通过概率分布预测的端到端的显著性映射数字图像处理课程设计_毕业论文.doc

综合课程设计 （计算机） 题 目: 通过概率分布预测的端 到端的显著性映射 学 院： 理学院 班 级： 学 生 姓 名： 学 生 学 号： 指 导 教 师： 2016年 12月 24日 课程设计任务书 姓名 班级 学号 设计题目 通过概率分布预测的端到端显著性映射 设计目标 介绍一个新的显著图模型制定一个地图作为广义伯努利分布。然后，训练深层架构，使用新的损失函数来预测这样的地图，其将softmax激活函数与设计为计算概率分布之间的距离的度量配对。在广泛的实验中展示了这样的损失函数在四个公共基准数据集上的标准函数的有效性，并且证明了相对于最先进的显著性方法改进的性能。 研究方法步骤 预期结果 一种新的显著性配方和模型，用于预测输入图像的显著图。 使用目标函数训练深度网络，该目标函数以概率分布的形式捕获目标和预测地图之间的距离。 对四个数据集的实验证明了本方法相对于其他损失函数和其他最先进的显著性估计方法的优越性能。 计划与进步的安排 第1、2天：查找题目相关的文献资料； 第3、4天：粗读论文，了解其研究背景、相关工作和实验结果； 第 5-7 天：详读论文，理解核心工作极其创新点； 第8-10天：根据文章撰写课程设计报告； 第 11 天：从网上有哪些信誉好的足球投注网站PPT模板并制作答辩PPT； 第 12 天：汇报答辩，并根据教师提出的问题修改报告和PPT。  目录 摘要 I 1 引言 1 2　相关工作 2 3　本文要点 3 3.1 问题模型 5 3.2 算法设计 6 4　实验 7 5　结论 8 6　课程设计心得体会 10 7 参考文献 11 注：（1）页脚：从摘要开始进行页码编号Ⅰ,Ⅱ……； （2）目录内容用宋体4号； （3）目录可根据英文原文适当调整，包括2级标题、3级标题的设置等。  摘要 最显著性估计方法旨在显式地建模诸如边缘或斑点的低级别醒目提示，并且可以另外使用面部或文本检测来并入自上而下的提示。使用眼睛数据训练显著性模型的数据驱动方法越来越受欢迎，特别是随着大规模数据集和深层架构的引入。然而，后者范例中的当前方法使用为分类或回归任务设计的损失函数，而在地形图上评估显著性估计。在这项工作中，我们介绍一个新的显著图模型制定一个地图作为广义伯努利分布。然后，我们训练深层架构，使用新的损失函数来预测这样的地图，其将softmax激活函数与设计为计算概率分布之间的距离的度量配对。我们在广泛的实验中展示了这样的损失函数在四个公共基准数据集上的标准函数的有效性，并且证明了相对于最先进的显著性方法改进的性能。 关键词：广义伯努利分布，损失函数，显著性方法 1 引言 这项工作涉及视觉注意预测，特别是，当给定输入图像时预测地形视觉显著图。 传统上，视觉注意在计算机视觉中用作预处理步骤，以便将后续处理集中在图像中感兴趣的区域上，随着视觉模型和数据集尺寸增加，视觉注意作为越来越重要的步骤。 显著图预测已经在诸如自动图像裁剪。内容感知图像大小调整，图像缩略图，物体识别和融合场景以及人类行为分类。传统显著性模型，如Itti等人的开创性工作。侧重于设计明确建模生物系统的机制。 另一种流行的注意建模范例涉及使用数据驱动方法来学习补丁级分类器，其给予局部图像补丁“显著性得分”，使用眼睛数据来导出训练标签。最近出现的一种趋势与这两种模式相交：使用分层模型提取显著图，其中模型权重以受监督的方式被学习。特别地，已经成功地用于诸如分类或对象定位的语义标记任务中的端对端或“深”体系结构已经被重新用作注意模型。这种趋势通过引入使用新颖的眼动移动收集范例创建的大视觉注意数据集而得以促进[16,43]。然而，虽然这些深层方法集中在设计适当的架构以提取显著图，但是它们继续使用适用于语义任务的损失函数，例如分类或回归损失。 2 相关工作 现有的方法可以被组织成四个大类中的一个，基于它们是否涉及浅的或深的架构，以及无监督的或监督的学习范例。 我们将依次讨论这些大类。 对于一个优秀的显著性估计方法的调查，请参考[2]。 无监督的浅层方法大多数早期的显著性工作建立在人类研究的心理和心理物理注意模型上。 Koch和Ullman [20]首先使用特征整合理论[40]来提出一组基本线索的单独地形图，例如颜色，对比度和运动，并将它们组合起来以产生显著的全局地形图。 他们的模型是使用一个简单的神经电路实现的赢家获得所有和抑制回程机制。 在[13]中通过将特征图组合在一组更广泛的模态（42个这样的图）和对真实世界图像的测试