导读:本文包含了级联神经网络论文开题报告文献综述、选题提纲参考文献，主要关键词:神经网络,卷积,级联,遥感,深度,图像,结构。
级联神经网络论文文献综述写法
程慧涛,王珊珊,柯子文,贾森,程静[1]（2019）在《基于深度递归级联卷积神经网络的并行磁共振成像方法》一文中研究指出快速磁共振成像是磁共振研究领域重要的课题之一.随着大数据和深度学习的兴起,神经网络成为快速磁共振技术的重要方法.然而网络性能表现和网络参数量之间较难取得平衡,且对于多通道数据重建的并行成像问题,相关研究较少.本文构建了一种深度递归级联卷积神经网络结构,用于处理并行成像问题.这种网络结构在减少网络参数量的同时,能够尽可能地提高网络的表达能力,提高网络重建的精确度.实验结果表明,相较于传统并行成像方法,通过训练好的神经网络对欠采样磁共振数据进行重建,可以得到更准确的重建结果,且重建时间大大缩短.(本文来源于《波谱学杂志》期刊2019年04期）
毕秀丽,魏杨,肖斌,李伟生,马建峰[2]（2019）在《基于级联卷积神经网络的图像篡改检测算法》一文中研究指出基于卷积神经网络的图像篡改检测算法利用卷积神经网络的学习能力可以实现不依赖于单一图像属性的图像篡改检测,弥补传统图像篡改检测方法依赖单一图像属性、适用度不高的缺陷。利用深层多神经元的单一网络结构的图像篡改检测算法虽然可以学习更高级的语义信息,但检测定位篡改区域效果并不理想。该文提出一种基于级联卷积神经网络的图像篡改检测算法,在卷积神经网络所展示出来的普遍特性的基础上进一步探究其深层次的特性,利用浅层稀神经元的级联网络结构弥补以往深层多神经元的单一网络结构在图像篡改检测中的缺陷。该文提出的检测算法由级联卷积神经网络和自适应筛选后处理两部分组成,级联卷积神经网络实现分级式的篡改区域定位,自适应筛选后处理对级联卷积神经网络的检测结果进行优化。通过实验对比,该文算法展示了较好的检测效果,且具有较高的鲁棒性。(本文来源于《电子与信息学报》期刊2019年12期）
李渊强,吴宇雳,杨孝平[3]（2019）在《基于级联式叁维卷积神经网络的肝肿瘤自动分割》一文中研究指出目的:根据肝肿瘤CT影像中的特异性、分割难点以及残差网络思想,提出一种基于级联式卷积神经网络的全自动CT图像肝脏肿瘤分割方法。方法:首先根据临床知识对CT数据进行预处理,减少干扰;然后基于一个肝脏粗分割网络对肝脏进行分割,并根据分割结果坐标选取肝脏作为感兴趣区域;最后在感兴趣区域内对肿瘤进行精准分割。结果:通过级联式网络分割可以有效减少计算时间以及避免其它组织的干扰,从而实现肝肿瘤的快速分割。本研究提出的方法在2017年MICCAI肝肿瘤分割公开比赛数据集LiTS中进行测试,平均Dice分数为0.663,证实了其对肝肿瘤分割的有效性。结论:基于级联式卷积神经网络的全自动CT图像肝脏肿瘤分割方法可以实现肿瘤的快速分割。后期研究将继续增加数据量,对肿瘤进行分类,从而进一步完善模型。(本文来源于《中国医学物理学杂志》期刊2019年11期）
郑伟成,李学伟,刘宏哲,代松银[4]（2019）在《基于级联卷积神经网络的人脸关键点检测算法》一文中研究指出基于卷积神经网络及级联回归思想,文中提出了一种优化的两个阶段的人脸关键点检测算法。1)使用浅层卷积网络将整个人脸图像作为输入,初始预测出较高精度的关键点位置;2)级联的更加浅层的卷积网络分别对初始预测的关键点位置进行精确,其输入为以初始预测关键点为中心的较小的矩形区域。使用公共数据集LFPW来训练模型,检测人脸的左右眼、鼻部及左右嘴角5个关键点,并对比不同级联结构对检测结果的影响。通过数据增强相关技术来增加数据以提高模型的泛化性能。(本文来源于《中国计算机用户协会网络应用分会2019年第二十叁届网络新技术与应用年会论文集》期刊2019-11-07）
江筱,邵珠宏,尚媛园,丁辉[5]（2019）在《基于级联深度神经网络的抑郁症识别》一文中研究指出抑郁症是最常见的心理障碍之一,严重困扰患者的工作和生活。随着情感感知技术的发展,开发抑郁症自动识别系统具有广阔的前景。基于视频人脸图像,结合级联深度神经网络和多特征(全局特征和局部特征)对抑郁症BDI-II分值进行预测。设计全局特征网络、局部特征网络(眼部,嘴部)叁个分支,利用FaceNet网络和深度神经网络提取全局特征,利用基于四元数的局部二进制编码和深度神经网络提取局部特征。在融合层将全局特征向量和局部特征向量拼接,接入第叁个深度神经网络对抑郁程度进行预测。在AVEC2013和AVEC 2014抑郁症数据库上进行测试,实验结果表明,与其他基于视觉的方法相比,该方法取得了更小的平均绝对误差和均方根误差。(本文来源于《计算机应用与软件》期刊2019年10期）
白丽贇,胡学敏,宋升,童秀迟,张若晗[6]（2019）在《基于深度级联神经网络的自动驾驶运动规划模型》一文中研究指出针对基于规则的运动规划算法需要预先定义规则和基于深度学习的方法没有利用时间特征的问题,提出一种基于深度级联神经网络的运动规划模型。该模型将卷积神经网络(CNN)和长短期记忆网络(LSTM)这两种经典的深度学习模型进行融合并构成一种新的级联神经网络,分别提取输入图像的空间和时间特征,并用以拟合输入序列图像与输出运动参数之间的非线性关系,从而完成从输入序列图像到运动参数的端到端的规划。实验利用模拟驾驶环境的数据进行训练和测试,结果显示所提模型在乡村路、高速路、隧道和山路四种道路中均方根误差(RMSE)不超过0.017,且预测结果的稳定度优于未使用级联网络的算法一个数量级。结果表明,所提模型能有效地学习人类的驾驶行为,并且能够克服累积误差的影响,适应多种不同场景下的路况,具有较好的鲁棒性。(本文来源于《计算机应用》期刊2019年10期）
余东行,郭海涛,张保明,赵传,卢俊[7]（2019）在《级联卷积神经网络的遥感影像飞机目标检测》一文中研究指出传统遥感影像飞机目标检测算法依赖于人工设计特征,对大范围复杂场景和多尺度的飞机目标稳健性较差,基于深层卷积神经网络的目标检测算法通常难以有效应对大幅影像的目标搜索和弱小目标检测问题,针对上述问题,本文提出了一种基于级联卷积神经网络的遥感影像飞机目标检测算法。首先根据全卷积神经网络能够支持输入任意大小图像的特点,采用小尺度浅层全卷积神经网络对整幅影像进行遍历和搜索,快速获取疑似飞机目标作为兴趣区域,然后利用较深层的卷积神经网络对兴趣区域进行更精确的目标分类与定位。为提高卷积神经网络对地物目标的辨识能力,在卷积层中引入多层感知器,并在训练过程中采取多任务学习与离线难分样本挖掘的策略;在测试阶段,建立影像金字塔进行多级搜索,并结合非极大值抑制消除冗余窗口,从而实现由粗到精的飞机目标检测与识别。对多个数据集下多种复杂场景的遥感影像进行测试,结果表明,本文方法具有较高的准确性和较强的稳健性,可为大幅遥感影像的飞机目标检测问题提供一个快速高效的解决方案。(本文来源于《测绘学报》期刊2019年08期）
陈红梅[8]（2019）在《基于互补神经网络级联模型的聚丙烯MFR预报》一文中研究指出提出了一种基于集成数据处理的,由高斯基-自适应复合基函数构成的互补径向基函数(RBF)神经网络系统和隐马尔科夫模型(HMM)的聚丙烯熔体流动速率(MFR)预报方法。首先构造HES-KDE-TVW集成数据处理方法,挖掘建模数据规律;然后构造自适应复合基函数,搭建互补的RBF神经网络预报模型;最后引入HMM对聚丙烯生产过程中的随机误差进行估计。经过工厂实际数据检验,模型在精度、泛化性及可靠性方面具有较好的综合性能。此种建模方法能为聚丙烯生产过程中牌号切换和质量控制提供一种备选的指导方案。(本文来源于《塑料科技》期刊2019年07期）
陈慧元,刘泽宇,郭炜炜,张增辉,郁文贤[9]（2019）在《基于级联卷积神经网络的大场景遥感图像舰船目标快速检测方法》一文中研究指出针对大场景遥感图像舰船目标的快速检测问题,该文设计了一种级联型卷积神经网络检测框架。该检测框架由目标预筛选全卷积网络(P-FCN)和目标精确检测全卷积网络(D-FCN)两个全卷积网络级联而成。P-FCN是一个轻量级的图像分类网络,负责对大场景图像中可能的舰船区域进行快速预筛选,其层数少、训练简单,候选框冗余较少,能够减少后续网络的计算负担;D-FCN是一个改进的U-Net网络,通过在传统U-Net结构中加入目标掩膜和舰船朝向估计层以进行多任务的学习,实现任意朝向舰船目标的精细定位。该文分别使用TerraSAR-X雷达遥感图像和从91卫图、DOTA数据集中获得的光学遥感图像对算法进行了测试,结果表明该方法的检测准确率分别为0.928和0.926,与传统滑窗法相当,但目标检测时间仅为滑窗法的1/3左右。该文所提的级联型卷积神经网络检测框架在保持检测精度的前提下能显着提高目标检测效率,可实现大场景遥感图像中舰船目标的快速检测。(本文来源于《雷达学报》期刊2019年03期）
张忠星,李鸿龙,张广乾,朱文平,刘力源[10]（2019）在《CCNet:面向多光谱图像的高速船只检测级联卷积神经网络（英文）》一文中研究指出针对实现遥感图像中船只目标的快速检测,提出了一个采用多光谱图像、基于级联的卷积神经网络(CNN)船只检测方法 CCNet.该方法所采用两级级联的CNN依次实现感兴趣区域(ROI)的快速搜索、基于感兴趣区域的船只目标定位和分割.同时,采用含有更多细节信息的多光谱图像作为CCNet的输入,能够提升网络提取特征鲁棒性,从而使得检测更加精确.基于SPOT 6卫星多光谱图像的实验表明,与当前主流的深度学习船只检测方法相比,该方法能够在实现高检测精准度的基础上将检测速度提高5倍以上.(本文来源于《红外与毫米波学报》期刊2019年03期）
级联神经网络论文开题报告范文
（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：
基于卷积神经网络的图像篡改检测算法利用卷积神经网络的学习能力可以实现不依赖于单一图像属性的图像篡改检测,弥补传统图像篡改检测方法依赖单一图像属性、适用度不高的缺陷。利用深层多神经元的单一网络结构的图像篡改检测算法虽然可以学习更高级的语义信息,但检测定位篡改区域效果并不理想。该文提出一种基于级联卷积神经网络的图像篡改检测算法,在卷积神经网络所展示出来的普遍特性的基础上进一步探究其深层次的特性,利用浅层稀神经元的级联网络结构弥补以往深层多神经元的单一网络结构在图像篡改检测中的缺陷。该文提出的检测算法由级联卷积神经网络和自适应筛选后处理两部分组成,级联卷积神经网络实现分级式的篡改区域定位,自适应筛选后处理对级联卷积神经网络的检测结果进行优化。通过实验对比,该文算法展示了较好的检测效果,且具有较高的鲁棒性。
（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。
级联神经网络论文参考文献
[1].程慧涛,王珊珊,柯子文,贾森,程静.基于深度递归级联卷积神经网络的并行磁共振成像方法[J].波谱学杂志.2019
[2].毕秀丽,魏杨,肖斌,李伟生,马建峰.基于级联卷积神经网络的图像篡改检测算法[J].电子与信息学报.2019
[3].李渊强,吴宇雳,杨孝平.基于级联式叁维卷积神经网络的肝肿瘤自动分割[J].中国医学物理学杂志.2019
[4].郑伟成,李学伟,刘宏哲,代松银.基于级联卷积神经网络的人脸关键点检测算法[C].中国计算机用户协会网络应用分会2019年第二十叁届网络新技术与应用年会论文集.2019
[5].江筱,邵珠宏,尚媛园,丁辉.基于级联深度神经网络的抑郁症识别[J].计算机应用与软件.2019
[6].白丽贇,胡学敏,宋升,童秀迟,张若晗.基于深度级联神经网络的自动驾驶运动规划模型[J].计算机应用.2019
[7].余东行,郭海涛,张保明,赵传,卢俊.级联卷积神经网络的遥感影像飞机目标检测[J].测绘学报.2019
[8].陈红梅.基于互补神经网络级联模型的聚丙烯MFR预报[J].塑料科技.2019
[9].陈慧元,刘泽宇,郭炜炜,张增辉,郁文贤.基于级联卷积神经网络的大场景遥感图像舰船目标快速检测方法[J].雷达学报.2019
[10].张忠星,李鸿龙,张广乾,朱文平,刘力源.CCNet:面向多光谱图像的高速船只检测级联卷积神经网络（英文）[J].红外与毫米波学报.2019