导读:本文包含了分类检测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:向量,卷积,神经网络,基音,目标,深度,算法。
分类检测算法论文文献综述
冯起斌,李鸿燕[1]（2019）在《基于多分类支持向量机和主体延伸法的基音检测算法》一文中研究指出低信噪比环境下的基音检测颇具难度却极有现实意义,传统基音检测在此背景下效果不佳。因此,提出一种基于多分类支持向量机的基音检测算法。该算法使用语音信号的静态帧级特征对多分类支持向量机进行监督训练,计算出各帧语音可能的几个基音大小,作为对应的基音候选值,并使用主体延伸法对得到的候选基音状态进行处理,结合帧与帧之间的时序信息,在候选基音中选取合适值连接起来得到被测语音的基音状态估计曲线。将该算法与相关方法进行比较,实验结果表明,该方法有效提升了低信噪比环境下的基音检测率,在不同强度的噪声干扰下仍能保持良好的鲁棒性。(本文来源于《现代电子技术》期刊2019年22期）
刘海燕,席海龙,丛菲[2]（2019）在《基于RSVM的多分类人侵检测算法研究》一文中研究指出随着网络技术的迅速发展,网络攻击手段愈发复杂。传统入侵检测技术(IDS)在处理部分少数类稀有攻击时,检测效率低下。针对支持向量机算法,提出一种基于特征的正向选择排序(FSR)检测算法——RSVM。该方法以精确度为指标,对特征重要性权值作以排序,提取影响最大的特征值,并结合该方法的RSVM_OVR多分类策略,在实现对入侵检测数据的多分类识别的同时,提高少数类攻击数据的检测效率。实验在KDD99数据集上进行,取得了较好效果。(本文来源于《通信技术》期刊2019年10期）
倪洁,徐志伟,刘金龙[3]（2019）在《基于Haar分类器人脸动态检测模块的算法研究》一文中研究指出本文主要是分析基于Haar分类器一个具有可用性的动态人脸识别算法研究,采用较为成熟的Haar分类器算法,该算法把AdaBoost算法训练出的强分类器进行了级联,这个算法应当具有高的人脸识别率和低的误识别率,并且具有较好的实时性。(本文来源于《中国新通信》期刊2019年17期）
刘铭,南西[4]（2019）在《改进的二叉决策树多分类算法在入侵检测中的应用》一文中研究指出网络安全问题日益严峻,入侵检测作为主要的网络防范手段之一,但多分类的检测普遍存在检测率低漏报误报率高的问题,本文结合入侵检测数据中正常数据的数据量远大于异常数据的特点,并根据类间分离性算法确定不同攻击类型的分离顺序,构造性能优良的二叉树结构,有效提高入侵检测的性能。(本文来源于《电脑知识与技术》期刊2019年24期）
娄新雨,王海,蔡英凤,郑正扬,陈龙[5]（2019）在《采用64线激光雷达的实时道路障碍物检测与分类算法的研究》一文中研究指出针对64线激光雷达数据量大,导致无人自主车的障碍物检测实时性差的问题,提出一种兼顾有效性和实时性的目标检测和分类算法。该算法首先通过多特征多层高度地图分离路面、障碍物和悬挂物;然后采用基于动态距离阈值的网格聚类算法对障碍物进行聚类,并结合相邻两个障碍物的运动状态信息对聚类结果进行修正,提高聚类的准确率;最后使用SVM对障碍物进行检测和分类。实验结果表明:该算法最优识别率达89.77%,耗时约为95 ms,在保证检测和分类准确率的基础上,满足无人自主车在道路行驶时检测障碍物的实时性要求,具有显着的工程实用价值。(本文来源于《汽车工程》期刊2019年07期）
曾平平[6]（2019）在《基于深度学习算法的水果图像目标分类与检测研究》一文中研究指出改革开放以来,我国水果种植面积不断扩大,水果产量不断提升,然而,过去大部分的水果采摘作业基本依靠人工,而从事农业生产的人员又在不断缩减,为应对农业生产中人力不足的必然发展趋势,开发具有识别与定位功能的采摘机器人符合社会发展需要,将给社会发展带来巨大的经济效益和广阔的市场前景。近年来,随着深度学习的迅速发展和崛起,尤其其在视觉方向取得了巨大的成就,相比传统的识别算法,深度学习在对目标识别的特征描述上能力更强。因此,开发基于深度学习算法视觉识别功能的采摘机器人具有重大意义。首先,本文基于当前先进的深度学习算法进行实验探究,提出了基于卷积神经网络的水果图像分类识别算法,主要参照经典的卷积神经网络模型LeNet-5结构,提出新的卷积神经网络结构并对苹果、梨、橙子、橘子、桃子五种水果进行分类识别,该模型构建了一个输入层、两个卷积层、两个池化层、两个全连接层和一个输出层。实验结果表明,所提出的卷积神经网络结构不仅在数据集上取得了96.88%的识别准确率,相比原始的LeNet-5模型获得的准确率更高,收敛速度更快。其次,本文对水果图像识别又进行了更为深入的研究,基于深度学习目标检测算法,为论证算法的可行性,选取苹果图像作为具体的研究对象,而当前主流的深度学习目标检测算法有Faster-RCNN、YOLO、SSD,本文的检测算法采用基于区域建议的Faster-RCNN,通过该算法来对图像中的苹果进行识别与定位研究。为应对自然场景下苹果目标可能出现的遮挡、重迭、逆光、表面光照不均等情况,在采集图像时,拍摄了包含不同尺寸大小、数量以及不同光照角度的苹果图像,通过选取本文提出的改进的LeNet-5和经典的卷积神经网络VGG16以及ResNet101为基础提取网络并进行建模对比,探讨不同框架模型下的检测效果,通过多次设定不同的超参数组合并进行模型的精度对比,以此来得到了合适的超参数组合,最终在基于ResNet101的Faster-RCNN苹果检测模型上得到了90.91%的平均检测精度,而在以本文提出的改进LeNet-5模型上获得的检测精度太低,又相比以VGG16为基础提取网络的模型,基于ResNet101的模型在平均检测精度上得到了明显的提升,虽然在检测速度上逊色于VGG16,检测一幅图像的时间为0.39秒,但已经达到了实时性的要求,并且得到了98.96%的查全率和85.74%的召回率,通过最后的实验测试表明,该模型可用于对树上苹果的检测,验证了算法的可行性,也为研究检测其他种类的水果提供了经验。(本文来源于《南华大学》期刊2019-05-01）
朱远林[7]（2019）在《基于深度学习的疟疾自检测与分类算法研究》一文中研究指出疟疾是一种由疟疾寄生虫导致且威胁人类生命的传染性疾病,目前世界上约有2.19亿例疟疾病例,涵盖90多个国家,每年由疟疾导致的死亡人数达到40多万人。精确的疟原虫检测是疟疾后续治疗和管理的前提,光学显微镜筛查(Microscope)是当前世界上疟原虫检测的金标准,其缺点是耗时长,且其精度完全取决于技术人员的专业性。然而,在一些资源匮乏的地区,缺乏专业的检测人员是他们面临的最大难题。针对此问题,本论文主要研究基于深度学习实现快速、高精度的疟疾自动诊断方法。论文的主要贡献如下:(1)针对薄血片图像中的疟原虫感染细胞检测,我们基于模型Fine-tuning策略,将视觉几何群网络(Visual Geometry Group,VGG)和支持向量机(Support Vector Machine,SVM)进行结合,提出了 VGG+SVM模型疟原虫自动检测模型。该模型通过预训练的VGG网络提取疟原虫图像特征,然后使用SVM分类器进行分类。我们在芬兰分子医学研究所提供的公开免费MAMIC数据集上对所提出的模型进行测试,MAMIC数据集包含从50个薄血液涂片中获取的2550张图片样本,其中包含1030张受疟原虫感染和1520张未受到疟原虫感染的图片。实验最终获得了91.97%的准确率,实验结果表明,该方法比其它基于CNN的模型取得了更好的结果。(2)针对厚血片图像中的小目标疟原虫检测,我们使用基于Faster-RCNN深度学习模型对目标进行检测。该模型主要有两部分组成,第一部分是用于提取特征区域的深度卷积网络,第二个部分是使用第一部分提取的特征区域检测目标的Fast-RCNN模型。我们使用乌干达马克雷雷大学Artificial Intelligence and Data Science Research Group提供的公开免费数据集对我们的Faster-RCNN模型进行了评估。实验结果表明,我们使用的faster-RCNN可获得89.98%的准确率,相比于其它基于该数据集上的其它方法。该模型可以轻易的延伸到其它寄生虫或者血液病原体的检测,对全球疾病尤其是疟原虫的检测具有重要意义。(本文来源于《北京交通大学》期刊2019-05-01）
许永波[8]（2019）在《基于DCNN的航拍输电线路图像特征分类和覆冰检测算法研究》一文中研究指出输电线路是国家电力输送的重要渠道,导线和绝缘子是其重要的组成部分。由于大部分的输电线路设备建设在户外,需要承受各种外界环境以及各种自然灾害的侵扰。其中由于冰雪的侵扰,输电线路的覆冰值超过设定的临界值,引起导线发生断线、杆塔倒塌、绝缘子闪络等事故,使输电线路无法正常的工作运行。因此,国家电网公司需要花费大量的人力物力对输电线路进行巡检,清除杆塔上的鸟巢,除去导线和绝缘子上的覆冰。我国幅员辽阔,地形复杂,气候差异大,输电线路分布广泛,给工作人员巡检工作带来很大的困扰。为了辅助电网工作人员的巡检工作,本文通过采用图像处理技术处理输电线路的图像,提出了一种基于Deep Convolution Neural Network(后使用DCNN代替)的无人机航拍输电线路图像的特征识别分类的算法,并针对覆冰图像进行了详细的计算。首先,建立了一个输电线路图像数据集,并将数据集分为了预训练集和测试集;然后,通过使用由QT5和Python共同搭建的图像标记工具,对预训练集中的图像进行手工标注以及分类;其次,将这些预训练集里的图像输入到深度卷积神经网络里面,并结合改进的SVM多分类器,从而训练生成一个输电线路图像分类模型;接着,将测试图像输入到该模型里面,得到该图像的类别;进而,再将图像输入到一个判断模型,如果该图像为正常的,则跳过;如果该图像为覆冰图像或是含有鸟巢的图像,则将该图像输出;最后,对输出的图像做进一步的处理,得到这些图像的实际坐标信息,用以指引工作人员前往做好排障处理工作。实验结果表明:本文提出的基于深度学习的无人机航拍输电线路图像特征识别分类算法对输电线路图像能够很好的分类;使用的覆冰厚度计算方法也能够准确的计算输电线路图像的覆冰厚度,计算的误差与当前工作相比,具有一定的优化。因此本文提出的算法对输电线路特征识别分类、导线绝缘子图像的覆冰厚度计算有一定的参考价值。(本文来源于《郑州大学》期刊2019-05-01）
曾庆功[9]（2019）在《基于深度学习的乳腺肿块检测及分类算法研究》一文中研究指出根据Global Caner发布的最新数据:乳腺癌是全球女性中最常见的恶性肿瘤之一,2012年,全世界女性新发乳腺癌病例约为167.1万,在女性恶性肿瘤发病率中排名第一。据估计,截止到2021年,中国乳腺癌患者人数将高达250万,且呈上升趋势。早期筛查,准确诊断以及积极精准的治疗可以显着降低乳腺癌死亡率。因此,早期筛查乳腺癌的研究具有非常重要的现实意义。乳腺癌的早期X线征象主要包括肿块和钙化,通常肿块边缘是模糊的,形状和大小是不同的,特征是多样的。此外,乳腺中存在大量致密组织,这使得乳房肿块的检测更加困难,目前的检测普遍存在假阳性率高的问题。此外,在乳腺肿块的良恶性分类方面,目前的大量的文献的主要的研究仍是简单的良恶性二分类,这在实际临床中存在很大的弊端,并不能满足医生的实际需求。近些年来随着以深度学习为基础的人工智能技术的日趋成熟完善,如何利用深度学习技术结合医学成像辅助阅读医生已成为医学图像处理领域的热点问题。因此,本文将重点研究利用区域卷积神经网络技术来实现放射科阅片医生的肿块检测以及基于BI-RADS金标准对乳腺肿块性分期评估分类。这样就可以大大减轻阅读医生的工作量,帮助临床医生可靠,稳定,准确地进行乳腺癌早期筛查。本文的主要的研究内容是基于区域卷积神经网络的乳腺肿块的检测以及分期评估分类。本文首先回顾了深度学习在图像目标检测领域的现状以及发展方向,然后通过对经典目标检测网络Faster R-CNN网络的改进,实现了乳腺肿块的检测,最后基于BI-RADS标准初步实现了乳腺肿块恶性度的评估分类。本文的主要工作如下:1.基于Faster R-CNN的改进网络模型实现乳腺肿块的检测为了实现快速准确地将乳腺肿块从钼靶图像中检测出来,我们提出了一种基于改进Faster R-CNN网络的乳腺肿块检测方法。首先,利用数据增强技术对实验训练的数据进行扩充,然后按照数据库提供的专家标注的信息进行图像数据标注,即将乳腺的位置信息在图像上进行标记。然后将标注好的数据送入到改进的Faster R-CNN网络中进行训练。在该改进网络中,我们重新设定了anchor的尺寸大小,以使之更加符合乳腺肿块的尺寸大小,另外我们在共享卷积层的最后两层中间加入多层特征融合技术,然后将融合后的卷积特征图送入到RPN网络中,生成候选区域。实验结果表明:改进后的网络模型比原模型在检测敏感性方面提高了8.5个百分点,在单张假阳性个数方面,降低了18.5%。2.基于BI–RADS标准的乳腺肿块分期评估分类乳腺肿块的准确定性分析,有利于医生及时准确的制定下一步的诊疗方案。目前,大量的文献的做法仅对乳腺肿块进行简单的良恶性分类,这样分类比较粗糙,并不能完全满足实际临床的需要,很容易对患者的病情进行误诊。并且在实际临床中,肿块的恶性定性是依据病理分析进行最终的确定,而不是仅依靠钼靶影像就可以进行确诊的。阅读医生的通常做法是根据抗癌协会乳腺癌专家委员会发布的乳腺癌诊断和治疗指南和规范来执行肿块(BI–RADS 0、1、2、3、4、5)进行分类,而不是进行简单的良恶性分类处理。我们在之前改进网络模型的基础上面重新对共享卷积层进行了设计,最后确定了7个卷积层和2个池化层的共享卷积部分。实验结果表明:我们的模型对BI–RADS 0、1、2、3、4、5的检测分类精度分别达到39.5%、91.3.4%、64.3%、73.6%、73.9%、79.3%,平均精度达到70.3%。尽管评估分类的精度还有待提高,但该模型基本实现了基于BI–RADS的乳腺肿块恶性度评估分类,相比于以往仅对乳腺肿块进行良恶性分类,更具有临床现实意义。(本文来源于《郑州大学》期刊2019-05-01）
刘豪[10]（2019）在《基于卷积神经网络的场景文本检测与图像分类算法研究》一文中研究指出随着智能移动终端的普及,摄像头拍摄的自然场景图像大量涌现,其中蕴含了丰富的语言信息,正确检测自然场景中的文本是视觉理解应用(盲人导航、车牌识别和基于文字的图片检索等)的重要基石。在智能电网领域,对于高压电线杆上的警示牌进行检测,可以增强无人机在巡检过程中对周围环境的理解。因此,检测图像中文本精确位置并进行文本提取有着重要意义。针对传统机器学习算法在自然场景文本检测应用中易受目标尺度,图像质量,文本角度等因素影响,且当前大多数算法对图像中的文本有不同程度的漏检问题,本文提出一种基于卷积神经网络的改进自然场景文本检测算法,该方法以深度残差网络模型(Res-Net)为基础,后借鉴U-Net与Refine-Net的思想对不同层级特征融合,最后构建多类型损失函数进行监督学习。达到快速检测文本与精准定位文本位置的目的。为了给检测模型提取到的文字进行分类识别做铺垫,针对卷积神经网络收敛速度慢,提出联合结构相似性与类信息的图像分类优化算法。本文主要研究工作包括:(1)本文使用多领域泛化学习能力极强的深度残差网络作为基础网络,同时去除全连接层,变为全卷积网络结构,大大减少训练参数和计算资源,同时采用端到端的训练策略保证无中间过程对模型造成影响。(2)本文采用多特征图融合学习策略。深层特征图的每个神经元具有更大的感受野,预测大目标较为合适,而前层的特征图对于小目标预测帮助更大。因此采用多层特征图融合分析来完成检测任务。(3)本文针对自然场景文本检测任务创新性引入焦点损失(Focal Loss)解决难易样本权重分配问题。样本集中往往存在大量简单易分的负样本,负样本很可能掩盖其他有类别信息样本。本文通过焦点损失动态分配不同样本权重,使训练过程充分学习那些有类别信息且难区分样本。(4)针对卷积神经网络训练收敛速度慢的问题,提出了一种加权的联合结构相似性和类信息监督训练的方法。首先,针对小图像,设计一个能有效提取图像高级别信息的卷积神经网络;其次,建立加权的联合结构相似性和类信息损失函数训练卷积神经网络;最后,通过Mnist手写数字和Cifar10图像分类实验验证所设计网络的有效性。将上述算法在公开的自然场景数据集ICDAR2013,ICDAR2015和ICDAR2017进行了性能测试。所改进方法相比其他方法在召回率,准确度和F值获得了一定的优势,其中F值分别获得了0.8981,0.8369和0.640的高分。将图像分类算法所设计的网络在Mnist手写数字和Cifar10上的图像分类错误率分别为0.33%和11%,在未进行扩增Mnist数据集的前提下,所设计的网络的性能超过了该数据集上所有单网络的性能。在Cifar10数据集上,所设计的网络能以较少的计算量获得较高的图像分类准确率。同时,联合结构相似性和类信息损失的监督训练能加快网络的训练速度。(本文来源于《湖北工业大学》期刊2019-05-01）
分类检测算法论文开题报告
（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：
随着网络技术的迅速发展,网络攻击手段愈发复杂。传统入侵检测技术(IDS)在处理部分少数类稀有攻击时,检测效率低下。针对支持向量机算法,提出一种基于特征的正向选择排序(FSR)检测算法——RSVM。该方法以精确度为指标,对特征重要性权值作以排序,提取影响最大的特征值,并结合该方法的RSVM_OVR多分类策略,在实现对入侵检测数据的多分类识别的同时,提高少数类攻击数据的检测效率。实验在KDD99数据集上进行,取得了较好效果。
（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。
分类检测算法论文参考文献
[1].冯起斌,李鸿燕.基于多分类支持向量机和主体延伸法的基音检测算法[J].现代电子技术.2019
[2].刘海燕,席海龙,丛菲.基于RSVM的多分类人侵检测算法研究[J].通信技术.2019
[3].倪洁,徐志伟,刘金龙.基于Haar分类器人脸动态检测模块的算法研究[J].中国新通信.2019
[4].刘铭,南西.改进的二叉决策树多分类算法在入侵检测中的应用[J].电脑知识与技术.2019
[5].娄新雨,王海,蔡英凤,郑正扬,陈龙.采用64线激光雷达的实时道路障碍物检测与分类算法的研究[J].汽车工程.2019
[6].曾平平.基于深度学习算法的水果图像目标分类与检测研究[D].南华大学.2019
[7].朱远林.基于深度学习的疟疾自检测与分类算法研究[D].北京交通大学.2019
[8].许永波.基于DCNN的航拍输电线路图像特征分类和覆冰检测算法研究[D].郑州大学.2019
[9].曾庆功.基于深度学习的乳腺肿块检测及分类算法研究[D].郑州大学.2019
[10].刘豪.基于卷积神经网络的场景文本检测与图像分类算法研究[D].湖北工业大学.2019
论文知识图
