2023年全國(guó)碩士研究生考試考研英語(yǔ)一試題真題(含答案詳解+作文范文)_第1頁(yè)
已閱讀1頁(yè),還剩61頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、人類有一種驚人的能力,能夠在場(chǎng)景中對(duì)最感興趣的目標(biāo)進(jìn)行視覺(jué)定位。這種能力被稱為視覺(jué)注意力,是目前神經(jīng)科學(xué)和計(jì)算機(jī)視覺(jué)的一個(gè)研究熱點(diǎn)。在計(jì)算機(jī)視覺(jué)領(lǐng)域,它主要包括三個(gè)方面的研究?jī)?nèi)容:眼動(dòng)預(yù)測(cè),顯著性物體檢測(cè),以及似物性采樣。本文主要聚焦顯著性物體檢測(cè),即檢測(cè)一幅圖像中最顯著的物體或區(qū)域,目前這是一個(gè)非常具有挑戰(zhàn)的研究課題。隨著顯著性檢測(cè)研究的發(fā)展,顯著性檢測(cè)在圖像分割、圖像識(shí)別、視頻跟蹤、圖像分類和圖像檢索等領(lǐng)域得到了廣泛地應(yīng)用。

2、  近年來(lái)隨著顯著性檢測(cè)應(yīng)用需求的增長(zhǎng),許多顯著性傳播方法也層出不窮地提出。這些顯著性傳播方法在檢測(cè)背景簡(jiǎn)單圖像時(shí)能達(dá)到較好的顯著性檢測(cè)結(jié)果。然而,在處理復(fù)雜背景的圖像時(shí)仍然面臨挑戰(zhàn)。為了解決這個(gè)問(wèn)題,本文首先提出了一個(gè)簡(jiǎn)單而有效的自底向上的顯著性檢測(cè)模型,該方法融合了弱顯著性檢測(cè)模型和強(qiáng)顯著性檢測(cè)模型,取得了較好的實(shí)驗(yàn)結(jié)果。本文還提出了一種簡(jiǎn)單高效的融合方法,可以進(jìn)一步提升檢測(cè)性能。本文的主要研究工作及創(chuàng)新點(diǎn)如下:
  第一,本

3、文通過(guò)引入空間分布先驗(yàn)和高辨別力的相似性度量,提出了一種簡(jiǎn)單有效的基于背景先驗(yàn)的顯著性檢測(cè)方法。其中空間分布先驗(yàn)用于得到更加準(zhǔn)確可靠的背景種子,高辨別力的相似性度量用于區(qū)分復(fù)雜場(chǎng)景中高度相似的顯著性物體和背景。
  第二,本文提出一種基于節(jié)點(diǎn)先驗(yàn)的顯著性傳播方法。通過(guò)在流形排序中引入節(jié)點(diǎn)先驗(yàn)來(lái)減少背景區(qū)域的錯(cuò)誤傳播。具體過(guò)程是使用相似性度量來(lái)計(jì)算基于背景的粗的顯著性圖,通過(guò)引入均衡分布作為先驗(yàn)來(lái)去除圖像邊界的前景噪聲。基于流行排序

4、,通過(guò)設(shè)置適當(dāng)?shù)墓?jié)點(diǎn),構(gòu)建一個(gè)強(qiáng)大的顯著性傳播機(jī)制來(lái)突出前景對(duì)象,同時(shí)抑制背景區(qū)域。該方法也能用于其他顯著性傳播方法來(lái)提升它們的性能。此外,為了得到光滑的顯著性圖,本文還采用了Sigmoid函數(shù)和快速雙邊濾波對(duì)傳播后的檢查結(jié)果進(jìn)行優(yōu)化處理,優(yōu)化后的結(jié)果在視覺(jué)效果上更加接近真值標(biāo)注。
  第三,本文提出一種基于硬票機(jī)制的顯著性融合方法?,F(xiàn)有方法在處理不同圖像時(shí)往往互有優(yōu)劣,現(xiàn)有文獻(xiàn)也表明許多方法之間具有互補(bǔ)特性。因此,本文采用硬投票

5、機(jī)制來(lái)捕獲這一互補(bǔ)特性,以進(jìn)一步提升顯著性檢測(cè)性能。首先選取世界先進(jìn)的五種顯著性檢測(cè)方法,將這些檢測(cè)方法的檢測(cè)結(jié)果作為輸入圖像。然后采用貝葉斯方法,對(duì)各個(gè)方法得到的顯著性圖進(jìn)行更新,以提升各個(gè)方法的檢測(cè)效果。每幅顯著圖可以被看成是一個(gè)投票者,根據(jù)大津算法設(shè)置一個(gè)參考閾值,當(dāng)顯著圖的顯著性值大于閾值時(shí),投票者投票為(1),當(dāng)顯著圖的顯著性值小于閾值時(shí),投票者投票為(-1)。將投票結(jié)果進(jìn)行加權(quán)相加即得到最終的顯著性融合結(jié)果。
  大量

6、的實(shí)驗(yàn)結(jié)果表明,本文所提出的方法用現(xiàn)有的五個(gè)公開(kāi)數(shù)據(jù)集進(jìn)行測(cè)試,在PR(Precision-Recall)曲線、F-measure、MAE(Mean Absolute Error)以及AUC(Area UnderROC)評(píng)價(jià)指標(biāo)方面,與十五個(gè)世界先進(jìn)的方法相比較,均體現(xiàn)出優(yōu)異的性能。此外,本文所提出的相似性度量和節(jié)點(diǎn)先驗(yàn)也可以應(yīng)用于現(xiàn)有的其他顯著性傳播模型中,可有效地提高傳播模型的顯著性檢測(cè)性能。通過(guò)本文的融合方法還可進(jìn)一步提升檢測(cè)性能

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論