全文总字数：3610字

1. 研究目的与意义及国内外研究现状

目的：了解我国现阶段关于显著性探测的方法，掌握显著性探测的原理及使用的方法，研究在感兴趣区域的显著性探测方案，建立模型，介绍算法，并通过实例加以比较验证

研究意义：认知心理学和神经生理学的研究表明，当大量的视觉信息进入人眼后，大脑并不是对所有的信息都加以处理，而是从复杂的场景中快速地选择人们最感兴趣的区域，并分配资源对这部分区域进行优先处理，这就是人类视觉系统HVS的视觉注意机制。其中，注意焦点集中的区域称为显著性区域。基于HVS的视觉注意机制，计算机视觉领域的研究者们寻求能够模拟人类视觉系统，检测图像中最令人感兴趣的显著性区域的方法。这样就可以有侧重的对整幅图像进行分析与处理，极大的降低图像分析与处理的时间复杂度，使得快速的图像分析与处理成为可能。视觉显著性检测因而成为当前计算机视觉领域内的热点研究方向，也是图像分析和计算机视觉领域重要的问题之一。近年来，随着深度卷积神经网络(DCNN)的发展，物体检测这个传统的视觉识别问题在大数据集上取得了很大的进步，应用越来越广泛。利用深度神经网络完成的显著性探测对图像，视频等感兴趣区域进行了更加有效的特征提取。然而，目前深度神经网络的训练大多是有监督的，需要大量的带有标签的训练样本进行训练，而监督训练神经网络的训练数据主要来自手工标注，耗费了巨大的人力和财力，因此如何利用已有的标注好的数据结合新产生的海量无标签数据共同解决当前数据的需求，是一个待解决的问题。

国内外研究现状

视觉显著性检测的研究经历从基于显著性点的研究到基于显著对象的研究。基于显著性点的研究一般是模拟人眼移动，试图追踪人眼移动的位置，即预测人眼注视点的位置，这类研究一般是以像素为单位进行的。近年来，很多视觉显著性检测的研究专注于基于显著对象的显著性检测。基于显著对象的研究一般以区域为单位，提取区域之间的特征对比度，这类显著性检测在应用相对更为广泛，也提出了很多有代表性的方法。在视觉识别领域下的物体检测已由传统的物体检测算法（SIFT，HOG）逐渐转向基于深度学习的物体检测算法。在国外，2014年，Ross B.Girshick提出了基于Region Proposal和CNN结合的深度学习算法R-CNN代替使用滑动窗口和手工设计特征的传统物体检测算法，使得物体检测精度大幅度提升，并且引领了后来一系列的深度学习物体检测方向，如随后出现的SPP-Net，Fast-RCNN，Faster-RCNN，R-FCN等。而后又有一些基于回归方法的深度学习物体检测算法，如YOLO，SSD等被提出，其检测速度可达到实时的效果，检测性能与基于Region Proposal的方法精度相近。而国内的研究工作虽然起步相对较晚，但也取得了很多有影响的成果，其中以清华大学，西安交通大学，国防科技大学，北京交通大学等为代表的研究者们都取得了比较好的研究成果。

2. 研究的基本内容

1、学习和了解国内外关于显著性探测研究的文献，并了解以后的研究方向

2、研究显著性探测的原理和方法，介绍几种模型算法

3、建立一个基于感兴趣区域的显著性探测的模型，利用深卷积神经网络算法进行求解，比较结果，总结并提出改进方向

3. 实施方案、进度安排及预期效果

实行方案：在指导教师的监督与指导下制定论文进度，遇到不能解决的问题请教导师并一起研究。

进度：2月15日-2月22日 认真研究参考文献，构思论文结构

2月23日-3月15日查阅并翻译相关外文文献，列出论文大纲

4. 参考文献

【1】h.li andk.n.ngan,'a co-saliency model of image pairs,' ieee trans.imageprocess.,vol.20 no.12,pp.3365-3375,dec.2011.

【2】dingwen zhang,deyu meng,and junwei han,'co-saliency detectionvia a self-paced multiple-instance learning framework', ieee transactionson pattern analysis and machine intelligence.,vol.39 no.5,may 2017