导读:本文包含了显着性区域检测论文开题报告文献综述及选题提纲参考文献，主要关键词:图模型,目标紧密性,区域同质性,流形排序
显着性区域检测论文文献综述
唐红梅,王碧莹,韩力英,周亚同[1]（2019）在《基于目标紧密性与区域同质性策略的图像显着性检测》一文中研究指出针对基于图模型的显着性检测算法中节点间特征差异描述不准确的问题,该文提出一种目标紧密性与区域同质性策略相结合的图像显着性检测算法。区别于常用的图模型,该算法建立更贴近人眼视觉系统的稀疏图结构与新颖的区域同质性图结构,以便描述图像前景内部的关联性与前景背景间的差异性,从而摒弃众多节点的冗余连接,强化节点局部空间关系;并且结合聚类簇紧密性采取流形排序的方式形成显着图,利用背景区域簇的相似性,引入背景置信度进行显着性优化,最终得到精细的检测结果。在4个基准数据集上与4种基于图模型的流行算法对比,该算法能清晰地突出显着区域,且在多种综合指标评估中,具备更优越的性能。(本文来源于《电子与信息学报》期刊2019年10期）
王明,崔冬,李刚,顾广华[2]（2019）在《融合判别区域特征与标签传播的显着性目标检测》一文中研究指出为了提高图片在复杂场景下检测的准确率与鲁棒性,本文提出了一种融合判别区域特征与标签传播的显着性目标检测算法。首先利用判别区域特征方法形成一个判别区域特征显着图;然后利用标签传播算法得到标签传播显着图;最后,通过一个指数函数将两者融合形成最终的目标显着图。本文提出的方法在公开的数据集中测试并与现有的6种算法进行比较,实验结果证明了本文算法的有效性和可靠性。(本文来源于《燕山大学学报》期刊2019年05期）
梁欢,郝晓丽[3]（2019）在《基于粒空间融合的多特征显着区域检测》一文中研究指出为更好获得图像传达的信息,提出基于粒空间融合的多特征显着区域检测方法。将图像划分为重迭的非均等矩形粒,提取每个中心粒的颜色特征;以像素点颜色值为中心,0为半径,划分图像为球形粒,对比每个粒与图像四顶点球形粒的颜色距离;利用粒之间的颜色和空间距离,提取两种粒的对比连通显着图并将之融合,获得最终显着图。实验结果表明,它更好保留了图像边缘信息,高亮显示显着区域,更有助于图像的进一步处理。(本文来源于《计算机工程与设计》期刊2019年07期）
吴传彬,刘骊,付晓东,刘利军,黄青松[4]（2019）在《结合显着区域检测和手绘草图的服装图像检索》一文中研究指出针对服装图像检索准确率和效率较低的问题,提出一种服装显着区域检测和手绘草图的服装图像检索方法。首先采用正则化随机漫步算法对输入的服装图像库进行视觉显着区域检测,并结合其边缘轮廓信息,得到服装显着边缘图像;其次,对输入的服装草图和服装边缘图像进行特征提取,得到服装草图和服装边缘图像各自的方向梯度直方图(HOG)特征;然后,通过计算服装草图特征和服装边缘特征的相似度,实现特征匹配;最后,按照特征匹配结果在服装图像库中检索与服装草图相似的服装图像,采用基于距离相关系数的重排序算法对其相似度进行排序并输出检索结果。结果表明,该方法提高了服装检索的准确率,具有较好的鲁棒性,检索准确率可达78. 5%。(本文来源于《纺织学报》期刊2019年07期）
刘丽英,田媚,黄雅平,邹琪[5]（2019）在《融合双向注意的全卷积编解码显着区域检测》一文中研究指出为准确定位复杂背景下的显着区域,优化显着图的稀疏性问题,融合自底向上和自顶向下的注意信息,提出一种全卷积编解码显着区域检测模型.首先构建基于VGG16网络的全卷积网络,并进行与之对称的解码操作;然后在解码过程中自顶向下地将高层特征与低层高分辨率特征相连接,输出不同分辨率特征下的显着图;最后对其采用最小二乘估计法找到最优权值进行加权结合,得到最终的显着图.在5个公开数据集上与当前流行的模型进行对比,结果表明该模型的性能优于其他模型.(本文来源于《计算机辅助设计与图形学学报》期刊2019年07期）
王世峰[6]（2019）在《基于信息融合的图像显着区域检测算法研究》一文中研究指出图像显着区域检测是计算机视觉领域的研究热点,图像显着区域检测的目的是模拟人的视觉注意力机制,选择出图像中最吸引人的部分,为后续的图像处理提供便利。图像显着区域检测在图像分割,目标检测,图像检索等领域都具有非常广泛的应用。随着应用领域的拓展以及应用场景的复杂,显着区域检测技术还在不断的发展。本文对图像显着区域检测的相关理论以及已有的算法进行了分析,并提出了两种显着区域检测方法。基于局部显着信息的频繁项挖掘显着区域检测方法具有较高的准确性,但是检测时使用的局部显着信息会使检测到的显着区域不完整。为了让检测算法在考虑检测准确性的同时,还可以得到较完整的显着区域,本文在基于频繁项挖掘的显着区域检测算法中加入了基于轮廓特征的全局显着信息,提出了基于局部与全局显着信息的显着区域检测方法。实验表明该方法可以得到完整的显着区域,可以提高图像显着区域检测的准确性。基于神经网络的显着区域检测算法是任务驱动的显着区域检测方法。为了使网络能结合不同尺度的显着区域信息,能够利用已有的基于轮廓完整性的先验知识,同时不断的修正自己的检测结果,本文融合了显着先验与输入图像,把全卷积神经网络中不同尺度的特征相互融合,采用基于轮廓完整性显着先验及多尺度特征融合递归全卷积神经网络来进行显着区域检测。实验表明该方法可以得到较好的检测结果。(本文来源于《西北大学》期刊2019-06-01）
利齐律,程良伦,黄国恒[7]（2019）在《基于显着性区域检测的抗干扰车辆颜色识别》一文中研究指出在车辆颜色识别的过程中,车辆图像中主要颜色区域的准确分割、排除非颜色干扰区域始终是个问题。因此提出一种基于显着性区域检测的抗干扰车辆颜色识别算法,针对车辆颜色区域分割不准确问题进行一定程度的改善,去除车辆颜色干扰区域并使用自适应k近邻算法(KNN)进行颜色分类。实验结果表明,该方法能有效分割车辆主要颜色区域,并且能达到比较好的分类识别效果。(本文来源于《工业控制计算机》期刊2019年05期）
李秋柠[8]（2019）在《基于标签语义的图像显着性区域检测算法研究》一文中研究指出互联网科技的进步引发了信息量的急剧增长,互联网图像信息作为其中的重要组成部分,蕴含着丰富的视觉和语义信息。计算机视觉领域的发展能够提升计算机处理图像信息的性能,可以对图像进行更加高效的识别和检测。而显着性检测作为计算机视觉领域的重要分支,其发展对于目标检测、语义分割、无人驾驶等领域都有着重要的研究意义。在图像显着性检测领域,多数方法采用视觉信息作为图像特征,忽略了图像中的语义信息,而语义信息可以让计算机更好地理解图像信息并增强检测效果。针对此不足,本文将图像的标签语义信息作为除视觉特征之外的语义特征,将视觉特征与语义特征相结合,达到丰富图像特征表达、增强图像中显着区域检测效果的作用。同时针对现有的公共数据集中背景简单、类型匮乏的问题,构建了基于标签语义的图像数据集。本文的主要贡献如下:第一,构建了基于标签语义的显着性检测数据集。面向轨道交通领域的应用场景,在公共轨道交通的视频及互联网中收集了 2282张图像,对图像进行了二值图标注和语义标签标注。针对收集到的图像样本不均衡的问题,采用生成对抗网络模型对图像数量进行扩充,为基于标签语义的显着性检测算法设计带来了研究价值。第二,设计了基于卷积神经网络的显着性检测模型。考虑到显着性检测为像素级检测任务,卷积神经网络的深层网络虽然有较高的特征判别性,但经过多次卷积及池化操作后,会丢失一定量的空间像素信息,影响显着性检测的输出结果。本文针对这一问题对卷积神经网络进行优化,将浅层特征与深层卷积特征相融合,并设计了叁种不同的网络模型进行对比,通过实验得出了适合本文显着性检测任务的最优结构。第叁,提出了基于标签语义信息的显着性检测模型。应用类激活映射方法对图像的显着区域进行检测,并在第二个研究工作的基础上,通过基于CRF的融合方法对视觉特征图和语义特征图进行融合,优化输出的显着图。同时,在公共数据集及构建的数据集上与现有的9种方法对比,实验结果表明本文方法在3种评价指标中检测效果更好。(本文来源于《北京交通大学》期刊2019-05-01）
王帅,蒲宝明,李相泽,杨朔,常战国[9]（2019）在《基于区域特征聚类的RGBD显着性物体检测》一文中研究指出本文根据在显着性检测领域的问题,提出一种基于区域特征聚类的RGBD显着性物体检测算法.首先使用结合深度信息的超像素算法对图片分割,提取分割后每个区域的特征构成特征向量.然后使用十个不同带宽的Mean Shift算法对特征向量聚类得到聚类图,并对十个聚类后的图进行显着性计算.通过神经网络把十个显着性图合并成一个显着性图,并把该显着性图作为一个新特征加到上面提到在特征向量中.继续计算显着性图,直到循环达到十次,输出最终的显着性图.通过实验,在叁个RGBD显着性物体数据库中把本算法通过和七个算法进行对比,显示出本算法有更好的性能.(本文来源于《小型微型计算机系统》期刊2019年04期）
董本志,陈迪,景维鹏[10]（2019）在《基于对称性区域过滤的显着性区域检测方法》一文中研究指出为获得精确、完整的目标区域分割图,提出一种基于对称性区域过滤的检测方法来进行图像分割。利用改进的简单线性迭代聚类算法将图像分割成若干超像素,并以超像素为节点建立吸收马尔科夫链。计算转移节点到吸收节点的被吸收时间,将其作为显着值来获取显着图。根据图像目标区域的对称性特征,对显着图进行对称性检测,获取对称轴,通过两侧像素点到对称轴的距离对图像显着值进行区域过滤,从而获得目标图像分割区域。实验结果表明,该方法提取的图像显着目标区域较阈值分割法、最小生成树法和LRR法提取结果更为完整。(本文来源于《计算机工程》期刊2019年05期）
显着性区域检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了提高图片在复杂场景下检测的准确率与鲁棒性,本文提出了一种融合判别区域特征与标签传播的显着性目标检测算法。首先利用判别区域特征方法形成一个判别区域特征显着图;然后利用标签传播算法得到标签传播显着图;最后,通过一个指数函数将两者融合形成最终的目标显着图。本文提出的方法在公开的数据集中测试并与现有的6种算法进行比较,实验结果证明了本文算法的有效性和可靠性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
显着性区域检测论文参考文献
[1].唐红梅,王碧莹,韩力英,周亚同.基于目标紧密性与区域同质性策略的图像显着性检测[J].电子与信息学报.2019
[2].王明,崔冬,李刚,顾广华.融合判别区域特征与标签传播的显着性目标检测[J].燕山大学学报.2019
[3].梁欢,郝晓丽.基于粒空间融合的多特征显着区域检测[J].计算机工程与设计.2019
[4].吴传彬,刘骊,付晓东,刘利军,黄青松.结合显着区域检测和手绘草图的服装图像检索[J].纺织学报.2019
[5].刘丽英,田媚,黄雅平,邹琪.融合双向注意的全卷积编解码显着区域检测[J].计算机辅助设计与图形学学报.2019
[6].王世峰.基于信息融合的图像显着区域检测算法研究[D].西北大学.2019
[7].利齐律,程良伦,黄国恒.基于显着性区域检测的抗干扰车辆颜色识别[J].工业控制计算机.2019
[8].李秋柠.基于标签语义的图像显着性区域检测算法研究[D].北京交通大学.2019
[9].王帅,蒲宝明,李相泽,杨朔,常战国.基于区域特征聚类的RGBD显着性物体检测[J].小型微型计算机系统.2019
[10].董本志,陈迪,景维鹏.基于对称性区域过滤的显着性区域检测方法[J].计算机工程.2019