3.4 基于語義相關(guān)的協(xié)同顯著性檢測
        3.4.1 相關(guān)概念及定義
        3.4.2 多幅圖像的協(xié)同顯著性檢測
    3.5 算法框架
    3.6 實驗結(jié)果與分析
        3.6.1 數(shù)據(jù)集與評價指標
        3.6.2 與其他方法的比較
    3.7 本章小結(jié)
第4章 基于Mask R-CNN的多層特征融合的協(xié)同顯著性檢測方法
    4.1 問題描述
    4.2 模型設(shè)計
        4.2.1 特征提取
        4.2.2 多尺度特征圖生成和增強
        4.2.3 初始協(xié)同顯著圖
        4.2.4 圖像間顯著性傳播
        4.2.5 協(xié)同顯著圖
    4.3 實驗結(jié)果與分析
        4.3.1 iCoseg數(shù)據(jù)集的評估
        4.3.2 MSRC數(shù)據(jù)集的評估
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻
作者簡介



本文編號：3875503