导读:本文包含了网络分割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:卷积,神经网络,语义,图像,深度,网络,分辨率。
网络分割论文文献综述
罗晖,芦春雨,郑翔文[1]（2019）在《一种基于多尺度角点检测的语义分割网络》一文中研究指出为了实现更精确的语义分割,提出了一种目标全局解析网络(object global parsing network,OGPNet)。首先,基于卷积特征金字塔构造了一个多尺度角点检测器,检测不同尺度特征图上目标的关键点信息;其次,提出了一种多尺度联合池算法将获得的多尺度角点进行融合;最后,将组归一化(Grounp Normalization, GN)方法引入到该分割网络训练中以提升网络训练和收敛速度。OGPNet在Pascal VOC 2012数据集和Cityscapes数据集的分割结果的mIoU评价分别达到了78.5%和67.6%。且实验证明,相对于现有的一些语义分割网络,由OGPNet分割出的目标具有更完整的轮廓,且分割结果的视觉质量更好。(本文来源于《电脑知识与技术》期刊2019年33期）
李渊强,吴宇雳,杨孝平[2]（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）
张倩雯,陈明,秦玉芳,陈希[3]（2019）在《基于3D ResUnet网络的肺结节分割》一文中研究指出目的:将深度残差结构和U-Net网络结合形成新的网络ResUnet,并利用ResUnet深度学习网络结构对胸部CT影像进行图像分割以提取肺结节区域。方法:使用的CT影像数据来源于LUNA16数据集,首先对CT图像预处理提取出肺实质,然后对其截取立体图像块并进行数据增强来扩充样本数,形成相应的肺结节掩膜图像,最后将生成的样本输入到ResUnet模型中进行训练。结果:本研究模型最终的精度和召回率分别为35.02%和97.68%。结论:该模型能自动学习肺结节特征,为后续的肺癌自动诊断提供可靠基础,减少临床诊断的成本并节省医生诊断的时间。(本文来源于《中国医学物理学杂志》期刊2019年11期）
徐航,随力,张靖雯,赵彦富,李月如[4]（2019）在《卷积神经网络在医学图像分割中的研究进展》一文中研究指出卷积神经网络(CNN)是目前计算机视觉和模式识别中效果最为突出的算法。CNN拥有强大的空间识别能力,可以从图像中提取高阶的空间特征,同时通过共用卷积核的方式大幅减少参数量,从而在提升网络性能的同时保持总参数量在一个合理的、可运算的范畴。部分采用无监督学习的CNN算法可以在没有先验知识的条件下实现一定程度的图像语义分割,大幅减少人工读图的负担。本研究就CNN在医学图像分割中的研究进展和使用CNN时的具体技巧及其效果进行综述。以使用CNN为核心的深度学习工具解决医学图像分割的课题为中心,展示了CNN在有监督学习、半监督学习及无监督学习中的巨大潜力,分析比较了现有方案的优点与不足,探讨了未来CNN在医学图像领域的前进方向。(本文来源于《中国医学物理学杂志》期刊2019年11期）
帅爱华,陈烨[5]（2019）在《大规模网络自适应安全阈值数据自动分割算法》一文中研究指出为了提高大规模网络自适应安全阈值数据的检测能力,需要对数据进行优化分割,提出基于序贯模式检测和关联规则特征提取的大规模网络自适应安全阈值数据自动分割算法。构建大规模网络自适应安全阈值数据的统计序列模型,提取大规模网络自适应安全阈值数据相似度的描述性统计特征量,结合量化回归分析方法,对提取的大规模网络自适应安全阈值数据的关联特征集进行分类融合,实现大规模网络自适应安全阈值数据的自动分割与建模。仿真结果表明,采用该方法进行大规模网络自适应安全阈值数据自动分割的分类性较好,数据的误分率较低,提高了数据的安全检测和识别能力。(本文来源于《自动化与仪器仪表》期刊2019年11期）
郭彤宇,王博,刘悦,魏颖[6]（2019）在《多通道融合可分离卷积神经网络下的脑部磁共振图像分割》一文中研究指出目的卷积神经网络方法可以提取到图像的深层次信息特征,在脑部磁共振图像(MRI)分割领域展现出优秀的性能。但大部分深度学习方法都存在参数量大,边缘分割不准确的问题。为克服上述问题,本文提出一种多通道融合可分离卷积神经网络(MFSCNN)模型分割脑图像。方法首先,在训练集中增加待分割脑结构及其边缘像素点的权重,强制使网络学习如何分割脑结构边缘部分,从而提升整体脑结构分割的准确率。其次,引入残差单元,以避免梯度弥散,同时使用深度可分离卷积代替原始的卷积层,在不改变网络每个阶段特征通道数的情况下,减少了网络训练的参数数量和训练时间,降低了训练成本。最后,将不同阶段的特征信息合并在一起,进行通道混洗,得到同时包含深浅层次信息的增强信息特征,加入到网络中进行训练,每个阶段的输入特征信息更丰富,学习特征的速度和收敛速度更快,显着地提升了网络的分割性能。结果在IBSR(internet brain segmentation repositor)数据集上的分割结果表明,MFSCNN的分割性能相对于普通卷积神经网络(CNN)方法要明显提高,且在边缘复杂的部分,分割效果更理想,Dice和IOU(intersection over union)值分别提升了0. 9%6. 6%,1. 3%9. 7%。在边缘平滑的部分,MFSCNN方法比引入残差块的神经网络模型(Res CNN)和引入局部全连接模块的神经网络模型(Dense CNN)分割效果要好,而且MFSCNN的参数量仅为Res CNN的50%,Dense CNN的28%,在提升分割性能的同时,也降低了运算复杂度,缩短了训练时间。同时,在IBSR、Hammer67n20、LPBA40这3个数据集上,MFSCNN的分割性能比现有的其他主流方法更出色。结论本文提出的MFSCNN方法,加强了网络特征的信息量,提升了网络模型的训练速度,在不同数据集上均获得更精确的MR脑部图像分割结果。(本文来源于《中国图象图形学报》期刊2019年11期）
王中宇,倪显扬,尚振东[7]（2019）在《利用卷积神经网络的自动驾驶场景语义分割》一文中研究指出图像语义分割是现代自动驾驶系统的一个必要部分,因为对汽车周围场景的准确理解是导航和动作规划的关键。为提高自动驾驶场景的图像语义分割准确率,且考虑到当下流行的基于卷积神经网络的语义分割模型(DeepLab v3+)无法有效地利用注意力信息,导致分割边界粗糙等问题,提出一种融合底层像素信息与通道、空间信息的语义分割神经网络。在卷积神经网络中插入注意力模块,提取出图像语义级别的信息,通过学习图像的位置信息和通道信息得到更加丰富的特征;从卷积神经网络输出的各类别得分值计算出单点势能,且从初步分割图和原图得到成对势能,以便全连接条件随机场对图像的全部像素进行建模,并且优化图像的局部细节;全连接条件随机场通过迭代得到语义分割的最终结果。在CityScapes数据集上进行了测试,与DeepLab v3+相比较,改进后的模型分别提高了均交并比和均像素精度等关键指标1.07%和3.34%。它能够更加精细地分割目标,较好地解决分割边界粗糙,有效地抑制边界区域分割的过度平滑和不合理孤岛等问题。(本文来源于《光学精密工程》期刊2019年11期）
罗会兰,卢飞,孔繁胜[8]（2019）在《基于区域与深度残差网络的图像语义分割》一文中研究指出该文提出了一种结合区域和深度残差网络的语义分割模型。基于区域的语义分割方法使用多尺度提取相互重迭的区域,可识别多种尺度的目标并得到精细的物体分割边界。基于全卷积网络的方法使用卷积神经网络(CNN)自主学习特征,可以针对逐像素分类任务进行端到端训练,但是这种方法通常会产生粗糙的分割边界。该文将两种方法的优点结合起来:首先使用区域生成网络在图像中生成候选区域,然后将图像通过带扩张卷积的深度残差网络进行特征提取得到特征图,结合候选区域以及特征图得到区域的特征,并将其映射到区域中每个像素上;最后使用全局平均池化层进行逐像素分类。该文还使用了多模型融合的方法,在相同的网络模型中设置不同的输入进行训练得到多个模型,然后在分类层进行特征融合,得到最终的分割结果。在SIFT FLOW和PASCAL Context数据集上的实验结果表明该文方法具有较高的平均准确率。(本文来源于《电子与信息学报》期刊2019年11期）
李昂[9]（2019）在《基于对抗神经网络和语义分割技术的图像超分辨率系统的研发和应用》一文中研究指出在广电超高清(4K、8K)产业发展的背景下,以深度学习为代表的人工智能技术在图像超分辨率领域发展迅速。我们以对抗生成超分辨率网络(SRGAN)为基础,结合语义分割概率图和迭代校验内核(IKC)技术,提出了新颖的图像超分辨率生成模型。此模型可根据应用需求对图像中的目标物体进行识别,并使生成的超高清图像纹理更加真实。为此,我们以广电媒资大数据为基础制作了IFTV(Images From TV)数据集,用以对广电常见应用场景(如人脸或文字较多的场景)进行优化训练,使该模型能够在多个场景中达到令人满意的图像超分辨率效果,为今后广电领域超高清内容制作提供有力支持。(本文来源于《有线电视技术》期刊2019年11期）
王振,张善文,王献锋[10]（2019）在《基于改进全卷积神经网络的黄瓜叶部病斑分割方法》一文中研究指出为了解决传统卷积神经网络在黄瓜叶部病斑图像分割中存在模型训练时间长、分割效果差以及分割过程中易受光照和背景影响等问题,提出了一种基于改进全卷积神经网络的黄瓜叶部病斑分割方法。首先在模型训练的初始阶段使用传统的卷积神经网络得到病斑图像的轮廓特征,在训练过程中将传统的修正性单元(RELU)激活函数替换为指数线性单元(ELU)激活函数;然后对传统的卷积神经网络得到的病斑图像轮廓特征进行二次模型训练,训练过程中使用批归一化(Batch normalization)函数稳定模型训练过程;最后将原始卷积神经网络的多项逻辑回归(Soft max)分类器更换为支持向量机(SVM)分类器,对分类器输出的像素分类结果进行反卷积操作,恢复图像分辨率,得到分割结果。使用本研究方法与改进OTSU、SVM、CRF和传统FCN等4种方法在黄瓜叶部病斑数据集上进行分割试验,结果表明本研究方法的平均像素分割准确率为80.46%,平均交并比为70.43%,具有较高的分割精度。(本文来源于《江苏农业学报》期刊2019年05期）
网络分割论文开题报告
（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：
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。
（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。
网络分割论文参考文献
[1].罗晖,芦春雨,郑翔文.一种基于多尺度角点检测的语义分割网络[J].电脑知识与技术.2019
[2].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
[3].张倩雯,陈明,秦玉芳,陈希.基于3DResUnet网络的肺结节分割[J].中国医学物理学杂志.2019
[4].徐航,随力,张靖雯,赵彦富,李月如.卷积神经网络在医学图像分割中的研究进展[J].中国医学物理学杂志.2019
[5].帅爱华,陈烨.大规模网络自适应安全阈值数据自动分割算法[J].自动化与仪器仪表.2019
[6].郭彤宇,王博,刘悦,魏颖.多通道融合可分离卷积神经网络下的脑部磁共振图像分割[J].中国图象图形学报.2019
[7].王中宇,倪显扬,尚振东.利用卷积神经网络的自动驾驶场景语义分割[J].光学精密工程.2019
[8].罗会兰,卢飞,孔繁胜.基于区域与深度残差网络的图像语义分割[J].电子与信息学报.2019
[9].李昂.基于对抗神经网络和语义分割技术的图像超分辨率系统的研发和应用[J].有线电视技术.2019
[10].王振,张善文,王献锋.基于改进全卷积神经网络的黄瓜叶部病斑分割方法[J].江苏农业学报.2019
论文知识图
