导读:本文包含了区域生成算法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:区域,卷积,特征,深度,稠密,神经网络,网络。
区域生成算法论文文献综述
李蓟涛,梁永全[1]（2019）在《基于最小生成树的分割区域密度聚类算法》一文中研究指出针对传统密度聚类算法因使用全局变量导致对不平衡数据集的适应能力较差的问题,提出了一种基于最小生成树的密度聚类算法.首先进行数据集密度峰值计算,用于估计全局密度;然后通过密度聚类将数据集划分为高密度区域和低密度区域;接着构建和分割最小生成树对低密度区域内样本进行关联挖掘,用于将高密度区域与低密度区域互联;最后计算簇密度并以此作为特征进行簇合并,得到聚类结果.该算法结合图论知识,将数据按密度特征进行分块后合并处理,克服了传统密度聚类算法存在的局限性.通过选取多个不平衡人工数据集和UCI数据集对该算法进行测试,验证了该算法的有效性与鲁棒性.(本文来源于《计算机辅助设计与图形学学报》期刊2019年09期）
黄友文,冯恒,万超伦[2]（2019）在《基于区域生成网络结构的多层特征融合目标检测算法》一文中研究指出现有深度学习目标检测算法往往只利用了卷积神经网络(convolutional neural network,CNN)提取的深层特征进行判别,对浅层特征利用不足。为了利用浅层的细节信息来提高最终所提取的特征层信息的丰富性,提出了一种基于区域生成网络(region proposal network,RPN)结构的多层特征融合目标检测算法,该算法通过深度卷积网络获取不同层次的特征,并将浅层特征与深层次特征进行融合来获得更加丰富的提取特征,以提升检测模型的性能。以Image Net上的公开数据voc2007为实验对象,以Faster RCNN为基础的检测框架进行改进,最终改进后的平均精度均值(mean average precision,mAP)相比于Faster RCNN有所提升,表明研究结果提升了目标检测模型的准确度。(本文来源于《科学技术与工程》期刊2019年24期）
包仁达,庾涵,朱德发,黄少飞,孙瑶[3]（2019）在《基于区域敏感生成对抗网络的自动上妆算法》一文中研究指出自动上妆旨在通过计算机算法实现人脸妆容的编辑与合成,隶属于人脸图像分析领域.其在互动娱乐应用、图像视频编辑、辅助人脸识别等多方面起着重要作用.然而作为人脸编辑任务,其仍难以在保证图像的编辑结果自然、真实的同时又很好地满足编辑需求,并且仍有难以精确控制编辑区域、图像编辑前后一致性差、图像质量不够精细等问题.针对以上难点,创新性地提出了一种掩模控制的自动上妆生成对抗网络,该网络利用掩模方法,能够重点编辑上妆区域,约束人脸妆容编辑中无需编辑的区域不变,保持主体信息.同时其又能单独编辑人脸的眼影、嘴唇、脸颊等局部区域,实现特定区域上妆,丰富了上妆功能.此外,该网络能够进行多数据集联合训练,除妆容数据集外,还可以使用其他人脸数据集作为辅助,增强模型的泛化能力,得到更加自然的上妆结果.最后,依据多种评价标准,进行了充分的定性及定量实验,并与目前的主流算法进行了对比,综合评价了所提方法的性能.(本文来源于《软件学报》期刊2019年04期）
王宾[4]（2018）在《基于区域生成网络的自动驾驶系统行人检测算法实现》一文中研究指出随着自动驾驶汽车日渐风靡,自动驾驶汽车的安全性也逐渐成为人们关注的焦点。自动驾驶汽车在道路行驶时,不仅要对车辆使用者的安全负责,还要实时对周围环境进行感知,对其他道路使用者的安全负责。行人作为道路使用者之一,能否快速地被检测出来直接关系到自动驾驶汽车的普及和推广。为此,本文对faster RCNN进行简化,使用VGG-16网络和ZF网络分别基于区域生成网络模型实现了行人检测。本文算法将行人检测问题视为二分类问题进行解决,将行人目标视为前景,非行人区域视为背景。首先,对预训练模型VGG-16网络和ZF网络结构以及资源占用量进行分析,对资源占用量较大的层进行删减或修改等操作,降低了网络模型大小。然后,使用修改后的预训练模型实现了基于区域生成网络的模型训练,并分别实现卷积权重和特征提取效果图的可视化分析,预估了算法的检测能力。接着,使用本文算法分别就Caltech Pedestrian Dataset和自拍摄数据集样张进行随机抽取,实现了检测结果展示。然后,探究了训练参数、非极大抑制等因素对检测结果的影响,并使用Caltech Pedestrian Dataset的set00~set03作为训练集,Daimler Mono Ped.Detection Benchmark Data Set的子集作为测试集,实现了算法稳定性测试。最后,使用官方统一评价指标就本文算法和主流算法在Caltech Pedestrian Dataset上的检测结果进行了对比分析。实现结果显示,本文Ped-VGG16算法在Caltech Pedestrian Dataset上将漏检率(FPPI=10~(-1))降低到了16.9%,Ped-ZF算法降低到了33.83%,并且分别将时间降低到了0.14s和0.05s。实验结果表明,两种算法的性能优于大多数主流算法,并且Ped-ZF算法基本达到了实时检测行人的目标。(本文来源于《西南交通大学》期刊2018-05-15）
王田雨[5]（2017）在《目标检测中候选区域生成算法的研究与改进》一文中研究指出提取与类别无关的候选区域是计算机视觉领域众多任务都面临着的一个基础性的问题,在图像分类、目标检测、图像问答系统中都有广泛的应用。在目标检测领域,基于候选区域的神经网络可以达到当前最好结果,也成为目标检测的主流方法。候选区域生成算法是一种加速目标检测的高效方法,能够极大地提高目标检测中分类器的效率。候选区域生成算法需要在类别未知的情况下输出图像中可能存在目标的区域,可利用的先验信息非常少,是一项非常有挑战性的工作。一些方法在先前研究工作中被广泛使用。最简单的是滑动窗口方法,该方法需提取106~107个包围框,由于包围框数量太多,对包围框区域进行特征提取和分类时的计算量很大,极大影响了目标检测的效率。应用最广泛的是基于图像低层特征的方法,主要有Selective Search方法和Edge Boxes方法,虽然在包围框数量上大量减少,但是由于缺少图像高层语义信息,导致平均召回率很低。在最近基于神经网络的方法中,最有代表性的是Sharp Mask方法,使用Mask区域能够达到较高的平均召回率,但是没有考虑包围框位置优化的问题,在包围框定位方面仍有较大提升空间。本文以基于区域的卷积神经网络目标检测框架为前提,以高效的通用性候选区域生成算法为研究目的,围绕如何生成较少较为精确的与类无关的候选区域进行展开。针对初始窗口中负样本过多的问题,使用了目标性实例分割和小尺寸窗口相结合的方式,减少噪声窗口的引入;针对基于神经网络的Sharp Mask方法定位不准确的问题,使用了Attractio Net方法中的位置优化模块,在优化过程中加入了聚类分析和结合分数的动态区域搜索,进一步提高位置优化模块的定位准确性;针对后处理阶段错误包围框的筛选问题,使用了置信度衰减和加入先验知识的方法,提高候选区域对图像中目标的命中率。实验主要使用VOC和COCO数据集,实验结果验证了改进后的方法能有效地提高候选区域的平均召回率,以及目标检测的精度和效率。在平均召回率方面,相对Sharp Mask方法在不同指标上有大约7~12%的提升,相对Attractio Net方法在各种尺寸指标上有大约1~2%的提升。在Multi Path目标检测框架下,使用优化后的20个包围框可以达到优化之400前个包围框的检测精度,一定程度上提高了目标检测中分类器的效率。(本文来源于《哈尔滨工业大学》期刊2017-12-01）
王叁虎,强彦[6]（2016）在《基于混沌粒子优化匹配的无线传感网簇区域生成算法》一文中研究指出为解决无线传感网分簇过程中存在分簇机制复杂以及分簇性能不佳等难题,提出一种基于混沌粒子优化匹配机制的无线传感网簇区域生成算法。评估网络节点的可靠性能,引入自适应混沌粒子,对节点进行虚拟映射,进行节点的动态更新,实现对簇区域的初步划分;通过综合考虑节点的能量因素及链路可靠程度,定义并建立更新匹配函数,对簇头节点进行匹配搜寻,构建簇头-簇成员信息交互结构,达到对网络传感数据的优化传输目的。仿真结果表明,与MCBMC、CHEP算法相比,该算法拥有更高的黑洞节点检出率、更低的网络控制开销与拥塞节点比例。(本文来源于《计算机工程与设计》期刊2016年11期）
颜雨,孙尽尧[7]（2016）在《基于区域再分割的改进型SLIC超像素生成算法》一文中研究指出超像素能够提高图像分割算法的计算效率,是图像更具视觉意义的一种描述,关于超像素分割算法的研究一直是当下研究的热点。流行的SLIC超像素生成算法在细节丰富区域容易产生欠分割的超像素,影响图像处理的后续步骤。为改进SLIC算法的不足,改进型的算法通过对检测欠分割区域,并在其中添加新聚类中心来修正欠分割。该方法能够保留原始SLIC算法的分割结果,只在欠分割区域进行处理,从而得到更精确的超像素结果并且不对原先使用SLIC算法的应用产生大的影响。通过实验与原始SLIC算法对比,该改进型算法的各项评价指标均优于SLIC算法,且运行效率相差无几,能够为图像的进一步处理提供更好的基础。(本文来源于《激光杂志》期刊2016年08期）
马旭,程咏梅,郝帅,陈克喆,王涛[8]（2015）在《面向未知区域深度测量的序列图像稠密点特征生成算法》一文中研究指出对未知着降区平坦度测量是无人机在复杂地形下安全着陆的关键问题。首先,根据小孔成像原理推导出基于单目序列图像的未知区域深度计算方程;其次,针对稀疏匹配存在深度信息重构误差大而稠密匹配在平滑区域误匹配率高的问题,提出一种基于Delaunay叁角剖分的稠密点特征生成算法;然后,分别对序列图像中的2帧图像提取亚像素级Harris角点和尺度不变特征变换(SIFT)特征点,并分别进行特征点匹配;再以2种特征点间的欧氏距离作为约束条件将2种特征点进行融合,生成准稠密特征点;最后,将准稠密特征点进行Delaunay叁角剖分,并根据每个剖分叁角形上3个顶点像素偏差的方差值制定稠密特征点的生成策略,并结合所提出的深度计算方程计算整个未知区域各点的深度信息。通过Vega Prime(VP)搭建仿真演示验证系统,实验结果表明在机载相机距地面400m处计算高度分别为90m和55m的物体深度信息时,其深度测量相对误差不超过0.89%,具有较高的精度。(本文来源于《航空学报》期刊2015年02期）
王朝杨[9]（2015）在《基于层次分割的物体候选区域生成算法研究》一文中研究指出物体候选区域生成已经成为了物体检测算法中重要的一步,并且被成功地应用于其它计算机视觉问题,如视频内物体检测与跟踪、叁维物体识别、手写图形识别等。物体检测器使用物体候选区域生成算法将原本需要检测的数以百万计的滑块窗口降到了只有几千、甚至几百个窗口。这使得物体检测系统能够在合理的时间预算内使用更为复杂的分类器,例如深达百层的卷积神经网络对窗口内图像进行物体识别。在本文中,我们提出了一个新的物体候选区域生成算法:分支层次分割。我们根据复杂物体需要使用不同相似度度量才能将其多个不同颜色、纹理的部件组合在一起这一观察,提出在自底向上的层次分割的每个阶段同时使用多种不同的相似度度量。这种多阶段分支搜索策略能够有效扩展在分割区域组合空间中的搜索范围。为了有效地提高多支层次分割的物体检测率,我们提出了一个通过调整训练样本权重的算法来顺序地训练互补相似度度量。与同样采用调整样本权重进行训练的Adaboost算法不同之处在于,我们的目标不是选择多个弱分类器来组合成一个强分类器,而是去获得一组互补的相似度度量,使得其中总有某个相似度度量能够检测到被其它度量遗留的物体。我们与其它物体候选区域生成算法进行了详尽的实验比较,并且在各项物体候选区域衡量指标中取得了相近、或最好的结果。另外,为了能够直观地比较各种物体候选区域算法在实际物体检测应用中的表现,我们测试了R-CNN物体检测器在使用各种不同物体候选生成算法时在Pascal VOC2007测试集上的物体检测精度。在参与比较的方法中,我们的多支层次分割算法取得了最高的mAP值,并且比原始R-CNN检测器使用的Selective Search算法少使用了30%的物体候选区域。(本文来源于《上海交通大学》期刊2015-01-20）
李骏,樊留群,赵建华,陈阁,胡立文[10]（2014）在《基于区域划分的刀轨生成算法的研究》一文中研究指出针对行切法加工带有岛屿的复杂型腔时,如何产生最短且无跳刀的刀具轨迹,提出了一种基于区域划分的刀具轨迹生成算法。首先通过区域划分理论将内外边界均为凸轮廓的复杂型腔的加工区域划分为若干单调子区域,然后在每个单调子区域中生成刀具轨迹,刀具加工完一个子区域,可以直接过渡到相邻子区域,不仅获得了无跳刀刀轨,加工中也不存在重复切削现象。最后将该方法与UG中的往复行切法进行了对比,验证了该算法的有效性。(本文来源于《组合机床与自动化加工技术》期刊2014年05期）
区域生成算法论文开题报告
（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：
现有深度学习目标检测算法往往只利用了卷积神经网络(convolutional neural network,CNN)提取的深层特征进行判别,对浅层特征利用不足。为了利用浅层的细节信息来提高最终所提取的特征层信息的丰富性,提出了一种基于区域生成网络(region proposal network,RPN)结构的多层特征融合目标检测算法,该算法通过深度卷积网络获取不同层次的特征,并将浅层特征与深层次特征进行融合来获得更加丰富的提取特征,以提升检测模型的性能。以Image Net上的公开数据voc2007为实验对象,以Faster RCNN为基础的检测框架进行改进,最终改进后的平均精度均值(mean average precision,mAP)相比于Faster RCNN有所提升,表明研究结果提升了目标检测模型的准确度。
（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。
区域生成算法论文参考文献
[1].李蓟涛,梁永全.基于最小生成树的分割区域密度聚类算法[J].计算机辅助设计与图形学学报.2019
[2].黄友文,冯恒,万超伦.基于区域生成网络结构的多层特征融合目标检测算法[J].科学技术与工程.2019
[3].包仁达,庾涵,朱德发,黄少飞,孙瑶.基于区域敏感生成对抗网络的自动上妆算法[J].软件学报.2019
[4].王宾.基于区域生成网络的自动驾驶系统行人检测算法实现[D].西南交通大学.2018
[5].王田雨.目标检测中候选区域生成算法的研究与改进[D].哈尔滨工业大学.2017
[6].王叁虎,强彦.基于混沌粒子优化匹配的无线传感网簇区域生成算法[J].计算机工程与设计.2016
[7].颜雨,孙尽尧.基于区域再分割的改进型SLIC超像素生成算法[J].激光杂志.2016
[8].马旭,程咏梅,郝帅,陈克喆,王涛.面向未知区域深度测量的序列图像稠密点特征生成算法[J].航空学报.2015
[9].王朝杨.基于层次分割的物体候选区域生成算法研究[D].上海交通大学.2015
[10].李骏,樊留群,赵建华,陈阁,胡立文.基于区域划分的刀轨生成算法的研究[J].组合机床与自动化加工技术.2014
论文知识图
