导读:本文包含了多尺度特征论文开题报告文献综述及选题提纲参考文献，主要关键词:计算机视觉,深度学习,卷积神经网络,目标检测
多尺度特征论文文献综述
姜文涛,张驰,张晟翀,刘万军[1]（2019）在《多尺度特征图融合的目标检测》一文中研究指出目的自然场景图像中,特征提取的质量好坏是决定目标检测性能高低的关键因素。大多数检测算法都是利用卷积神经网络(CNN)强大的学习能力来获得目标的先验知识,并根据这些知识进行目标检测。卷积神经网络的低层次特征缺乏特征的代表性,而高层次的特征则对小尺度目标的监测能力弱。方法利用原始SSD(single shot multi Box detector)网络提取特征图,通过1×1卷积层将提取的特征图统一为256维;通过反卷积操作增加自顶向下特征图的空间分辨率;通过对应元素相加的操作,将两个方向的特征图进行融合。将融合后的特征图采用3×3的卷积核进行卷积操作,减小特征图融合后的混迭效应。根据以上步骤构建具有较强语义信息的特征图,同时保留原有特征图的细节信息;对预测框进行聚合,利用非极大抑制(NMS)实现最终的检测效果。结果在PASCAL VOC 2007和PASCAL VOC 2012数据集上进行实验测试,该模型的m AP (mean average precision)为78. 9%和76. 7%,相对于经典的SSD算法,分别提高了1. 4%和0. 9%;此外,本文方法在检测小尺度目标时相较于经典SSD模型m AP提升了8. 3%。结论提出了一种多尺度特征图融合的目标检测算法,以自顶向下的方式扩展了语义信息,构造了高强度语义特征图用于实现精确目标检测。(本文来源于《中国图象图形学报》期刊2019年11期）
仲会娟,谢朝和,刘文武,刘大茂[2]（2019）在《基于CNN的多尺度特征在手写数字识别中的应用》一文中研究指出在手写数字识别数据集(MNIST)情景下,为了提高卷积神经网络的识别正确率,提出了一种改进的基于卷积神经网络(CNN)的多尺度特征识别算法.首先,利用卷积操作和池化操作提取图像中的全局特征及局部特征,通过二次卷积与特征融合获得数字图像的多尺度特征.然后,将多尺度特征送入全连接网络和Soft Max分类器,实现手写数字图像识别.最后,通过对不同网络结构的CNN算法进行评估表明,本文提出的算法可以有效提高网络精度,具有较好的泛化能力.(本文来源于《绵阳师范学院学报》期刊2019年11期）
徐亮,符冉迪,金炜,唐彪,王尚丽[3]（2019）在《基于多尺度特征损失函数的图像超分辨率重建》一文中研究指出在图像超分辨率重建问题中,许多基于深度学习的方法大多采用传统的均方误差(MSE)作为损失函数,重建后的图像容易出现细节模糊和过于平滑的问题。针对这一问题,本文对传统的均方误差损失函数进行改进,提出一种基于多尺度特征损失函数的图像超分辨率重建方法。整个网络模型由基于DenseNet的重建模型和一个用来优化多尺度特征损失函数的卷积神经网络串联构成。将重建后得到的图像和对应的原始高清图像作为串联的卷积神经网络的输入,计算重建图像卷积得到的不同尺度特征图与对应的原始高清图像卷积得到的不同尺度特征图的均方误差。实验结果表明,本文提出的方法在主观视觉效果和PSRN、SSIM上均有所提升。(本文来源于《光电工程》期刊2019年11期）
刘红武,尹忠海,杨令,徐靖宇,王青霞[4]（2019）在《湖南一次暖区极端特大暴雨多尺度特征分析》一文中研究指出利用多源资料对2016年6月14—15日发生在湖南株洲的一次极端特大暴雨过程进行了多尺度特征分析。结果表明:强降雨位于地面冷锋南侧的暖区内,阻高崩溃形成的阶梯槽带动冷空气南下与南支槽前暧湿气流在湖南交汇是造成此次强降雨的高空环流背景,稳定维持的地面辐合线为其提供了触发机制;本次极端降雨由对流性降雨和稳定性降雨组成,日雨量与小时雨量创株洲市建站以来极值;强降雨发生在高层正涡度向低层正涡度增强、上升气流发展最强及西南气流加强的过程中,高层辐散强于低层辐合,辐散抽吸作用强;中尺度云团演变特征显示,株洲特大暴雨主要由叁个中γ尺度云团发展融合而成,出现在中尺度云团发展到成熟阶段,暴雨落区位于云团西部边缘的TBB梯度大值区;雷达降水回波主要以低质心回波为主,强降水回波在株洲中部地区生消发展造成明显的"列车效应",速度径向剖面可见明显的底层逆风区,在其前部有较强的斜升气流,使对流风暴得以维持和发展。(本文来源于《中低纬山地气象》期刊2019年05期）
付红安,夏峻,马海鹏,田帅,王学平[5]（2019）在《基于多尺度特征向量的输电线路无人机LiDAR点云数据分类方法》一文中研究指出提出了一种基于多尺度特征向量的输电线路无人机LiDAR点云数据分类方法,可以有效对线路走廊中的地物进行分类。首先提取叁维点云数据的多尺度局部特征作为特征参数构成特征向量,主要包括高程特征、连通特征、张量特征和平面特征。然后将多尺度特征向量输入到多分类相关向量机分类器中,在完成分类器训练之后,对无人机LiDAR点云数据进行分类。试验结果表明,该方法可以有效区分地面、植物、建筑物、杆塔和电力线5类线路走廊地物LiDAR点云数据,分类整体精度达到96.63%。(本文来源于《山东农业大学学报(自然科学版)》期刊2019年05期）
郭文慧,曹飞龙[6]（2019）在《基于3D多尺度特征融合残差网络的高光谱图像分类》一文中研究指出深度学习中用于训练的高光谱图像(HSI)数据十分有限,因此较深的网络不利于空谱特征的提取.为了缓解该问题,文中提出3D多尺度特征融合残差网络,利用深度学习和多尺度特征融合的方式对光谱-空间特征进行有序的学习.首先对3D-HSI数据进行自适应降维,将降维后的图像作为网络输入.然后,通过多尺度特征融合残差块依次提取光谱-空间特征,融合不同尺度的特征,通过特征共享增强信息流,获得更丰富的特征.最后以端到端的方式训练网络.在相关数据集上的测试表明,文中网络具有良好的分类性能.(本文来源于《模式识别与人工智能》期刊2019年10期）
刘明堂,王丽,张来胜,秦泽宁,刘佳琪[7]（2019）在《高填方渠道坡面破损的多尺度特征提取》一文中研究指出目的高填方渠段渗漏监测技术是南水北调工程安全监测的关键技术之一。针对目前高填方渠道渗漏检测易受环境干扰导致判断结果不准确的问题,设计了基于Gabor-SVM(support vector machine)的南水北调中线工程高填方渠道水泥坡面破损识别模型。方法首先对高填方渠道水泥渠面图像进行预处理;然后研究Gabor小波的多方向/尺度选择特性,对提取的水泥坡面图像特征进行分析,寻找最佳尺度/方向参数组;最后根据训练好的样本特征,用SVM进行水泥坡面破损等级的分类处理,将破损类别划分为正常、裂缝、孔洞及破碎4种。在相同环境下,将Gabor-SVM与直方图-SVM、灰度共生矩阵-SVM、Canny边缘检测算法-SVM的破损识别进行比较分析。结果基于Gabor-SVM的水泥面破损识别方法在小波取6/12参数时,整体识别结果最佳,其中正常、裂缝、孔洞、破碎的识别率分别为98%、63%、88%、90%,平均识别率约为85%,相比其他几种方法的平均识别率(约50%),Gabor-SVM方法具有更好的识别能力。结论基于Gabor-SVM的水泥渠面破损识别模型有一定的识别效果,但对裂缝类别的高填方水泥坡面识别效果不理想,还需要进一步深入研究,以期为查找南水北调高填方渠道渗漏隐患提供技术支持。(本文来源于《中国图象图形学报》期刊2019年09期）
李想,曹卓,但雅波,牛程程,胡建军[8]（2019）在《基于机器学习与多尺度特征的金属氧化物性能预测》一文中研究指出材料信息学是信息学技术在材料学中的应用,通过材料信息数据库和集成材料设计平台对材料的数据进行分析和预测。通过应用不同的机器学习(回归分析)方法和不同的特征选择算法,从众多的多尺度特征集中选择最优的特征子集可以预测金属氧化物的物理特性,归纳出适合材料不同特性的机器学习模型。分析结果表明,特征选择方法可以提升机器学习模型的性能,为进一步开发更有效的材料性能预测方法提供参考。(本文来源于《化工新型材料》期刊2019年09期）
华静,陈亮,李子印[9]（2019）在《基于多尺度特征融合的图像语义分割》一文中研究指出目的:在基于深度学习的图像语义分割中,当前的关键问题是如何充分利用图像上下文信息来达到更好的分割结果,为解决这一问题,提出了一种基于多尺度特征融合的图像语义分割算法(MsffNet)。方法:首先选取Aligned Xception分类识别网络,提取具有更多位置信息的低层特征,其次通过空间金字塔池化提取具有更大语义信息的高层特征,最后提出一种融合算法,使得高层特征通过语义信息指导有选择性的融合低层特征,实现最终的图像语义分割。结果:实验在2个数据集上进行了分割测试,在ADE20K数据集中,分割准确率达到44.47%,相比于最新的DeepLab v3+模型,准确率提高了0.82%;在PASCAL VOC2012数据集中,分割准确率达到82.58%,相比于DeepLab v3+模型,准确率提高了1.55%。结论:本文提出的语义分割模型,充分利用多尺度特征,提高了语义分割精度。(本文来源于《中国计量大学学报》期刊2019年03期）
张思宇,张轶[10]（2019）在《基于多尺度特征融合的小目标行人检测》一文中研究指出针对SSD当前存在的小目标漏检以及误检问题,结合反卷积与特征融合思想,提出hgSSD模型。将原SSD特征层反卷积后与较浅层特征结合,实现复杂场景下小目标行人检测。为了保留浅层网络特征,提高算法实时性,节省计算资源,hgSSD模型基础网络使用VGG16,而非更深层的ResNet101。为了加强对小目标的检测,将VGG16中的Conv3_3改进为特征层加入训练。融合后的网络相对于SSD较为复杂,但基本保证实时性,且成功检测到大部分SSD网络漏检的小目标,检测精度相比于SSD模型也有提升。在选择框置信度得分阈值为0.3的情况下,基本检测到SSD漏检小目标。在VOC2007+2012中相对于SSD行人检测的Average Precision值从0.765提升为0.83。(本文来源于《计算机工程与科学》期刊2019年09期）
多尺度特征论文开题报告
（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：
在手写数字识别数据集(MNIST)情景下,为了提高卷积神经网络的识别正确率,提出了一种改进的基于卷积神经网络(CNN)的多尺度特征识别算法.首先,利用卷积操作和池化操作提取图像中的全局特征及局部特征,通过二次卷积与特征融合获得数字图像的多尺度特征.然后,将多尺度特征送入全连接网络和Soft Max分类器,实现手写数字图像识别.最后,通过对不同网络结构的CNN算法进行评估表明,本文提出的算法可以有效提高网络精度,具有较好的泛化能力.
（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。
多尺度特征论文参考文献
[1].姜文涛,张驰,张晟翀,刘万军.多尺度特征图融合的目标检测[J].中国图象图形学报.2019
[2].仲会娟,谢朝和,刘文武,刘大茂.基于CNN的多尺度特征在手写数字识别中的应用[J].绵阳师范学院学报.2019
[3].徐亮,符冉迪,金炜,唐彪,王尚丽.基于多尺度特征损失函数的图像超分辨率重建[J].光电工程.2019
[4].刘红武,尹忠海,杨令,徐靖宇,王青霞.湖南一次暖区极端特大暴雨多尺度特征分析[J].中低纬山地气象.2019
[5].付红安,夏峻,马海鹏,田帅,王学平.基于多尺度特征向量的输电线路无人机LiDAR点云数据分类方法[J].山东农业大学学报(自然科学版).2019
[6].郭文慧,曹飞龙.基于3D多尺度特征融合残差网络的高光谱图像分类[J].模式识别与人工智能.2019
[7].刘明堂,王丽,张来胜,秦泽宁,刘佳琪.高填方渠道坡面破损的多尺度特征提取[J].中国图象图形学报.2019
[8].李想,曹卓,但雅波,牛程程,胡建军.基于机器学习与多尺度特征的金属氧化物性能预测[J].化工新型材料.2019
[9].华静,陈亮,李子印.基于多尺度特征融合的图像语义分割[J].中国计量大学学报.2019
[10].张思宇,张轶.基于多尺度特征融合的小目标行人检测[J].计算机工程与科学.2019