协同显著目标区域检测及其参数优化方法-研究.pdfVIP

录 2 . 5 . 2 基于CMU-Cornell iCoseg数 据 集 的 实验 结 果 与 分 析 23 2 . 6 本章小结 25 第三章 优化调整算法参数 设 定问题的方法 27 3.1 51 S ...27 3 . 2 基于新 型 差分进化算法的参数优化 设 定调整方法 27 3 . 2 . 1 参 数 优 化 设 定 问 题 描 述 27 3 . 2 . 2 嵌套式差分进化算法 28 3 . 2 . 3 基于新 型 差分进化算法的 通 用参数优化 设 定调整方法 . . 3 4 3.3 实验结果与分析 34 3 . 3 . 1 在 平 方 伪布尔函 数 集上 的 实验结 果与分 析 35 3 . 3 . 2 在 实际 算法参数 设 定问题 上 的 实验结 果与分 析 36 3.4 本章小结 39 第四章 总 结 与 展 望 41 4.1 全文 IC 作 总 结 41 4 . 2 未来 ：C作 展 望 42 参考文献 43 发表论文和参加科研情况说明 46 i f ...47 IV 弓 I 口 显著性检测方法是将一 幅 图像中的显著性目标或者前景 区域从图像 背 景 中检测出来 。该检测模型 已经应用于图像处理和计算机视觉领域的很多 领 域，例 如物 体检测与识别 [2，3]、图像与视频理解和目标 物 体分割 [5，6]。然 而，传 统 的显著性检测方法侧 重于从 背景比较单 一的图像中检测显著性的目标 物 体 或者区域。若 是图像 具有复 杂 的前景和 背景 ，那么传统 的基于单幅 图像的显著 性检测方法往往 表 现 得 比较差，准确率较低 。相对于基于 单幅 图像的显著性检 测方法，基于 两幅 图像或 多幅 图像的协同显著性检测方法 1 q可以 弥补这方面 的不足 。由于协同显著检测 模型 基于 两幅 或者 多幅 图像进行显著性目标区域 的检测，所以这 种检测 模型比 基于 单幅 图像的显著检测模型拥 有 更多 的参考 信息 ，从而可以表现 出更好 的检测性能 。其次，在调整协同显著性检测算法的 参数 时 ，我们 发现优化调整算法参数 设 定是一种 非常 用的 需要，但却没有较 好 的解决方法。 由于这类问题的模型 不 固定，不同的算法 具有不同的特点，所 以很难对 这类问题提出一种 通 用的解 决方 案 。在实际应用中，我们只能对特定 的算法设 定问题提出针对该问题的解 决方 案 ；一般情况 下，我们会经验地手动 调整 这些 算法的 这些 参数，通 过不 断 的尝试总结经验 ，最后获得一个能满足要 求 的参数解。但 是 这 种做法 即盲 目又没效 率，所以针对算法参数 设 定问题，本 章提出了一种基本解 决方法：将算法参数优化调整问题 抽象 为一 个简单 的数 学模型 ，使用嵌套式差分进化算法优化求解该 模型 。 本 章 将在 第 1.1节简 要 介绍 显著性检测及 协同显著性检测的研宄 现状 。第 1 .2节 将 介绍 算法控制参数优化调整 设 定问题。最后，第 1.3节概述本论文的研 宄内容，并列 出本论文的组织结 构。 1 . 1 显著性检测及协同显著性检测的发展现状 1 . 1 . 1 显著性检测概述 视觉显著性是人或机器从所 看到 的的信息 中自动选 取一 些感兴趣信息 的 能力 ，这 种 选择 机制 就 像一种过 滤 器，忽略那些 不 感兴趣 或者不显著的 信息 ， 只选择与 当前活动 相 关的信息 进行后期处理。 由于显著性检测对一 些 复杂 的问题提供了一种简单