認知規(guī)律啟發(fā)的顯著性物體檢測方法與評測

定　價：￥39.00

作　者：	范登平
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111715023	出版時間：	2023-01-01	包裝：	平裝-膠訂
開本：	32開	頁數(shù)：		字數(shù)：

內容簡介

　　《認知規(guī)律啟發(fā)的顯著性物體檢測方法與評測》的作者范登平博士在蘇黎世聯(lián)邦理工學院全職從事研究工作。本書的研究內容緊密結合了人類視覺認知機制和顯著性計算技術，所提出的核心技術為計算機視覺的諸多任務提供了重要的技術基礎。由范博士設計的兩項指標已經(jīng)成為SOD領域評測模型的黃金標準，為該領域的學術共同體提供了更加全面、客觀的結果?！墩J知規(guī)律啟發(fā)的顯著性物體檢測方法與評測》共七章：第1章緒論，介紹本書的研究背景并簡述研究目標和主要貢獻。第2章相關工作，介紹相關工作，包括圖像顯著性物體檢測、視頻顯著性物體檢測、非二進制顯著性物體檢測評價指標和二進制顯著性物體檢測評價指標。第3章富上下文環(huán)境下的顯著性物體檢測數(shù)據(jù)集與評測，詳細介紹富上下文環(huán)境下的顯著性物體檢測數(shù)據(jù)集與評測，包括顯著性物體檢測數(shù)據(jù)集的構建和基于屬性的評測。第4章基于注意力轉移機制的視頻顯著性物體檢測，詳細介紹本書提出的基于注意力轉移機制的視頻顯著性物體檢測技術、新的視頻顯著物體檢測數(shù)據(jù)集以及模型的評測。第5章基于結構相似性的顯著性檢測評價指標，詳細討論本書提出的基于結構相似性的顯著性檢測評價指標，并利用該評價指標對多種基于深度學習的模型進行評測。第6章基于局部和全局匹配的顯著性物體檢測評價指標，討論了本書提出的基于局部和全局匹配的顯著性物體檢測評價指標，該指標主要針對物體分割之后的二值顯著圖的評價，通過一系列元度量實驗，證明了該指標*符合人眼的感知。第7章總結與展望，總結全書并討論未來的研究方向。

作者簡介

　　范登平，蘇黎世聯(lián)邦理工學院博士后研究員，曾任阿聯(lián)酋起源人工智能研究院（IIAI）研究員、阿里巴巴達摩院高級算法工程師。長期從事計算機視覺領域中基礎理論和應用的研究，在認知規(guī)律啟發(fā)的視覺場景理解和評價準則方面取得了重要突破。在國內外權威期刊和會議上發(fā)表CCF A類論文近40篇（含6篇IEEE TPAMI論文），連續(xù)兩年入選CVPR Best Paper Finalists，榮獲首屆計圖開發(fā)者大會杰出論文獎和*具影響力（應用）論文獎，連續(xù)兩次入選由美國斯坦福大學公布的全球前2%科學家榜單（2021年、 2022年）?！皞窝b目標檢測”任務被英國權威雜志New Scientist撰文報道，獲中國專利6項、美國專利3項。擔任中國計算機學會計算機視覺專業(yè)委員會委員、IEEE高級會員、CVPR 2023領域主席、第七屆MICCAI眼科醫(yī)學影像分析研討會領域主席，擔任國際期刊Computer Vision and Machine Learning的編委，長期擔任IEEE TPAMI、IEEE TIP、IEEE TMI等20余種知名刊物的評審員。

圖書目錄

第1章緒論
1.1 本書背景 1
1.1.1 研究背景 1
1.1.2 國內外研究現(xiàn)狀 2
1.1.3 開放性評測數(shù)據(jù)集及智能檢測模型 5
1.1.4 綜合評價體系 8
1.2 研究目標與主要貢獻 9
1.3 本書的組織結構 13
第2章相關工作
2.1 圖像顯著性物體檢測 15
2.1.1 圖像顯著性物體檢測數(shù)據(jù)集 15
2.1.2 基于深度學習的圖像顯著性物體檢測模型 17
2.2 視頻顯著性物體檢測 21
2.2.1 視頻顯著性物體檢測數(shù)據(jù)集 21
2.2.2 視頻顯著性物體檢測模型 23
2.3 非二進制顯著性物體檢測評價指標 27
2.3.1 二值顯著圖的評估 27
2.3.2 非二值顯著圖的評估 28
2.3.3 當前指標的局限性 29
2.4 二進制顯著性物體檢測評價指標 31
第3章富上下文環(huán)境下的顯著性物體檢測數(shù)據(jù)集與評測
3.1 引言 34
3.1.1 背景知識 34
3.1.2 研究動機 36
3.1.3 解決方案概要 37
3.2 SOC數(shù)據(jù)集 38
3.2.1 存在非顯著物體 39
3.2.2 圖像的數(shù)量和類別 40
3.2.3 顯著物體的全局/局部顏色對比 42
3.2.4 顯著物體的位置 44
3.2.5 顯著物體的大小 44
3.2.6 高質量的顯著對象標簽 44
3.2.7 具有屬性的顯著對象 45
3.3 基于深度學習的顯著性檢測模型評測結果 47
3.3.1 評估指標 49
3.3.2 指標統(tǒng)計 50
3.3.3 基于屬性的評估 51
3.4 討論和結論 56
第4章基于注意力轉移機制的視頻顯著性物體檢測
4.1 引言 58
4.1.1　背景知識 58
4.1.2　研究動機 59
4.1.3　解決方案概要 60
4.2　DAVSOD數(shù)據(jù)集 65
4.2.1　視頻采集 65
4.2.2　數(shù)據(jù)標注 65
4.2.3　數(shù)據(jù)集的特點與統(tǒng)計 70
4.2.4　數(shù)據(jù)集劃分 71
4.3　SSAV模型 72
4.3.1　基于顯著性轉移的視頻顯著性物體檢測模型 72
4.3.2　實現(xiàn)細節(jié) 76
4.4　視頻顯著性物體檢測模型評測結果 77
4.4.1　實驗設置 77
4.4.2　性能比較和數(shù)據(jù)集分析 77
4.4.3　分離實驗 83
4.5　討論和結論 93
第5章　基于結構相似性的顯著性檢測評價指標
5.1　引言 94
5.1.1　背景知識 94
5.1.2　研究動機 95
5.1.3　解決方案概要 98
5.2　S-measure指標 99
5.2.1　面向區(qū)域的結構相似性度量 100
5.2.2　面向物體的結構相似性度量 101
5.2.3　結構相似性指標 103
5.3　實驗驗證 104
5.3.1　元度量1：應用排序 104
5.3.2　元度量2：新水平vs.通用映射圖 105
5.3.3　元度量3：標準顯著圖替換 107
5.3.4　元度量4：標注錯誤 109
5.3.5　進一步比較 113
5.3.6　元度量5：人的判別 115
5.3.7　顯著性模型比較 118
5.4　討論和結論 120
第6章　基于局部和全局匹配的顯著性物體檢測評價指標
6.1　引言 121
6.1.1　背景知識 121
6.1.2　研究動機 122
6.1.3　解決方案概要 122
6.2　E-measure指標 125
6.2.1　局部項 126
6.2.2　局部全局匹配項 128
6.2.3　局部全局匹配指標 128
6.3　實驗驗證 129
6.3.1　元度量 129
6.3.2　數(shù)據(jù)集和模型 130
6.3.3　元度量1：應用排序 131
6.3.4　元度量2：先進vs.通用映射圖 134
6.3.5　元度量3：先進vs.隨機噪聲 135
6.3.6　元度量4：人為排序 135
6.3.7　元度量5：手工標注圖替換 137
6.4　討論和結論 138
第7章　總結與展望
7.1　工作總結 140
7.2　展望 144