选择性搜索论文_林菁,杨楠,臧勤

导读:本文包含了选择性搜索论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:选择性,卷积,神经网络,语义,目标,交通标志,感兴趣。

选择性搜索论文文献综述

林菁,杨楠,臧勤^[1]（2019）在《基于FCN模型和选择性搜索的目标检测方法》一文中研究指出针对现有的识别算法在复杂环境下鲁棒性较差、准确率较低、检测速率较低慢问题,构建了一种基于全卷积神经网络(FCN)和选择性搜索的检测算法。首先,运用已经训练好的FCN模型快速对前车区域进行语义分割,实现前方目标位置的粗定位;接着,通过选择性搜索算法提取多尺度的候选区域,并将候选区域放入卷积神经网络分类模型进行分类得到各个候选区域的置信度;最后,通过非极大值抑制法提取最优区域即得到目标所在的精确位置。在LISA数据库的测试结果表明,相对于R-CNN算法,所提出的算法的准确率提高了5.9%,召回率提高了7.1%,平均单张识别时间减少了0.51秒/幅。(本文来源于《雷达与对抗》期刊2019年02期）

李熙莹,周智豪,吕硕^[2]（2018）在《基于选择性搜索算法的车脸部件检测》一文中研究指出车脸部件检测能够广泛地应用于车辆识别及车辆的语义分割。尽管对于车脸的检测已经做出过大量的努力,但现有的研究大多集中在车脸的整块区域的检测及定位,提出了一种基于选择性搜索的车脸部件检测算法。该算法分为两个阶段:首先,将车辆图片进行高斯滤波去噪以及图像归一化预处理。其次,对预处理后的图片,利用基于图表示的图像分割算法获取初始分割区域,计算两两相邻区域在颜色、纹理、大小及吻合度之间的相似度;随后利用初始分割区域相邻区域间的颜色、纹理、大小以及吻合度的相似性对初始分割区域进行合并,从而准确分割车脸各部件。采用部分香港中文大学的公开数据集CompCars,总计4 199张图像,作为测试样本以测试车脸部件分割检测效果。实验结果表明,该算法检测车脸部件的平均重合度达到73.74%,明显胜过其它目标检测算法,此外,该算法不需训练,具有更强的通用性。(本文来源于《计算机工程与科学》期刊2018年10期）

刘思思^[3]（2018）在《基于选择性搜索和改进卷积神经网络的交通标志识别》一文中研究指出交通标志识别是自动驾驶技术和智能交通系统的重要组成部分,对于改善人民生活、有效防止交通事故的发生有着重要的意义。近年来,随着人工智能大潮的到来,交通标志识别的研究成为了计算机视觉、模式识别、深度学习领域的一大研究热点。而交通标志识别的关键就是如何正确地提取交通标志感兴趣区域和对交通标志进行分类。由于传统的交通标志感兴趣提取算法对于天气敏感,且易背景的干扰,所以本文中引入了一种新的感兴趣区域提取算法以及二级分类,取得了较好的效果。主要研究内容如下:1.基于传统的交通标志感兴趣区域提取算法的颜色分割算法进行了实验,验证了传统方法在某些情况下的可行性。2.提出了将SS算法引入交通标志感兴趣区域提取中,并且基于颜色通道和最小分割阈值对SS算法进行了改进。通过实验验证了将SS算法中的RGB通道换成HSV通道,能够更好地适应多变天气下交通标志的提取,表明了改进后的有效性;基于清华-腾讯数据库,找到了提取效果较好的最小分割阈值。用改进后的SS算法与传统的交通标志感兴趣区域提取算法来提取交通标志感兴趣区域,实验结果表明了 SS算法的优越性。3.采用了交通标志二级分类方法,先进行正负样本的分类,再进行交通标志类别的分类。实验结果说明了第一级分类采用HOG+SVM分类方法,第二级分类采用LeNet5模型的优越性。4.提出了使用小的卷积核组成的卷积核组代替大的卷积核这一方法对Lenet5进行改进,得到了很好地分类效果。在改进的LeNet5基础上进行了参数的优化和数据集的扩大,实验结果表明了其有效性。(本文来源于《湖南大学》期刊2018-04-20）

钟必能,潘胜男^[4]（2016）在《选择性搜索和多深度学习模型融合的目标跟踪》一文中研究指出提出一种基于深度学习的多模型(卷积神经网络和卷积深信度网络)融合目标跟踪算法.该算法在提取候选粒子方面,使用选择性搜索和粒子滤波的方法.CVPR2013跟踪评价指标(50个视频序列、30个跟踪算法)验证了:该算法在跟踪中能有效地缓解目标物体由于遮挡、光照变化和尺度变化等因素造成的跟踪丢失情况的发生.(本文来源于《华侨大学学报(自然科学版)》期刊2016年02期）

秦艳琳,吴晓平,高键鑫^[5]（2012）在《分布式环境下信任路径选择性搜索及聚合研究》一文中研究指出针对现有基于信誉的信任模型在刻画节点推荐可信度、推荐信任路径搜索及合成算法方面存在的问题,提出基于时间衰减因子、推荐吻合度因子及交互成功率因子的推荐可信度更新算法,进而给出一种新的分布式环境下推荐信任路径选择性搜索算法,该算法以邻居节点间推荐可信度、评分相似度、路径长度等作为控制条件,能直接在搜索过程中规避恶意节点,选择包含有效推荐信息的路径进行搜索并停止对冗余路径的搜索。最后采用一种改进的D-S证据理论合成算法对搜索得到的信任路径进行聚合。仿真实验表明,与已有模型相比,所提模型具有较强的抵制各种恶意节点攻击的能力。(本文来源于《通信学报》期刊2012年S1期）

选择性搜索论文开题报告

（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：

车脸部件检测能够广泛地应用于车辆识别及车辆的语义分割。尽管对于车脸的检测已经做出过大量的努力,但现有的研究大多集中在车脸的整块区域的检测及定位,提出了一种基于选择性搜索的车脸部件检测算法。该算法分为两个阶段:首先,将车辆图片进行高斯滤波去噪以及图像归一化预处理。其次,对预处理后的图片,利用基于图表示的图像分割算法获取初始分割区域,计算两两相邻区域在颜色、纹理、大小及吻合度之间的相似度;随后利用初始分割区域相邻区域间的颜色、纹理、大小以及吻合度的相似性对初始分割区域进行合并,从而准确分割车脸各部件。采用部分香港中文大学的公开数据集CompCars,总计4 199张图像,作为测试样本以测试车脸部件分割检测效果。实验结果表明,该算法检测车脸部件的平均重合度达到73.74%,明显胜过其它目标检测算法,此外,该算法不需训练,具有更强的通用性。

（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。

选择性搜索论文参考文献

[1].林菁,杨楠,臧勤.基于FCN模型和选择性搜索的目标检测方法[J].雷达与对抗.2019

[2].李熙莹,周智豪,吕硕.基于选择性搜索算法的车脸部件检测[J].计算机工程与科学.2018

[3].刘思思.基于选择性搜索和改进卷积神经网络的交通标志识别[D].湖南大学.2018

[4].钟必能,潘胜男.选择性搜索和多深度学习模型融合的目标跟踪[J].华侨大学学报(自然科学版).2016

[5].秦艳琳,吴晓平,高键鑫.分布式环境下信任路径选择性搜索及聚合研究[J].通信学报.2012

论文知识图

标签：选择性论文;  卷积论文;  神经网络论文;  语义论文;  目标论文;  交通标志论文;  感兴趣论文;