导读:本文包含了小目标检测识别论文开题报告文献综述及选题提纲参考文献，主要关键词:深度学习,多目标,数据挖掘,Faster,RCNN
小目标检测识别论文文献综述
白洁音,赵瑞,谷丰强,王姣[1]（2019）在《多目标检测和故障识别图像处理方法》一文中研究指出为了利用深度学习实现对输电线路的多目标识别以及多种故障的检测,以Faster RCNN(faster regions with convolutional neural networks features)网络为算法框架进行无人机图像的数据挖掘,针对输电线路的6种目标检测任务,提出了3种改进策略,分别为自适应图像预处理算法,基于面积的非极大值抑制算法,以及切分检测方案。研究结果表明:所提改进算法能够利用挖掘的数据对故障进行准确定位与识别,实现对复杂背景下航拍图像中多目标的故障检测,也可类推至其他类似多目标应用场景。论文研究可为多目标的检测和识别提供参考。(本文来源于《高电压技术》期刊2019年11期）
马成贤,游雅辰[2]（2019）在《铁路桥梁裂缝位置识别与目标检测方法探讨》一文中研究指出裂缝是铁路混凝土桥梁累积性破损的早期表现形式。由于裂缝形态的非线性和桥梁结构所处环境的多样性,依靠人工作业的桥梁裂缝检测存在耗时长、主观性大、检测精度不高等问题,已无法满足桥梁状态诊断的需求。传统的裂缝图像处理方法过于依赖算法设计者的经验,易导致检测精度不高。针对上述问题,提出一种基于Detectron平台的目标检测模型,利用模型中卷积神经网络(CNN)对输入图像的光线、扭曲旋转、大小变化等高度适应的优点,从大量裂缝图像中学习裂缝特征,实现对桥梁裂缝位置的识别。采用图像分割法建立图像训练集、验证集及测试集,用特征标定工具为数据集作裂缝位置标签,创建由4个卷积层(Conv),4个池化层(Max-pooling)和1个全连接层(FC)共922,368个参数组成的卷积神经网络(CNN),并将学习率调整为0. 001。验证及测试表明,所提出的基于Detectron平台的目标检测模型在数据多次迭代后具有良好的裂缝位置识别精度。用于模型学习的训练集与验证集上,识别精度最优值分别为92. 64%和88. 98%,未被模型学习的测试集上,识别精度最优值为90. 43%。最后,通过与传统图像处理识别技术的对比分析,阐明模型在特征识别上的优劣性。(本文来源于《铁道勘察》期刊2019年05期）
梁栋,何佳,石陆魁,王松,刘佳[3]（2019）在《结合运动目标检测和ResNet的车速车型智能识别》一文中研究指出车速和车型作为重要的车辆信息,在道路监控系统中发挥着很大的作用.传统的基于视觉的车辆信息识别方式由于计算参数过大且提取的特征不足,难以满足智能交通实时性和普适性的需求.对此,提出了一种新的车辆信息识别方法,采用运动目标检测技术实现视频中车辆的提取,然后利用虚拟线圈法进行车速识别,再通过改进的残差网络对提取的车辆进行车型识别,有效地减少了计算参数,实现了对视频的快速处理,同时利用了残差网络极强的特征表达能力,提高了识别的准确率.此外,加入了重载车型的研究,有良好的应用前景.实验结果显示,系统车速识别平均绝对误差不超过6km/h,车型识别平均准确率达到92.1%,针对小客车和小轿车的识别准确率高达98.7%,优于传统的识别方法.(本文来源于《北京交通大学学报》期刊2019年05期）
余化鹏,李舟,杨新瑞,刘雷[4]（2019）在《基于目标检测结果的轮廓及颜色识别研究》一文中研究指出基于深度学习方法给出的目标矩形框检测结果,针对实时目标轮廓提取和颜色识别问题,提出了一种基于边缘提取和形态学操作的方法。首先通过Canny边缘检测算法提取图像大致轮廓,应用多次形态学闭操作将目标主体与背景、噪声等加以区分,找出最大轮廓即目标轮廓,然后利用目标轮廓所包含的区域,在HSI颜色空间中完成目标颜色的统计和识别,并采用真实场景中的无人机、小汽车和人的图像来进行实验验证。实验结果表明,所提出的方法相比纯粹基于深度神经网络的方法在效率上有较大提升,相比纯粹的底层图像处理方法在精度上有较大提高,既保证了实时性,又确保了较高的精度。(本文来源于《成都大学学报(自然科学版)》期刊2019年03期）
张代华[5]（2019）在《基于虚警识别与空-频域显着性映射的红外弱小目标检测算法》一文中研究指出为了提高复杂背景与低信杂比率环境下的弱小目标检测准确度,有效控制虚警的干扰,考虑真实目标与背景的差异,设计了虚警识别耦合空-频域显着性映射的红外弱小目标检测算法。首先,根据红外中心像素在不同方向的强度,基于中值滤波器,构建了新的噪声滤波方法,充分抑制红外背景中的噪声干扰。随后,考虑中心像素与其邻域像素间的强度差别,设计背景抑制滤波机制,消除背景信息。根据初始红外图像与背景抑制结果,在空域内计算灰度映射。基于Fourier变换的相位谱,在频域内提取红外目标的显着性映射。利用背景的均值与方差,通过一个滑动窗口,建立候选目标检测方法,从灰度映射与显着性映射中确定候选目标。最后,利用真实目标位置的相关性,建立虚警识别方法,从候选目标中消除虚警,以保留真实弱小目标。实验数据表明:较已有的弱小目标识别技术而言,在复杂干扰背景下,所提方案可准确定位出真实目标,拥有更大的信杂比增益值与背景抑制因子,以及更好的ROC(receiver operating characteristic curve)特性曲线。(本文来源于《科学技术与工程》期刊2019年27期）
赵薇,许铜华,王楠[6]（2019）在《基于深度学习的无人值守地面传感器目标检测与识别方法》一文中研究指出目前,针对震动信号的目标检测与识别方法已得到广泛而深入的研究,但对距离较远、目标信号幅值与背景噪声幅值相近或相等的行人等目标的探测精度无法达到较高水平。针对该问题,从时域信号特征提取与学习的角度出发,提出一种基于深度学习的目标检测与识别方法,通过提取行人行走及跑步信号的峰值序列,将该序列输入循环神经网络进行训练,从而得到可准确检测与识别行人震动信号的网络模型。实验结果表明,该方法对远距离(≥30 m)行人目标的识别精度可达到93%以上。(本文来源于《战术导弹技术》期刊2019年05期）
曾文冠,鲁建华[7]（2019）在《基于卷积神经网络的声呐图像目标检测识别》一文中研究指出本文将基于卷积神经网络的目标检测方法引入声呐图像的目标检测任务中,并比较了Faster RCNN、YOLOv3和SSD模型在海星扇贝声呐图像目标检测识别任务中的性能,结果表明基于卷积神经网络的目标检测模型YOLOv3在声呐图像目标识别领域具有有效性和高效性。YOLOv3对声呐图像目标的识别平均精确率达到92.95%,单张图片检测时间仅为0.255秒。(本文来源于《第十七届船舶水下噪声学术讨论会论文集》期刊2019-08-21）
陈亚亚,孟朝晖[8]（2019）在《基于目标检测算法的FashionAI服装属性识别》一文中研究指出随着网络上服装图片数量的快速增长,对于大量的服装进行分类的需求与日俱增.传统的使用手工进行服装图像的语义属性标注并不能完全的表达服装图像中的丰富信息,并且传统的手工设计的特征已经不能满足现实的精度和速度的需求.近年来,深度学习已经应用到计算机视觉方方面面,为基于深度学习的服装分类识别技术奠定了坚实的基础.本文根据已有的数据集DeepFashion构建了叁个新的子数据集,进行分类训练的deep fashionkid数据集和进行Faster R-CNN训练的deepfashionVoc数据集和进行Mask R-CNN训练的deepfashion Mask数据集.使用deepfashionkid数据集在VGG16上进行预训练得到clothNet模型,进而改进Faster R-CNN的损失函数.并且各自对比了这两种算法使用clothNet预训练的模型与不使用的区别.另外,本文了采用一种新的类似嫁接学习的预训练策略.实验表明,这些训练技巧对于检测精度的提高具有一定的帮助.(本文来源于《计算机系统应用》期刊2019年08期）
马王鹏,王晓东,刘冬[9]（2019）在《探地雷达图像异常识别中YOLO目标检测算法的研究》一文中研究指出在城市道路的病害体探测方面,国内外普遍使用探地雷达进行检测,在探地雷达成果图像的异常体解释识别中,动辄几十条上千米的测线极大地增加了解释人员的工作时间,对它的判读容易造成人脑疲劳,增大误判率。本文对Google开源的TensorFlow框架下YOLO(you only look once)神经网络模型进行了训练和识别,测试了人工智能下的深度学习对探地雷达数据资料解释的有效性。(本文来源于《测绘通报》期刊2019年S1期）
范小辉[10]（2019）在《基于激光雷达的行人目标检测与识别》一文中研究指出无人驾驶技术受到了越来越多研究者的关注。激光雷达感知系统是必不可少的组成部分,它能够感知周围环境信息和车辆状态信息,为无人车的控制系统提供必要信息。为了使无人车在行驶中更加智能和安全,无人车往往集成多个传感器。激光雷达由于探测范围大、测距精度高和不受光照条件影响等优点,被广泛应用在无人车中。基于叁维激光雷达的障碍物检测和行人识别主要分为地面点云去除、目标物体分割和行人目标识别叁个部分。地面点云去除主要包括建立深度图和去除地面点云数据,将点云数据转化为深度图然后去除地面点云。目标物体分割是从非地面点云数据中提取出不同的物体。行人目标识别是将分割后的物体使用分类器进行分类识别。针对传统地面点云去除算法实时性低的问题,本文提出基于深度图的角度阈值算法。将点云数据表示为深度图,建立深度图和点云数据的映射关系。基于角度阈值在深度图上标记地面,实现去除地面点云数据。针对目标间相邻导致分割失败以及分割算法实时性问题,本文提出基于深度图的改进DBSCAN算法。搜索Eps邻域内所有的邻近点时考虑空间欧式距离和角度距离,结合深度图和自适应参数的DBSCAN算法对非地面点云进行聚类分割。实验结果表明该方法相对于传统聚类算法在时间效率上有很大的提升,且能够较好地降低分割错误率。在行人目标分类识别中,针对PointNet神经网络在局部特征描述中的不足,本文提出多尺度特征融合的PointNet神经网络模型,将多尺度局部特征和全局特征相结合,最终完成对行人目标的识别。离线过程主要是通过线下构建训练样本库,训练多尺度特征融合的PointNet神经网络模型。在线过程主要是对候选行人目标进行初筛,通过采样将候选目标转化为固定大小,然后放入PointNet网络进行特征学习,分类器判断目标物体是否为行人。实验结果表明该模型相对于PointNet神经网络在识别准确度上有一定的提升。(本文来源于《重庆邮电大学》期刊2019-06-09）
小目标检测识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
裂缝是铁路混凝土桥梁累积性破损的早期表现形式。由于裂缝形态的非线性和桥梁结构所处环境的多样性,依靠人工作业的桥梁裂缝检测存在耗时长、主观性大、检测精度不高等问题,已无法满足桥梁状态诊断的需求。传统的裂缝图像处理方法过于依赖算法设计者的经验,易导致检测精度不高。针对上述问题,提出一种基于Detectron平台的目标检测模型,利用模型中卷积神经网络(CNN)对输入图像的光线、扭曲旋转、大小变化等高度适应的优点,从大量裂缝图像中学习裂缝特征,实现对桥梁裂缝位置的识别。采用图像分割法建立图像训练集、验证集及测试集,用特征标定工具为数据集作裂缝位置标签,创建由4个卷积层(Conv),4个池化层(Max-pooling)和1个全连接层(FC)共922,368个参数组成的卷积神经网络(CNN),并将学习率调整为0. 001。验证及测试表明,所提出的基于Detectron平台的目标检测模型在数据多次迭代后具有良好的裂缝位置识别精度。用于模型学习的训练集与验证集上,识别精度最优值分别为92. 64%和88. 98%,未被模型学习的测试集上,识别精度最优值为90. 43%。最后,通过与传统图像处理识别技术的对比分析,阐明模型在特征识别上的优劣性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
小目标检测识别论文参考文献
[1].白洁音,赵瑞,谷丰强,王姣.多目标检测和故障识别图像处理方法[J].高电压技术.2019
[2].马成贤,游雅辰.铁路桥梁裂缝位置识别与目标检测方法探讨[J].铁道勘察.2019
[3].梁栋,何佳,石陆魁,王松,刘佳.结合运动目标检测和ResNet的车速车型智能识别[J].北京交通大学学报.2019
[4].余化鹏,李舟,杨新瑞,刘雷.基于目标检测结果的轮廓及颜色识别研究[J].成都大学学报(自然科学版).2019
[5].张代华.基于虚警识别与空-频域显着性映射的红外弱小目标检测算法[J].科学技术与工程.2019
[6].赵薇,许铜华,王楠.基于深度学习的无人值守地面传感器目标检测与识别方法[J].战术导弹技术.2019
[7].曾文冠,鲁建华.基于卷积神经网络的声呐图像目标检测识别[C].第十七届船舶水下噪声学术讨论会论文集.2019
[8].陈亚亚,孟朝晖.基于目标检测算法的FashionAI服装属性识别[J].计算机系统应用.2019
[9].马王鹏,王晓东,刘冬.探地雷达图像异常识别中YOLO目标检测算法的研究[J].测绘通报.2019
[10].范小辉.基于激光雷达的行人目标检测与识别[D].重庆邮电大学.2019