一、一种视频对象提取与跟踪的新方法（论文文献综述）
章毓晋[1]（2010）在《中国图像工程:2009》文中指出该文是关于中国图像工程的年度文献综述系列之十五。为了使国内广大从事图像工程研究和图像技术应用的科技人员能够较全面地了解国内图像工程研究和发展的现状,并能够方便地查询有关文献,现从2009年在国内15种有关图像工程重要中文期刊的共134期上发表的3604篇学术研究和技术应用文献中,选取出1008篇属于图像工程领域的文献,并根据各文献的主要内容将其分别归入图像处理,图像分析,图像理解,技术应用和综述五个大类,然后进一步分入23个专业小类（与去年相同）。在此基础上还进行了各期刊各类文献的统计和分析。根据统计分析结果可看到我国图像工程在2009年许多新进展的情况。特别值得指出,在上述15种期刊上所发表的图像工程文献数量在2009年继续增加并达到历史最高,显示了图像工程在中国继续蓬勃发展的趋势。另外,借此综述系列15年之际,还将这15年分成3个5年的阶段,分别对3个阶段的图像工程文献选取情况和各类图像工程文献数量进行了统计和对比分析,以为读者提供更全面和可信的发展动态信息。
章毓晋[2]（2009）在《中国图像工程:2008》文中提出该文是关于中国图像工程的年度文献综述系列之十四。为了使国内广大从事图像工程研究和图像技术应用的科技人员能够较全面地了解国内图像工程研究和发展的现状,并能够方便地查询有关文献,现从2008年在国内15种有关图像工程重要中文期刊的共120期上发表的3359篇学术研究和技术应用文献中,选取出915篇属于图像工程领域的文献,并根据各文献的主要内容将其分别归入图像处理,图像分析,图像理解,技术应用和综述5个大类,然后进一步分入23个专业小类（与去年相同）。在此基础上还进行了各期刊各类文献的统计和分析。根据统计分析结果可看到,我国图像工程在2008年许多新进展的情况。特别值得指出的是,在上述15种期刊上所发表的图像工程文献数量在2008年继续增加并达到历史最高,显示了图像工程在中国继续蓬勃发展的趋势。
章毓晋[3]（2008）在《中国图像工程:2007》文中研究表明该文是关于中国图像工程的年度文献综述系列之十三。为了使国内广大从事图像工程研究和图像技术应用的科技人员能够较全面地了解国内图像工程研究和发展的现状,并能够方便地查询有关文献,现从2007年在国内15种有关图像工程重要中文期刊的共118期上发表的3312篇学术研究和技术应用文献中,选取出895篇属于图像工程领域的文献,并根据各文献的主要内容将其分别归入图像处理、图像分析、图像理解、技术应用和综述5个大类,然后进一步分入23个专业小类（与去年相同）。在此基础上还进行了各期刊各类文献的统计和分析。根据统计分析结果可看到我国图像工程在2007年许多新进展的情况。特别值得指出,在上述15种期刊上所发表的图像工程文献数量在2007年有大幅增加并达到历史最高,显示了图像工程研究在中国继续发展的趋势。
张晓波[4]（2007）在《面向基于对象编码的视频分割研究》文中指出新一代的多媒体数据压缩国际标准MPEG-4采用基于对象的编码方式,不仅能够得到高压缩比,而且能够实现基于对象的交互功能。视频序列的基于对象的表征,将原始视频转化为更抽象更紧凑的形式,使得更高层的视频分析与理解成为可能,是从视频处理到视频分析的关键。视频对象分割是基于对象编码和表征的前提,具有重要的理论意义和应用价值。本文在对国内外视频分割领域深入分析的基础上,从时空信息相结合的视频分割方案和基于对象跟踪的视频分割方案两方面展开了深入研究,提出了四种视频分割算法,在此基础上实现了一套完整的基于对象的视频压缩系统,取得了高压缩比。具体工作如下:提出一种基于高阶矩检测和最大树滤波的时空分割算法,首先使用高阶矩变化检测的方法进行图像中运动对象的定位,接着使用对称差分法消除覆盖/显露的背景,然后最大树滤波方法对图像简化,之后使用分水岭算法空间分割,最后时域分割向空域分割投影,根据一定准则融合时空分割结果。提出一种将形态学分水岭算法应用于动态图像的分割处理,精确提取视频对象的封闭轮廓的方法。使用运动边缘匹配法得到对象的粗轮廓,用它构造前景/背景标识,重构分水岭分割的梯度,使用彩色多尺度梯度修正的分水岭变换,得到封闭的视频对象轮廓,能够检测新出现的运动对象和现有对象的消失。提出一种自适应分级的支持向量机分类方法解决对象分割跟踪问题,克服了传统的基于运动分割算法的固有缺陷。描述像素属性的特征向量由局部特征和邻域特征共同组成。使用自适应分级的支持向量机二叉树分类器决策前景和背景。提出一种基于块仿射优势分类和HD跟踪的视频分割方法,分为运动对象检测、Hausdorff距离对象跟踪、模型更新、分水岭视频对象提取四个阶段。首先结合基于块的仿射运动方法和优势运动分类方法两者的优点,能够提取初始的运动对象,将视频对象运动分为慢变和快变两部分,分别进行跟踪,使用帧差图像的运动边缘图检测的方法来捕获最新运动的部分,使用具有容错能力的局部Hausdorff距离跟踪对象的位移和轮廓变化。最后,研究了基于对象的视频编码结构,实现了基于对象的编码系统,利用提取的视频对象进行基于对象的编码实验,实验结果不仅取得了高压缩比（358倍左右）和可接受的解码图像质量,更为重要的是实现了视频内容的基于对象的存取。
罗城[5]（2021）在《自然刺激注意机制的脑电研究》文中研究指明自然环境是动态且复杂的,大脑需要通过注意机制将认知资源聚焦于特定的空间位置、刺激特征或者客体上,从而实现信息的高效加工。因此,研究注意机制对于理解大脑的认知功能有着重要的意义。以往研究已经揭示了很多重要的注意神经机制。但是,这些研究主要采用了静态、离散的视听刺激,与日常生活中动态、连续的视听刺激有很大的差异,使得这些研究的生态效度相对较低。目前,对自然场景中注意神经机制的研究较少,这主要是因为传统方法难以量化大脑对自然视听刺激的神经响应。为了解决这一问题,本文基于脑电图（electroencephalogram,EEG）技术提出了一系列新方法来量化大脑对语音篇章和自然视频这两种自然刺激的神经响应,并分别分析自下而上的、基于刺激特征的注意机制和自上而下的、基于实验任务的注意机制如何影响自然场景中视听刺激的神经响应。本文的主要创新性研究工作包括:研究一设计了一种结构化的语音篇章,用于量化大脑对语音篇章中音节和词汇这两个语言层级的神经响应,并研究自上而下的注意任务对音节和词汇加工的影响。研究发现,大脑在加工合成或者朗读的结构化语篇时,不同时间尺度的神经活动可以同时跟踪语篇中的音节和词汇,而且词汇的神经响应比音节的神经响应更强地受到自上而下的注意调节。研究二在结构化的语音篇章中引入了与词汇节律相关的声学调制,以研究自下而上的声学特征对词汇加工的影响。研究发现,大脑中同时存在跟踪声学调制和词汇的神经响应。注意语音时,大脑的低频神经活动主要跟踪词汇;不注意语音时,大脑的低频神经活动主要跟踪声学调制。研究还发现,这种与词汇节律相关的声学调制增强了大脑对词汇的神经响应,说明自下而上的声学线索可以促进大脑对词汇的加工。研究三提出了一种视觉刺激标记技术,用于量化大脑对自然视频的神经响应,并研究视频场景中目标检测的注意调节作用。研究发现,自下而上和自上而下的注意都会调节人的视觉目标检测行为以及大脑对视觉目标的神经响应,而大脑对视觉背景的神经响应则主要受到自下而上的注意的影响。此外,大脑对视觉目标和视觉背景的神经响应都可以预测个体的目标检测行为结果,说明在自下而上和自上而下注意机制的作用下,大脑对视觉目标和视觉背景的神经响应共同反映了个体的视觉目标检测能力。综上,本论文通过设计新的实验范式和数据分析方法来量化大脑加工语音篇章和自然视频时的神经响应,研究发现,自下而上和自上而下的注意机制交互作用于大脑对自然视听刺激的神经响应,并共同促进了大脑对自然视听刺激的认知加工。
阮涛[6]（2021）在《目标感知的监控视频浓缩》文中提出监控视频数据在公共安全、智慧交通、智能家居等领域具有重要的应用价值。面对其爆炸式的增长,如何实现有效信息提取与冗余信息去除是亟待解决的问题。视频浓缩技术试图通过提取监控视频中的管道（即目标运动形成的轨迹）并沿时间轴重新排列,最大化运动目标的信息保留率和最大化背景信息的约减率,以解决上述问题。一个完整的视频浓缩流程,包含前景提取、管道构造、管道重排与管道缝合等关键步骤。然而,上述流程主要存在着四个待解决的难点:（1）管道在线重排难,容易陷入局部最优,很难达到理想的约减效果;（2）运动目标提取难,面临目标尺寸差距大、前背景难以区分等挑战;（3）视频数据标注难,基于深度学习的视频前景提取模型在实际部署时需要对每一个监控场景进行充分的预标注和预训练,才能得到较为理想的运动目标提取结果;（4）管道精确构造难,现有的方法不够平滑,容易出现管道的运动信息损失。针对上述问题,本文围绕视频浓缩主线,通过进行基于动态图着色的在线管道重排、多尺度捕获与边缘增强的监控视频前景提取、无需预标注的监控视频前景语义感知以及面向精确管道获取的跟踪轨迹平滑,实现监控视频的高度约减与信息保留。本文的主要研究成果和创新包含:·为解决管道在线重排难的问题,本文提出一种基于动态图着色的在线管道重排方法。首先,针对管道重排的在线需求,本文提出将管道之间的空间与时间关系建模为一种新型的动态图模型,可随监控视频流的接收进行实时的迭代更新;其次,针对在线管道重排容易陷入局部最优的问题,本文提出一种着色算法对动态图模型进行更新,该算法考虑到新增的管道与已接收管道的约束关系,在为新管道重排的同时对现有管道进行再次调整。基于上述模型以及着色算法,本文设计了一个完整的在线视频浓缩流程。该方法在12个不同监控场景上进行实验验证,在保证高约减率的同时达到98.96%的平均息保有率。·为解决视频前景提取中运动目标尺度差距大、前背景难区分的问题,本文提出一种多尺度捕获与边缘增强的监控视频前景提取方法。此方法基于深度学习,包含三种新型的网络模块。首先,为了更好地利用监控视频所拥有的背景信息,提出一种背景嵌入模块,从背景图中提取特征作为先验信息输入到模型中;其次,为同时捕获监控视频中不同尺寸的目标信息,提出多尺度特征聚合模块,将包含细节信息的网络浅层特征与语义信息的深层特征进行融合;最后,为了让网络模型对前背景的交界区域更具判别力,提出边缘信息增强模块,在模型训练的过程中显式地加入边缘约束。在视频前景提取任务的常用数据集CDNet2014上,该方法在每个测试视频仅采用25帧作训练时,达到0.9552的平均F-Measure,超越多种先进方法。·为解决基于深度学习的视频前景提取方法需要对监控场景进行预标注与预训练的问题,本文提出一种无需预标注的监控视频前景语义感知方法。首先,为了基本实现新视频来临时无需进行预标注和预训练,本文引入更可靠的背景信息,并创新性地设计一种基于二阶注意力的深度网络模块,使得网络模型能够更清晰地挖掘到背景图像中的信息,提升对前景与背景的判别能力,从而令已有模型仍能精确处理新的监控视频;其次,为了让视频前景提取模型感知前景运动目标的语义信息,实现模型精度的进一步提升和信息丰富度的增加,提出一种带有信息交互的前景语义感知网络模型,并提出新数据集Semantic CDNet2014++以支持模型的训练和测试。利用该模型产生的语义信息,可以更灵活地服务视频浓缩等上层应用。该方法在新数据集的测试集上得到了0.8330的平均F-Measure,相比于依赖预标注的视频前景提取方法提升了0.1648。此外,本文从定性和定量的角度展示了语义感知在视频浓缩中的应用。·为解决基于目标跟踪的管道构造不精确的问题,本文提出一种面向精确管道获取的跟踪轨迹平滑方法。首先,提出一种新型的评价指标,通过对相邻若干帧跟踪结果的“抖动”程度进行量化,可以评价目标跟踪器预测结果的平滑度;其次,提出一种基于卡尔曼滤波的抖动减除方法,对跟踪器的预测结果进行修正,结合视频浓缩任务常用的广域监控视频数据的特点,同时获得平滑度与精度的提升,实现更精确的管道构造。在公开数据集上的测试结果表明,本方法能够大幅度去除水平或竖直方向上的抖动,并在跟踪目标为广域监控视频中的平滑运动目标时,进一步提升跟踪精度。综上所述,本文针对监控视频浓缩任务中亟待解决的关键问题进行了深入的探究。具体地,本文面向快速高效的在线管道重排、可靠的视频前景提取和语义感知,以及精确的管道构造等需求提出了新方法,为视频浓缩技术的应用推广和研究扩展奠定了基础。大量的实验分析验证了本文所提出方法的有效性。
付茜雯[7]（2020）在《计算机科技论文摘要的机翻错误类型及译后编辑》文中提出科研论文在知识传播过程中作用重大,推动国际范围内的知识共享。摘要是科研论文中必不可少的一部分,既是对论文的概括性总结,也是读者发现和探寻相关领域知识的快捷途径。然而,目前英文摘要的机器翻译质量在精确性和专业性方面都不尽人意,需要通过后期编辑和人工校对才能产出高质量的中文翻译文本。本文以计算机科学论文摘要为例,对谷歌机器翻译的300篇计算机英文论文摘要的中文版本进行了翻译错误类型分析并归类,并提出相应的译后编辑策略。首先在赖斯文本类型理论翻译策略指导下,对机器翻译系统生成的译文进行译后编辑,再邀请计算机专业以及翻译专业的专业人士进行确认。之后以DQF-MQM错误类型分类框架为依据,对机器翻译系统生成的译文中的错误进行分类。研究发现,机器翻译的计算机英文论文摘要的中文版本中存在七大类翻译错误,其中不符合中文表达习惯的翻译错误占比最大,其次是术语误译、误译、欠译、漏译、过译以及赘译。本论文研究发现,由于源文本的信息型学术文本特征,长难句、被动语态以及术语翻译是造成机器翻译错误的主要原因。针对源文本的逻辑缜密、语步序固定等特征,本研究针对性地对各类错误类型提出了相应译后编辑策略。建议译者在译后编辑中通过将隐性连接转换为显性连接从而保持源文逻辑性,通过增加主语以及调整语序处理被动语态保持源文的学术精准,通过恰当选取词意处理半技术词汇等。本研究采用定性和定量分析方法,系统归类了计算机科技文本摘要中机器翻译出现的错误,并提出相应译后编辑策略,为该领域的译者提供参考建议,从而提高该领域的机器翻译质量。
二、一种视频对象提取与跟踪的新方法（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、一种视频对象提取与跟踪的新方法（论文提纲范文）
（1）中国图像工程:2009（论文提纲范文）
| 0 引 言 |
| 1 综述目的 |
| 1) 概括我国图像工程发展现状 |
| 2) 便利从事图像工程研究和图像技术应用的人员查阅有关文献 |
| 3) 提供期刊编者和文献作者有用的参考信息 |
| 2 刊物选取 |
| 3 文献选取和分类 |
| 4 文献分类统计结果和讨论 |
| 4.1 15年图像工程文献选取和分类概况比较 |
| 4.2 2009年各刊图像工程文献刊载情况 |
| 4.3 2009年各刊图像工程文献详细分类情况 |
| 5 前后3个5年的比较 |
| 6 结 论 |
（2）中国图像工程:2008（论文提纲范文）
| 1 引 言 |
| 2 综述目的 |
| 3 刊物选取 |
| 4 文献选取和分类 |
| 5 文献分类统计结果和讨论 |
| 5.1 14年图像工程文献选取和分类概况比较 |
| 5.2 2008年各刊图像工程文献刊载情况 |
| 5.3 2008年各刊图像工程文献详细分类情况 |
| 6 结 论 |
（3）中国图像工程:2007（论文提纲范文）
| 1 引 言 |
| 2 综述目的 |
| 3 刊物选取 |
| 4 文献选取和分类 |
| 5 文献分类统计结果和讨论 |
| 5.1 近13年图像工程文献选取和分类概况比较 |
| 5.2 2007年各刊图像工程文献刊载情况 |
| 5.3 2007年各刊图像工程文献详细分类情况 |
| 6 结 论 |
（4）面向基于对象编码的视频分割研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究的背景和意义 |
| 1.1.1 视频压缩的重要性 |
| 1.1.2 视频编码的发展历程 |
| 1.1.3 本课题的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于运动的分割 |
| 1.2.2 时空结合的分割 |
| 1.2.3 帧间匹配跟踪法 |
| 1.2.4 各类视频分割技术的评价 |
| 1.3 论文的主要工作 |
| 1.4 论文的主要创新点 |
| 1.5 章节安排 |
| 第二章 视频分割理论基础 |
| 2.1 运动分析 |
| 2.1.1 真实运动与表征运动 |
| 2.1.2 参数模型 |
| 2.1.3 非参数模型 |
| 2.2 变化检测 |
| 2.3 小波变换 |
| 2.3.1 小波分析理论 |
| 2.3.2 基于小波变换的视频分割 |
| 2.4 形态学空域滤波 |
| 2.4.1 二值图像形态学 |
| 2.4.2 灰度图像形态学 |
| 2.4.3 形态学边缘检测 |
| 2.4.4 形态学关联算子 |
| 2.5 边缘检测 |
| 2.6 对象跟踪 |
| 2.6.1 Snake模型 |
| 2.6.2 Kalman滤波模型 |
| 2.6.3 Hausdorff跟踪 |
| 2.6.4 二维网格跟踪 |
| 2.7 本章小结 |
| 第三章 基于时空信息的视频分割 |
| 3.1 基于高阶矩检测和最大树滤波的时空分割算法 |
| 3.1.1 预处理 |
| 3.1.2 高阶矩特征检测运动区域 |
| 3.1.3 基于最大树滤波的形态学空间分割 |
| 3.1.4 时空分割融合 |
| 3.1.5 实验结果 |
| 3.2 融合时域分割的分水岭视频分割方法 |
| 3.2.1 算法概述 |
| 3.2.2 基于边缘的运动检测 |
| 3.2.3 融合时空信息的修正分水岭 |
| 3.2.4 实验与分析 |
| 3.3 本章小结 |
| 第四章 基于跟踪的视频分割方法 |
| 4.1 基于支持向量机的视频跟踪方法 |
| 4.1.1 支持向量机原理 |
| 4.1.2 基于SVM的分割跟踪算法 |
| 4.1.3 实验结果 |
| 4.2 基于块仿射优势分类和HD跟踪的视频分割方法 |
| 4.2.1 运动对象检测 |
| 4.2.2 基于Hausforff距离的对象跟踪 |
| 4.2.3 模型更新 |
| 4.2.4 修正分水岭提取VOP |
| 4.2.5 实验与分析 |
| 4.3 四个算法的综合评价 |
| 4.4 本章小结 |
| 第五章 基于对象的视频编码研究 |
| 5.1 MPEG-4 标准的基于对象压缩功能 |
| 5.1.1 传统编码与基于对象编码的统一 |
| 5.1.2 MPEG-4 数据结构 |
| 5.1.3 基于对象编码方案 |
| 5.2 基于对象编码系统的实现与实验结果 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 前景展望 |
| 参考文献 |
| 攻读博士期间发表的论文 |
| 致谢 |
（5）自然刺激注意机制的脑电研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 注意的认知神经机制 |
| 1.2.1 自上而下的注意机制 |
| 1.2.2 自下而上的注意机制 |
| 1.2.3 交互的注意加工过程 |
| 1.3 基于视听刺激的注意机制研究 |
| 1.3.1 听觉注意机制研究 |
| 1.3.2 视觉注意机制研究 |
| 1.4 注意机制的脑电研究方法 |
| 1.4.1 人工刺激的脑电响应 |
| 1.4.2 自然刺激的脑电响应 |
| 1.5 注意研究现状总结与存在问题 |
| 1.6 研究内容 |
| 1.6.1 研究一:自然语篇中词汇加工的自上而下注意调节 |
| 1.6.2 研究二:自下而上的声学线索对自然语篇加工的注意调节 |
| 1.6.3 研究三:自然视频场景中目标检测的注意调节 |
| 1.6.4 研究框架 |
| 1.7 论文结构安排 |
| 2 研究平台及信号采集处理方法 |
| 2.1 实验平台 |
| 2.2 脑电图 |
| 2.2.1 工作原理 |
| 2.2.2 脑电记录 |
| 2.2.3 延时测量 |
| 2.2.4 信号预处理 |
| 2.3 数据处理算法 |
| 2.3.1 时间规整分析 |
| 2.3.2 相位一致性分析 |
| 2.3.3 主成分分析 |
| 2.3.4 岭回归 |
| 2.4 统计检验方法 |
| 2.4.1 自举检验 |
| 2.4.2 置换检验 |
| 2.4.3 刀切法检验 |
| 2.4.4 错误发现率 |
| 2.5 本章小结 |
| 3 自然语篇中词汇加工的自上而下注意调节 |
| 3.1 引言 |
| 3.2 语音刺激 |
| 3.2.1 结构化语篇 |
| 3.2.2 合成语音 |
| 3.2.3 自然朗读语音 |
| 3.2.4 神经响应仿真 |
| 3.3 实验设计与流程 |
| 3.3.1 语音评估测验 |
| 3.3.2 实验一流程 |
| 3.3.3 实验二流程 |
| 3.3.4 实验三流程 |
| 3.4 语音神经响应的频谱分析 |
| 3.4.1 注意情况下合成语音的脑电响应频谱分析 |
| 3.4.2 非注意情况下合成语音的脑电响应频谱分析 |
| 3.4.3 注意情况下自然朗读语音的脑电响应频谱分析 |
| 3.4.4 情况间比较分析 |
| 3.5 本章小结 |
| 4 自下而上的声学线索对自然语篇加工的注意调节 |
| 4.1 引言 |
| 4.2 语音刺激 |
| 4.2.1 声学调制 |
| 4.2.2 神经响应仿真 |
| 4.3 实验设计与流程 |
| 4.3.1 语音评估测验 |
| 4.3.2 实验一流程 |
| 4.3.3 实验二流程 |
| 4.3.4 实验三流程 |
| 4.4 调制语音神经响应的频谱分析 |
| 4.4.1 注意情况下调制语音的脑电响应频谱分析 |
| 4.4.2 非注意情况下调制语音的脑电响应频谱分析 |
| 4.4.3 实验的重复验证 |
| 4.5 调制语音神经响应的相位分析 |
| 4.5.1 注意情况下调制语音的脑电响应相位分析 |
| 4.5.2 非注意情况下调制语音的脑电响应相位分析 |
| 4.5.3 实验的重复验证 |
| 4.6 分离词汇及声学调制的的神经响应 |
| 4.6.1 词汇响应分析 |
| 4.6.2 声学调制响应分析 |
| 4.6.3 词汇与声学调制响应的比较分析 |
| 4.6.4 实验的重复验证 |
| 4.7 本章小结 |
| 5 自然视频场景中目标检测的注意调节 |
| 5.1 引言 |
| 5.2 视觉刺激标记技术 |
| 5.2.1 自然视频的区域调制 |
| 5.2.2 提取视觉诱发响应 |
| 5.2.3 技术优势 |
| 5.3 实验设计与流程 |
| 5.3.1 实验一流程 |
| 5.3.2 实验二流程 |
| 5.4 自然视频的脑电响应分析 |
| 5.4.1 视觉诱发响应分析 |
| 5.4.2 个体的视觉诱发响应分析 |
| 5.5 视觉目标检测的行为结果 |
| 5.5.1 行为结果分析 |
| 5.5.2 行为结果的个体分布 |
| 5.6 自然视频场景的脑电响应分析 |
| 5.6.1 视觉目标和视觉干扰的事件相关电位分析 |
| 5.6.2 视频背景的视觉诱发电位分析 |
| 5.7 脑电响应预测个体行为结果 |
| 5.7.1 脑电响应预测个体的反应时 |
| 5.7.2 脑电响应预测个体的正确率 |
| 5.7.3 不同人群的脑电响应差异分析 |
| 5.7.4 脑电响应的联合预测分析 |
| 5.8 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 创新点与不足 |
| 6.3 展望 |
| 参考文献 |
| 主要名词缩写 |
| 作者简历 |
| 攻读博士期间发表的学术论文及成果 |
（6）目标感知的监控视频浓缩（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 主要符号对照表 |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.2 研究内容和主要贡献 |
| 1.3 论文组织结构 |
| 2 视频浓缩相关方法综述 |
| 2.1 管道重排 |
| 2.1.1 离线管道重排 |
| 2.1.2 在线管道重排 |
| 2.2 视频前景提取 |
| 2.2.1 传统视频前景提取方法 |
| 2.2.2 基于深度学习的视频前景提取方法 |
| 2.3 目标跟踪 |
| 2.3.1 通用目标跟踪方法 |
| 2.3.2 面向视频浓缩的目标跟踪方法 |
| 2.4 本章小结 |
| 3 基于动态图着色优化的在线管道重排 |
| 3.1 问题定义 |
| 3.2 方法详细介绍 |
| 3.2.1 管道重排流程定义 |
| 3.2.2 方法概述 |
| 3.2.3 基于动态图着色的模型更新 |
| 3.2.4 在线视频浓缩的完整流程实现 |
| 3.3 实验结果与分析 |
| 3.3.1 数据集与评价指标 |
| 3.3.2 超参数分析 |
| 3.3.3 与现有方法的比较 |
| 3.3.4 算法复杂度分析 |
| 3.4 本章小结 |
| 4 多尺度捕获与边缘增强的监控视频前景提取 |
| 4.1 问题定义 |
| 4.2 方法详细介绍 |
| 4.2.1 方法概述 |
| 4.2.2 网络模块介绍 |
| 4.3 实验结果与分析 |
| 4.3.1 数据集与评价指标 |
| 4.3.2 实验设置与实现细节 |
| 4.3.3 消融实验 |
| 4.3.4 与现有方法的对比 |
| 4.4 本章小结 |
| 5 无需预标注的监控视频前景语义感知 |
| 5.1 问题定义 |
| 5.2 方法详细介绍 |
| 5.2.1 无需预标注的监控视频前景提取 |
| 5.2.2 监控视频前景语义感知 |
| 5.3 实验结果与分析 |
| 5.3.1 数据集与评价指标 |
| 5.3.2 实验设置与实现细节 |
| 5.3.3 与现有方法的比较 |
| 5.3.4 消融实验 |
| 5.3.5 本章方法在视频浓缩任务上的应用 |
| 5.4 本章小结 |
| 6 面向精确管道获取的跟踪轨迹平滑化 |
| 6.1 问题定义 |
| 6.2 方法详细介绍 |
| 6.2.1 平滑度定义 |
| 6.2.2 衡量跟踪轨迹平滑度的新型指标 |
| 6.2.3 基于卡尔曼滤波的抖动减除方法 |
| 6.3 实验结果与分析 |
| 6.3.1 数据集与评价指标 |
| 6.3.2 静止目标的跟踪分析 |
| 6.3.3 标准数据集实验 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（7）计算机科技论文摘要的机翻错误类型及译后编辑（论文提纲范文）
| 摘要 |
| Abstract |
| CHAPTER1 INTRODUCTION |
| 1.1 Research Background and Significance |
| 1.2 Aims of the Study |
| 1.3 Organization of the Thesis |
| CHAPTER2 LITERATURE REVIEW AND FRAMEWORK |
| 2.1 Overview on Machine Translation and Post-editing |
| 2.2 Previous Studies on MT Error Types and Post-Editing Strategies |
| 2.3 DQF-MQM Error Classification Framework |
| 2.4 Previous Studies on MT Error Types of Paper Abstracts |
| 2.5 Text Typology Theory |
| 2.5.1 Text Typology Theory of Reiss |
| 2.5.2 Previous Studies on Informative Texts and Translation Principles |
| CHAPTER3 METHODOLOGY |
| 3.1 Source Text and Text Analysis |
| 3.1.1 Source Text |
| 3.1.2 Text Analysis |
| 3.2 Research Method |
| 3.3 Translation Process |
| 3.3.1 Translating300 computer science abstracts with MT system |
| 3.3.2 Post-editing the MT-generated translation based on Text Typology Theory |
| 3.3.3 Conducting a semi-structured interview for ensuring post-editing quality |
| 3.3.4 Analyzing and summarizing the errors in300 abstracts |
| 3.3.5 Preliminary error classifications based on DQF-MQM Framework |
| 3.3.6 Conducting the2nd semi-structured interview to confirm error classifications |
| 3.3.7 Quantitative analysis of all MT errors in the300 abstracts |
| CHAPTER4 RESULTS AND DISCUSSION |
| 4.1 Error Types of Machine Translated English Abstracts |
| 4.1.1 Unidiomatic Translation Errors in MT output |
| 4.1.2 Terminology Mistranslation Errors in MT Output |
| 4.1.3 Mistranslation Errors in MT Output |
| 4.1.4 Under-translation Errors in MT Output |
| 4.1.5 Omission Translation Errors in MT Output |
| 4.1.6 Over-translation Errors in MT Output |
| 4.1.7 Errors of Addition in MT Output |
| 4.2 Post-editing Strategies for Machine Translated Abstracts |
| 4.2.1 Post-editing Strategies for Long and Complex Sentences |
| 4.2.2 Post-editing Strategies for Passive Voice Sentences |
| 4.2.3 Post-editing Strategies for Technical Terms |
| CHAPTER5 CONCLUSION |
| 5.1 Major Findings |
| 5.2 Limitations and Suggestions |
| References |
| Appendix Source Texts and Target Texts of300 Abstracts |
| 1-20 Abstracts |
| 21-40 Abstracts |
| 41-60 Abstracts |
| 61-80 Abstracts |
| 81-100 Abstracts |
| 101-120 Abstracts |
| 121-140 Abstracts |
| 141-160 Abstracts |
| 161-180 Abstracts |
| 181-200 Abstracts |
| 201-220 Abstracts |
| 221-240 Abstracts |
| 241-260 Abstracts |
| 261-280 Abstracts |
| 281-300 Abstracts |
| ACKNOWLEDGEMENTS |
四、一种视频对象提取与跟踪的新方法（论文参考文献）
- [1]中国图像工程:2009[J]. 章毓晋. 中国图象图形学报, 2010(05)
- [2]中国图像工程:2008[J]. 章毓晋. 中国图象图形学报, 2009(05)
- [3]中国图像工程:2007[J]. 章毓晋. 中国图象图形学报, 2008(05)
- [4]面向基于对象编码的视频分割研究[D]. 张晓波. 天津大学, 2007(04)
- [5]自然刺激注意机制的脑电研究[D]. 罗城. 浙江大学, 2021(01)
- [6]目标感知的监控视频浓缩[D]. 阮涛. 北京交通大学, 2021(02)
- [7]计算机科技论文摘要的机翻错误类型及译后编辑[D]. 付茜雯. 大连理工大学, 2020(06)