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133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、顯著性檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域中的熱點(diǎn)問(wèn)題之一,其目的是令計(jì)算機(jī)具備人類視覺(jué)處理信息的能力,使其能夠自動(dòng)找到圖像中吸引視覺(jué)注意力的區(qū)域。經(jīng)過(guò)近二十年的發(fā)展,視覺(jué)顯著性技術(shù)取得了長(zhǎng)足的進(jìn)步。對(duì)于大多數(shù)目標(biāo)內(nèi)部特征趨于一致且背景比較干凈的圖像,現(xiàn)有的顯著性檢測(cè)技術(shù)取得了令人滿意的效果,但是復(fù)雜場(chǎng)景下的顯著性檢測(cè)仍然面臨著許多挑戰(zhàn)。
  本文主要針對(duì)自然圖像的顯著性目標(biāo)檢測(cè)與顯著性融合兩個(gè)方面展開(kāi)研究,主要的研究成果包括:
  (1)

2、本文提出了一種基于雙結(jié)構(gòu)化核范數(shù)的矩陣分解模型(DSNMD)用于顯著性目標(biāo)檢測(cè)。在DSNMD模型中,第一次引入了樹(shù)結(jié)構(gòu)的核范數(shù)(TSN)概念分別刻畫(huà)感興趣目標(biāo)區(qū)域和背景區(qū)域潛在的結(jié)構(gòu)信息,包括全局結(jié)構(gòu)、局部結(jié)構(gòu)以及每個(gè)樹(shù)結(jié)點(diǎn)的內(nèi)部結(jié)構(gòu)。TSN同時(shí)具備了核范數(shù)以及與稀疏相關(guān)范數(shù)在顯著性目標(biāo)檢測(cè)中的優(yōu)點(diǎn)。此外,高層先驗(yàn)信息被嵌入到DSNMD模型中,進(jìn)一步提高了顯著性目標(biāo)檢測(cè)的性能。實(shí)驗(yàn)結(jié)果表明,該方法優(yōu)于目前其它非監(jiān)督的顯著性目標(biāo)檢測(cè)方法,

3、與監(jiān)督的方法具有高度可比性。
  (2)基于圖像分類框架,本文提出了一種基于空間約束編碼的自頂向下的顯著性目標(biāo)檢測(cè)方法,其結(jié)果是產(chǎn)生針對(duì)特定目標(biāo)類別的顯著圖。該方法將空間信息引入到特征編碼中,建立了一種簡(jiǎn)單有效的局部約束上下文編碼方法(LCCC),使得只有來(lái)自于相同語(yǔ)境的超像素才具有相似的碼字并以此提升其判別能力。此外,為了進(jìn)一步使用到特征的局部語(yǔ)境信息,提出了一種多尺度的上下文匯聚方法。結(jié)合LCCC編碼方法和上下文匯聚策略后得到

4、的特征表示具有更強(qiáng)的判別能力,從而使得本文提出的自頂向下的顯著性目標(biāo)檢測(cè)方法更具魯棒性。最后,使用圖像的似物性檢測(cè)結(jié)果對(duì)得到的自頂向下的檢測(cè)結(jié)果進(jìn)行顯著性增強(qiáng)。實(shí)驗(yàn)表明,相比于現(xiàn)有的方法,該方法可以產(chǎn)生更加準(zhǔn)確的顯著性檢測(cè)結(jié)果。
  (3)通過(guò)分析現(xiàn)有顯著性檢測(cè)算法的結(jié)果可以得到兩點(diǎn)結(jié)論:第一,不同顯著性檢測(cè)方法對(duì)于同一副圖像的檢測(cè)結(jié)果不同;第二,這些結(jié)果在一定程度上可以優(yōu)勢(shì)互補(bǔ)?;诖耍疚奶岢隽艘环N基于穩(wěn)健主成分分析的顯著性融

5、合方法,旨在得到一個(gè)性能優(yōu)于所有單個(gè)顯著性檢測(cè)方法的融合結(jié)果。該方法把顯著性融合轉(zhuǎn)化為一個(gè)低秩矩陣恢復(fù)問(wèn)題,并使用經(jīng)典的穩(wěn)健主成分分析模型(RPCA)進(jìn)行低秩矩陣恢復(fù)。實(shí)驗(yàn)結(jié)果表明,所提出的融合方法能夠繼承不同顯著性模型的優(yōu)點(diǎn),得到一個(gè)更加準(zhǔn)確的顯著目標(biāo)檢測(cè)結(jié)果。顯著性融合方法的提出為顯著性檢測(cè)方法的研究提供了一個(gè)嶄新的視角。
  (4)本文在基于穩(wěn)健主成分分析的顯著性融合方法的基礎(chǔ)上,建立了一個(gè)雙低秩的矩陣恢復(fù)模型(DLRMR)

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