 |
-- 會員 / 註冊 --
|
 |
|
|
|
圖像顯著區域提取方法及其應用研究 ( 簡體 字) |
| 作者：梁曄 | 類別：1. -> 教材 -> 數位影像處理 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 53022
詢問書籍請說出此書號！【有庫存】
NT售價： 445 元 |
| 出版日：6/1/2020 |
| 頁數：148 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121391026 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：基于選擇注意力機制的顯著性檢測技術已經成為計算機視覺和圖像領域的研究熱點，廣泛應用于目標檢測、圖像分割、圖像壓縮、圖像檢索和場景分析等領域中。顯著性檢測模型的本質是讓計算機模仿人類視覺系統去理解和分析圖像，然而這是一件非常困難的事情，面臨著許多挑戰。人類視覺系統極其復雜，處理原理和具體過程仍然沒有完全被研究人員所掌握，本身就具有巨大的挑戰。因此，顯著性模型目前仍然沒有統一完整的理論框架，有待進一步研究和完善。
隨著互聯網的普及，傳統的休閑娛樂方式不再是娛樂的主體，人們更多地選擇線上的娛樂方式和通信工具。在這個背景下，社交平臺應運而生，圖片社交已經成為社交平臺的主流功能。圖片社交帶來了海量的社交媒體圖像，有限的計算資源如何對其進行快速有效的處理已經成為亟待解決的問題。本書研究的主要動因來自社交網站的圖片處理壓力，本書以顯著性檢測技術為切入點，選擇圖像顯著區域提取方法為主要研究內容，并以圖像分類機器視覺任務作為顯著區域提取方法的應用延伸，具有非常重要的理論意義和應用價值。本書的具體研究內容概括如下。
（1）針對目前尚沒有面向社交媒體圖像的顯著性數據集現狀，構建了此類顯著性數據集，詳細論述了數據集的圖像來源、圖像的篩選原則、圖像的標注及數據集的統計分析。為了驗證新建數據集的性能，對新建數據集和目前流行的7個顯著性數據集進行性能評測。實驗結果表明，新建數據集具有顯著區域尺寸豐富、與圖像邊界連接度高、不具有明顯中心先驗、顯著區域與圖像的顏色差異小等優點。此數據集為顯著性檢測研究提供了新的測試對象，而且標簽信息也為新的顯著區域提取方法提供了條件。
（2）研究表明，單純依賴圖像底層特征進行顯著區域提取已經不能取得令人滿意的效果，越來越多的提取方法轉向機器學習和高層語義。基于此，充分考慮社交媒體圖像帶有語義標簽的特點，提出了基于條件隨機場模型的顯著區域提取方法。該方法同時考慮圖像外觀特征和標簽上下文信息，縮小了圖像高級語義和低級特征之間的距離。
（3）深度學習技術正廣泛應用于圖像的顯著區域提取任務，雖然基于深度學習特征的顯著區域提取結果整體優于基于人工設計特征提取結果，但提取效果仍存在個體圖像差異。基于此，提出了面向社交媒體圖像的基于多特征的顯著區域提取方法，既包括深度學習特征又包括人工設計特征。采用的深度學習特征包括卷積神經網絡特征和標簽語義特征。此外，將經典的基于人工設計特征提取方法的結果作為基于深度學習特征提取結果的有益補充，提出了基于標簽和圖像外觀的顯著圖動態融合方法，此融合方法依賴于個體圖像。
（4）根據圖像是否包含顯著區域，將圖像庫分為場景類圖像庫和對象類圖像庫。對于場景類圖像庫，提出了多環劃分的特征池化區域選擇方法和多視覺詞硬編碼方法，兩種方法相結合能夠對場景類圖像庫進行快速分類。對于對象類圖像庫，提出了基于顯著性的軟編碼方法，既突出了顯著區域對于對象類圖像庫的重要性，又體現了局部性空間約束對編碼一致性的重要作用。實驗結果證明了顯著性能夠為圖像分類方法提供新思路。
本書的出版得到北京市信息服務工程重點實驗室、國家自然科學基金項目“無人車多視視頻信息獲取與定位關鍵技術”（項目編號：61871038）和北京市屬高校一流專業軟件工程專業建設項目的資助。在本書的出版過程中，得到了北京聯合大學機器人學院領導和同事的大力支持與幫助，電子工業出版社的許存權編輯在本書的編寫過程中提出了很多寶貴意見和建議，在此向他們一并表示深切的感謝。
本書對從事計算機視覺工作的相關人員具有一定的借鑒與啟發意義，但面對信息技術和人工智能的大勢洪流，我自知自己學識的匱乏和局限，我的所學所研更像是學海浮萍。囿于我的水平，故懇請各位同行斧正。 |
內容簡介：本書密切跟蹤國際前沿研究主流的發展趨勢，探析了顯著區域提取的研究方向、顯著區域的提取方法及其應用，以顯著性檢測的關鍵因素為導向，以論述基礎概念、研究相關算法、提出可行模型為主線，構建了面向社群圖像的顯著性數據集，提出了顯著區域提取模型，并利用顯著性檢測技術有效地解決了對象類圖像庫的分類問題。 本書可作為高等院校和科研機構計算機科學與技術相關專業本科生和研究生的教學參考書，也可以作為計算機視覺領域技術人員的參考書。 |
目錄：第1章 緒論 1
1.1 研究背景和意義 1
1.2 研究現狀 6
1.2.1 顯著區域提取方法的研究現狀及分析 6
1.2.2 顯著性數據集的研究現狀及分析 12
1.3 本書的主要研究內容 18
1.4 本書的內容安排 19
第2章 面向社交媒體圖像的顯著性數據集 21
2.1 引言 21
2.2 數據集的圖像篩選原則與性能評測方法 22
2.2.1 圖像篩選原則 22
2.2.2 數據集的性能評測方法 25
2.3 面向社交媒體圖像的顯著性數據集的構建 30
2.3.1 圖像來源 30
2.3.2 圖像標注 31
2.3.3 圖像篩選 32
2.3.4 數據集的統計分析與性能評測 32
2.3.5 數據集的典型圖像 36
2.3.6 數據集的標簽信息統計 38
2.4 本章小結 38
第3章 基于標簽上下文的顯著區域提取方法 40
3.1 引言 40
3.2 顯著區域提取流程 41
3.3 顯著區域提取方法建模 43
3.3.1 條件隨機場模型介紹 43
3.3.2 提取方法的模型描述 43
3.4 基于圖像外觀的顯著性計算 45
3.4.1 多尺度的區域分割 45
3.4.2 顯著性計算 46
3.4.3 空間一致性優化 47
3.4.4 多尺度顯著圖融合 48
3.5 標簽語義特征計算 48
3.6 實驗 50
3.6.1 實驗設置 50
3.6.2 評價指標 52
3.6.3 標簽有效性的驗證實驗 53
3.6.4 與流行方法的比較 56
3.7 本章小結 61
第4章 基于多特征的顯著區域提取方法 62
4.1 引言 62
4.1.1 圖像特征的獲取方法 62
4.1.2 卷積神經網絡 63
4.1.3 基于層次結構的顯著區域提取方法 65
4.2 基于多特征的顯著區域提取方法流程 66
4.3 基于深度學習特征的顯著區域提取 67
4.3.1 基于CNN特征的顯著性計算 67
4.3.2 標簽語義特征計算 71
4.3.3 顯著圖和標簽語義圖的融合 72
4.4 基于人工設計特征的顯著區域提取 72
4.5 圖像依賴的顯著圖動態融合 74
4.5.1 方法思想 74
4.5.2 訓練階段 76
4.5.3 測試階段 76
4.5.4 基于投票機制的顯著圖融合 77
4.6 空間一致性優化 79
4.7 實驗 80
4.7.1 實驗設置 80
4.7.2 SID數據集上的實驗 82
4.7.3 流行數據集上的實驗 89
4.7.4 基于深度學習特征提取方法和基于人工設計特征提取方法的比較 91
4.8 本章小結 92
第5章 顯著性在圖像分類中的應用 93
5.1 基于顯著性的圖像分類框架 93
5.1.1 分析思想的由來 93
5.1.2 圖像庫的顯著性分析 95
5.1.3 分類框架 96
5.2 特征編碼技術和特征池化技術 97
5.2.1 符號說明 97
5.2.2 特征編碼技術 98
5.2.3 特征池化技術 101
5.3 面向場景類圖像庫的分類方法 104
5.3.1 多環劃分的特征池化區域選擇方法 104
5.3.2 多視覺詞硬編碼方法 107
5.3.3 實驗 108
5.4 面向對象類圖像庫的分類方法 112
5.4.1 基于顯著性和空間局部約束的軟編碼方法 112
5.4.2 實驗 114
5.5 本章小結 116
第6章 總結與展望 117
6.1 總結 117
6.2 展望 118
參考文獻 120 |
| 序： |
|
