目 錄
第1章 緒論 1
1.1 研究背景和意義 1
1.2 研究現(xiàn)狀 6
1.2.1 顯著區(qū)域提取方法的研究現(xiàn)狀及分析 6
1.2.2　顯著性數(shù)據(jù)集的研究現(xiàn)狀及分析 12
1.3　本書的主要研究內(nèi)容 18
1.4 本書的內(nèi)容安排 19
第2章　面向社交媒體圖像的顯著性數(shù)據(jù)集 21
2.1　引言 21
2.2　數(shù)據(jù)集的圖像篩選原則與性能評測方法 22
2.2.1　圖像篩選原則 22
2.2.2　數(shù)據(jù)集的性能評測方法 25
2.3　面向社交媒體圖像的顯著性數(shù)據(jù)集的構(gòu)建 30
2.3.1　圖像來源 30
2.3.2　圖像標(biāo)注 31
2.3.3　圖像篩選 32
2.3.4　數(shù)據(jù)集的統(tǒng)計分析與性能評測 32
2.3.5　數(shù)據(jù)集的典型圖像 36
2.3.6　數(shù)據(jù)集的標(biāo)簽信息統(tǒng)計 38
2.4　本章小結(jié) 38
第3章 基于標(biāo)簽上下文的顯著區(qū)域提取方法 40
3.1 引言 40
3.2 顯著區(qū)域提取流程 41
3.3 顯著區(qū)域提取方法建模 43
3.3.1 條件隨機(jī)場模型介紹 43
3.3.2 提取方法的模型描述 43
3.4 基于圖像外觀的顯著性計算 45
3.4.1 多尺度的區(qū)域分割 45
3.4.2 顯著性計算 46
3.4.3 空間一致性優(yōu)化 47
3.4.4 多尺度顯著圖融合 48
3.5 標(biāo)簽語義特征計算 48
3.6 實驗 50
3.6.1 實驗設(shè)置 50
3.6.2 評價指標(biāo) 52
3.6.3 標(biāo)簽有效性的驗證實驗 53
3.6.4 與流行方法的比較 56
3.7 本章小結(jié) 61
第4章 基于多特征的顯著區(qū)域提取方法 62
4.1 引言 62
4.1.1 圖像特征的獲取方法 62
4.1.2 卷積神經(jīng)網(wǎng)絡(luò) 63
4.1.3 基于層次結(jié)構(gòu)的顯著區(qū)域提取方法 65
4.2 基于多特征的顯著區(qū)域提取方法流程 66
4.3 基于深度學(xué)習(xí)特征的顯著區(qū)域提取 67
4.3.1 基于CNN特征的顯著性計算 67
4.3.2 標(biāo)簽語義特征計算 71
4.3.3 顯著圖和標(biāo)簽語義圖的融合 72
4.4 基于人工設(shè)計特征的顯著區(qū)域提取 72
4.5 圖像依賴的顯著圖動態(tài)融合 74
4.5.1 方法思想 74
4.5.2 訓(xùn)練階段 76
4.5.3 測試階段 76
4.5.4 基于投票機(jī)制的顯著圖融合 77
4.6 空間一致性優(yōu)化 79
4.7 實驗 80
4.7.1 實驗設(shè)置 80
4.7.2 SID數(shù)據(jù)集上的實驗 82
4.7.3 流行數(shù)據(jù)集上的實驗 89
4.7.4 基于深度學(xué)習(xí)特征提取方法和基于人工設(shè)計特征提取方法的比較 91
4.8 本章小結(jié) 92
第5章 顯著性在圖像分類中的應(yīng)用 93
5.1 基于顯著性的圖像分類框架 93
5.1.1 分析思想的由來 93
5.1.2 圖像庫的顯著性分析 95
5.1.3 分類框架 96
5.2 特征編碼技術(shù)和特征池化技術(shù) 97
5.2.1 符號說明 97
5.2.2 特征編碼技術(shù) 98
5.2.3 特征池化技術(shù) 101
5.3 面向場景類圖像庫的分類方法 104
5.3.1 多環(huán)劃分的特征池化區(qū)域選擇方法 104
5.3.2 多視覺詞硬編碼方法 107
5.3.3 實驗 108
5.4 面向?qū)ο箢悎D像庫的分類方法 112
5.4.1 基于顯著性和空間局部約束的軟編碼方法 112
5.4.2 實驗 114
5.5 本章小結(jié) 116
第6章 總結(jié)與展望 117
6.1 總結(jié) 117
6.2 展望 118
參考文獻(xiàn) 120