摘要
目标检测作为计算机视觉领域的核心任务之一，近年来取得了显著进展。
而视觉显著性，作为模拟人类视觉系统选择性注意机制的重要手段，为目标检测提供了新的研究视角。
本文首先介绍了视觉显著性理论和目标检测的基本概念，包括显著性模型分类、常用显著性检测算法以及传统和基于深度学习的目标检测算法。
接着，重点综述了视觉显著性理论在目标检测中的应用，包括基于显著性的区域建议生成、目标特征增强和背景抑制等方面，并对相关文献进行了详细的分析和比较。
最后，总结了视觉显著性理论应用于目标检测的优势和存在的挑战，并展望了未来的研究方向。
关键词：视觉显著性；目标检测；深度学习；区域建议；特征增强；背景抑制
#1.1视觉显著性理论
视觉显著性理论模拟了人类视觉系统对视觉场景中重要信息的快速捕捉和处理能力。
其核心思想是，人类视觉系统会优先关注图像中最吸引人注意力的区域或物体，这些区域或物体通常具有与周围环境不同的颜色、纹理、形状等视觉特征。
视觉显著性模型可以分为两大类：基于眼动数据的显著性模型和基于计算模型的显著性模型。
基于眼动数据的显著性模型利用眼动追踪设备记录观察者在观看图像时的眼动轨迹，并根据眼动数据构建显著性模型。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
