导读:本文包含了显着物体论文开题报告文献综述及选题提纲参考文献，主要关键词:显着性,贝叶斯,自信息,超像素
显着物体论文文献综述
黄炜亮,段先华[1]（2019）在《基于贝叶斯框架的显着物体检测》一文中研究指出传统显着性方法仅能检测出目标物体的边缘或角点等方面信息,无法完整分割出显着物体整体。为解决以上问题,论文考虑以超像素为基本处理单元,而不是仅仅计算单个像素点信息,通过综合考虑相邻超像素之间的紧致性及颜色关系等因素,优化得到超像素级显着图。其次,通过似物性计算目标物体粗糙检测区域作为位置信息。最后通过贝叶斯框架融合各部分先验信息,计算得到最终的显着物体后验概率,并以此为优化后的似物性方法评分标准,最终检测出显着物体。在标准公开数据集MSRA上的实验结果表明论文超像素级显着图精度明显高于其他8种传统显着性算法,最终在显着图上的搜索能够完整检测出显着物体。(本文来源于《计算机与数字工程》期刊2019年08期）
黄炜亮,段先华,徐丹,张明,于跃成[2]（2019）在《融合颜色显着性和似物性的显着物体检测》一文中研究指出文中提出一种融合颜色显着性和似物性的对象级显着性检测方法.首先量化并计算像素点在RGB空间下的稀疏性以及在LAB空间中的对比度,得到像素级的显着性;其次对原图像进行超像素分割,以超像素内所有像素的显着性均值作为该超像素的显着值,通过能量函数平滑优化相邻的超像素,得到前景分割明显且变化较小的超像素级显着性;然后优化原似物性方法,通过中心环绕法则融合显着性值和似物性值,作为对象级显着性的贝叶斯先验概率,计算似物性窗口内显着物体与窗口像素的比值,得到似然概率;最后通过贝叶斯模型计算,得到显着物体后验概率,并以此作为似物性窗口的评分标准.在MSRA-1000和ECSSD数据集上先将颜色显着性方法与8种state-of-the-art显着性方法相比较,显着性检测效果较好,检测精度高于其他几种方法.将优化后的似物性与另外3种方法对比,优化结果能使检测窗口大量覆盖于显着图中目标物体上方.将文中显着物体检测方法与同样融合了似物性的显着物体检测方法进行比较,结果表明文中方法较其他方法能够更精确、更完整检测出显着物体.(本文来源于《江苏科技大学学报(自然科学版)》期刊2019年04期）
张绳富,董蓉,李勃[3]（2019）在《基于颜色先验的显着性物体检测》一文中研究指出传统的显着性检测算法主要基于中心先验、边界先验建立检测模型,但是在实际应用中,这些先验信息不一定都适用,比如机器视觉领域很多图像显着性区域位于图像边界,因此针对传统显着性算法的缺点,根据实际应用需求提出基于颜色先验和高斯混合模型的算法,不需要局限于中心和边界先验。首先通过高斯混合模型在Lab颜色空间根据颜色将图像中的像素聚类,根据颜色先验和结构相似性算法将子高斯模型分为前景子高斯模型和背景子高斯模型,此时的分割结果比较粗糙、噪点较多,通过条件随机场对此进行优化,获得最终的边界准确度较高的显着性区域。所述算法直接通过高斯混合模型对像素进行聚类,没有利用中心、边界先验,应用高斯混合模型保证获得准确稳定的边界,能够检测位于边界的显着性区域,与传统的显着性检测算法相比准确度更高。(本文来源于《现代制造工程》期刊2019年04期）
张晴,李云[4]（2019）在《基于马尔科夫链和物体先验的显着物体检测》一文中研究指出针对现有算法不能较好完整高亮显着物体和有效抑制背景问题,提出一种结合物体先验和吸收马尔科夫链的显着物体检测模型。根据熵信息自适应确定区域分割的超像素个数,利用边界连通性准则筛选出边界背景节点,利用吸收马尔科夫链进行初步显着性计算,将其与基于物体先验的显着性计算结果相融合,将融合图进行二值分割得到的背景节点信息作为吸收节点,再次进行随机游走计算得到最终的显着图。实验在4个公开的图像数据集上与16种流行算法就5种客观评价指标和直观的视觉检测效果进行比较,比较结果表明了所提算法的有效性。(本文来源于《计算机工程与设计》期刊2019年04期）
王帅,蒲宝明,李相泽,杨朔,常战国[5]（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）
谭秀莉[6]（2019）在《基于注意力机制的显着物体检测方法及应用》一文中研究指出近年来,通过学者们的不懈努力,计算机视觉得到了快速发展,显着性检测也在机器学习和图像处理等领域得到了更为广泛的应用,其中包括目标识别、图像检索、图像分类、语义分割及图像问答等方面。但是,随着图像数据集的不断扩充以及场景复杂度的增加,传统的显着物体检测方法已经很难满足研究者们的需求,在许多计算机视觉任务(如边缘检测和语义分割)中难以捕获语义信息,存在很大的局限性。最近,随着深度学习技术的迅速发展,显着物体检测已经取得了很大的进步。但是,在移动设备的后续应用中,仍然存在低分辨率输出和较大的模型冗余两个主要的挑战。因此,本文研究精确的轻量级深度显着物体检测网络。本文主要研究工作如下:1.本文在HED结构中引入残差学习用于显着物体检测。首先,利用最深层网络较强的语义捕获能力,预测分辨率较低的初始显着性图,然后在各个侧输出依次预测其与真值标注之间的残差,以此来逐步提高显着性图的分辨率。由于只需学习残差特征,可以显着地减少网络模型的参数。相比于现有的其它深度显着性检测网络,本文方法不仅可以得到高分辨率的显着性图,而且网络参数更少,模型也更紧致。2.进一步提出反向注意力机制来引导侧输出残差学习。主要就是利用自顶向下的思想,根据网络中深层特征语义置信度高但分辨率低的特点,通过从侧输出特征中擦除当前预测的显着区域,从而引导整个网络依次地发现缺失的物体区域和细节,其中当前预测是从较深层的侧输出特征中上采样得到的。这种自顶向下的实现方式,能够让网络集中于未检测区域,有效快速地捕获残差细节,加快网络收敛并能显着地提高性能。3.通过将显着性先验作为显着性检测网络的初始输入来进一步减小网络模型大小。本文设计两种方案生成初始显着性预测图,即从卷积神经网络(Convolution neural network,CNN)中学习和使用现有的显着性先验(Saliencyprior)。实验结果表明,无论这些初始预测精确与否,通过基于反向注意力的侧输出残差学习之后,都可以被提升到与现有最好方法相似的性能。4.受益于侧输出残差学习单元以及反向注意力机制模块,本文方法取得了当前更好的性能,并且在简单性、效率(45FPS)和模型大小(81MB)上更具优势。通过利用现有的显着性先验图作为初始预测,在保持精度的同时,模型大小可进一步减小到60.7MB。大量的实验结果表明,本文所提出的方法在现有的几个公开数据集中,在PR(Precision-Recall)曲线、F-measure、MAE(Mean Absolute Error)以及 SM(Structure-measure)评价指标方面,与多个先进的方法相比均体现出优异的性能。另外,平均运行时间也远小于现有方法。因此,到目前为止,本文方法的实用性更高。另外,本文也将显着性检测结果用于背景虚化,取得了较好的视觉效果。(本文来源于《扬州大学》期刊2019-04-01）
李巍,王鸥,田庆阳,梁凯,谭学军[7]（2019）在《融合轮廓提取的显着性物体完整性检测方法》一文中研究指出针对现有基于背景模板的方法不能完整检测部分区域与背景具有相似特征的显着性目标这一问题,提出了一种基于轮廓检测的显着性目标完整性检测方法。首先,提取输入图像的初始轮廓,利用提出的基于虚拟连接的轮廓处理方案合并相邻的轮廓并移除孤立的轮廓,利用设计的基于最短路径的闭环搜寻方案合并距离较远的轮廓,获取基于轮廓检测的显着图。然后,利用自适应阈值分割算法处理基于背景模板抑制的显着图,获取二值化显着图与显着像素点。通过去除含有显着像素点比例小于指定阈值的轮廓完整区域,获取优化的基于轮廓检测的显着图。最后,将其与二值化显着图进行融合,获取完整显着图。实验结果表明,该方法针对显着性目标位于任意位置的图像均能取得较好的显着图。(本文来源于《计算机技术与发展》期刊2019年06期）
许佳,蒋鹏[8]（2019）在《视觉和物体显着性检测方法》一文中研究指出显着性检测的目标是快速找出图像视频等视觉数据中最吸引人注意的区域,作为计算机视觉领域的基本任务之一,近年来备受关注,众多的方法被提出。这些显着性检测工作可分为2个分支:视觉显着性检测方法和显着性物体检测方法。尽管这2个分支的方法有很多相同点甚至共享相同的计算模型,但是在不同分支的评价数据集上有巨大的性能差异,很少有工作对这2个分支的方法进行比较和分析。通过详细分析和阐述2个分支主流方法的计算模型、采用的评价机制以及使用的数据集,总结了多种改进视觉显着性检测方法用来检测显着性物体的方式,通过这些方式视觉显着性检测方法可应用于显着性物体检测数据集,其性能达到了领先水平甚至超过了一些主流显着性物体检测方法,从而缓解了2个分支显着性检测方法在不同分支数据集上表现的不一致的问题。(本文来源于《山东大学学报(理学版)》期刊2019年03期）
颜小运[9]（2018）在《自然场景图像中显着物体检测方法研究》一文中研究指出自然场景图像中显着物体检测是近十年来在计算机视觉领域中快速发展的一个新兴研究分支。不同于传统的物体检测、识别和图像分割等领域,显着物体检测的任务是检测并分割出图像中的显着物体,而不是检测和分割出图像中所有的物体或区域。另外,一般而言,显着物体检测的输出结果也不是传统物体检测任务的目标框,而是用显着图来反映图像各区域是否属于显着物体。从本质上说,显着物体检测涉及两个核心问题。即:第一、应采用何种方式去比较图像各区域之间的差异。第二、应使用何种特征去度量显着性,以及怎样定义从特征到显着值的映射函数。围绕这两个核心问题,本文开展了以下的研究。首先,针对许多算法常依据“背景先验”选择对比区域和仅使用底层特征的这两点不足,本文提出了基于特征空间分布的显着物体检测方法(简记为FSD)。该方法首先计算含有语义信息的高层特征在图像平面空间的分布值,然后依此挑选对比区域用于显着性检测。相比依据“背景先验”的方法,FSD能够自适应地选择覆盖更多背景区域的对比区域,且对显着物体的空间位置不敏感。另外,FSD在计算中仅使用含有语义信息的高层特征,其比许多算法使用的底层特征具有更强的区分和判别能力。这些特点使得FSD能有效减少处理复杂图像时所产生的虚警和漏警。然后,针对传统方法所用的特征不能有效检测复杂图像显着性的问题,本文提出了基于多层次特征学习的显着物体检测方法(简记为MFL)。其在FSD的基础上,定义了包含全局对比、局部对比和自身响应信息的多层次深度特征,这样既能从全局和局部对比的角度共同度量显着性,且同时也引入了人的经验知识。此外,MFL将FSD中人为定义从特征到显着值的映射函数的方式发展到通过训练样本自动学习映射函数的方式,使得算法能够自己学习到合理利用特征各维度的方法。这些特点使得MFL对复杂图像具有更强的检测能力。进一步地,针对离线学习的显着性检测方法都没有对样本进行针对性训练的不足,以及为了简化FSD和MFL求取显着图的过程,本文提出了基于提升物体级别显着性的检测方法(简记为BOS)。其使用物体建议区域作为计算单元,既简化了生成显着图的过程,还提高了显着图的质量。更重要的是,本文在BOS中提出了提升森林算法用于对容易错分的样本进行有针对性的提升训练,进而更有效地学习到复杂图像中的显着值映射函数。BOS也因此拥有对易错误分类样本的强鲁棒性。最后,针对目前深度学习方法的网络结构普遍复杂而实时性较差,且对复杂图像的检测能力不足的问题,论文提出了基于多层次特征生成网络的显着物体检测方法(简记为MFGN),其以MFL方法为基础,用一个结构简洁的端对端网络实现了MFL中提取多层次特征的思想,且其特征还具有多尺度上下文信息的表达能力,以及同时利用语义和细节信息的特点,这使得MFGN能以33FPS的速度实时和有效地检测复杂图像中的显着物体。(本文来源于《华中科技大学》期刊2018-12-01）
王豪聪,赵晓叶,彭力[10]（2018）在《基于前景增强与背景抑制的显着性物体检测》一文中研究指出显着性物体检测的关键在于准确地突出前景区域,多数传统方法在处理复杂背景图像时效果不理想。针对上述问题,提出了一种基于前景增强与背景抑制的显着性物体检测方法。首先,利用简单线性迭代聚类(SLIC)将图像进行分割得到多个超像素区域,通过区域间的对比和边界信息分别获得图像的显着区域与背景种子,并通过计算得到基于区域间对比和基于背景的两幅显着图。然后,在两幅图像中运用Seam Carving和Graph-based的图像分割法区分显着与非显着区域,进而得到前景增强与背景抑制模板。最终,融合两幅显着图与模板得到最终的显着图。在公开数据集MSRA-1000上对算法进行验证,结果表明,所提算法与7种主流算法相比具有更好的查准率和查全率。(本文来源于《计算机工程与科学》期刊2018年06期）
显着物体论文开题报告
（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：
文中提出一种融合颜色显着性和似物性的对象级显着性检测方法.首先量化并计算像素点在RGB空间下的稀疏性以及在LAB空间中的对比度,得到像素级的显着性;其次对原图像进行超像素分割,以超像素内所有像素的显着性均值作为该超像素的显着值,通过能量函数平滑优化相邻的超像素,得到前景分割明显且变化较小的超像素级显着性;然后优化原似物性方法,通过中心环绕法则融合显着性值和似物性值,作为对象级显着性的贝叶斯先验概率,计算似物性窗口内显着物体与窗口像素的比值,得到似然概率;最后通过贝叶斯模型计算,得到显着物体后验概率,并以此作为似物性窗口的评分标准.在MSRA-1000和ECSSD数据集上先将颜色显着性方法与8种state-of-the-art显着性方法相比较,显着性检测效果较好,检测精度高于其他几种方法.将优化后的似物性与另外3种方法对比,优化结果能使检测窗口大量覆盖于显着图中目标物体上方.将文中显着物体检测方法与同样融合了似物性的显着物体检测方法进行比较,结果表明文中方法较其他方法能够更精确、更完整检测出显着物体.
（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。
显着物体论文参考文献
[1].黄炜亮,段先华.基于贝叶斯框架的显着物体检测[J].计算机与数字工程.2019
[2].黄炜亮,段先华,徐丹,张明,于跃成.融合颜色显着性和似物性的显着物体检测[J].江苏科技大学学报(自然科学版).2019
[3].张绳富,董蓉,李勃.基于颜色先验的显着性物体检测[J].现代制造工程.2019
[4].张晴,李云.基于马尔科夫链和物体先验的显着物体检测[J].计算机工程与设计.2019
[5].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
[6].谭秀莉.基于注意力机制的显着物体检测方法及应用[D].扬州大学.2019
[7].李巍,王鸥,田庆阳,梁凯,谭学军.融合轮廓提取的显着性物体完整性检测方法[J].计算机技术与发展.2019
[8].许佳,蒋鹏.视觉和物体显着性检测方法[J].山东大学学报(理学版).2019
[9].颜小运.自然场景图像中显着物体检测方法研究[D].华中科技大学.2018
[10].王豪聪,赵晓叶,彭力.基于前景增强与背景抑制的显着性物体检测[J].计算机工程与科学.2018