导读:本文包含了目标检测与分割论文开题报告文献综述及选题提纲参考文献，主要关键词:卷积神经网络,归一化,目标检测,实例分割
目标检测与分割论文文献综述
王旭,张幸,赵文仓[1]（2019）在《基于改进群组归一化的目标检测与实例分割》一文中研究指出训练卷积神经网络,尤其是在使用ImageNet这种大规模数据集进行深层卷积神经网络训练时,往往需要投入几天甚至几个月的时间。为了加快神经网络的迭代收敛速度,通常需要使用批量归一化算法对训练网络的输入输出分布进行统一调整。本工作结合实例归一化方法对群组归一化进行了改进,并将改进后的该方法结合Faster R-CNN和Mask R-CNN进行了目标检测与实例分割实践。(本文来源于《青岛科技大学学报(自然科学版)》期刊2019年06期）
夏冬梅,李静,周亮[2]（2019）在《基于视觉显着模型和图像分割的文化图像目标检测（英文）》一文中研究指出针对图像目标识别中的高效率视觉注意机制问题,提出了一种基于视觉显着模型和图像分割的文化图像目标检测算法。首先采用基于颜色分量对比度视觉显着模型对现有的视觉显着计算方法进行了改进,提高了显着区域检测的效率。然后在传统Grab Cut图像分割算法的原理上,结合改进的视觉显着模型来实现显着区域初始化,无需人工交互步骤,从而实现全自动的图像目标检测。测试数据结果表明:相比于现有的几种典型方法,提出算法具有较好的目标检测性能和较快的检测速度。(本文来源于《机床与液压》期刊2019年18期）
潘晖[3]（2019）在《基于图像分割中轮廓提取的目标检测方法》一文中研究指出多目标检测与分类需要从图像的复杂背景下检测和分类出各类目标,它与目标检测和图像分割都有着密切的联系。目前,通过卷积神经网络(Convolutional Neural Networks,CNN)进行目标检测有了新的突破和研究方向,出现了一系列基于CNN的多目标检测与分类方法。其中,较为准确和快速的一类目标分类检测方法是在卷积神经网络的基础上增加区域候选网络(Region Proposal Networks,RPN)。这类方法使用区域卷积神经网络、空间金字塔池化(Spatial Pyramid Pooling,SPP)以及快速的区域卷积网络等技术,在检测上的多项指标上取得了显着的进步,使得检测速度基本达到了实时的要求,同时精度也得到大幅的提升。但这类多目标的检测和分类方法都是基于分类后的矩形框对所检测的目标进行标注的,这种做法虽然在速度和精度上有所提升。但不能精确地标定各个目标位置和形状轮廓;为了增加检测精度,基于矩形框的方法需要设有边界框回归学习的过程,这增加了整个卷积网络的时间成本;另外,这类方法对于各类小目标的检测效果并不理想。在图像的分割上目前主要是通过卷积网络提取图像特征,再通过对卷积神经网络全连接层的调整来完成图像分割,最终用不同像素表示出不同的目标。但是,这类方法受到卷积神经网络结构的影响(即卷积过程中会有分辨率的下降,以及感受野和目标细节的损失等等),所以分割精度并不高。针对上述问题,本文提出了一种通过图像语义分割提取出目标轮廓进而实现目标检测分类的方法。首先,该方法通过一个分支网络将特征与原图形成映射关系来获取目标候选区域;然后,从所得候选区集合中筛选出符合条件的目标区域,通过上采样和反卷积得到其语义分割图;接着,使用全连接条件随机场(Conditional Random Fields,CRFs)对各个分割图像进行优化,并对属于同一类别的目标进行处理得到各类目标的语义分割图;再由语义分割图快速获取目标的轮廓和类别;最后,使用轮廓对目标进行标注。实验证明,新方法不仅能够快速和准确地检测出目标的位置和轮廓信息并加以标注,而且能有效地提升对小目标的检测效果,同时具有更好的图像分割精度。(本文来源于《湘潭大学》期刊2019-06-04）
韩涛,辛欣[4]（2019）在《基于最大熵的目标分割和检测》一文中研究指出论文研究图像分割包含两个简单子图象的合成图象,这两个简单子图象的先验知识是它们拥有全局最大熵。图象概率密度函数表明是准高斯型形式。估计概率密度函数的参数,然后将最大似然比检验法用于分割。采用迭代算法提高分割的准确性,扩展该方法用于任意概率密度函数的图象分割。(本文来源于《计算机与数字工程》期刊2019年04期）
林椿眄[5]（2019）在《基于Mask R-CNN(FFM)的城市交通场景多目标检测与分割技术》一文中研究指出近年来,随着城市化和机动化水平的提高,城市交通问题日趋严重,社会各界对于智能交通、无人驾驶技术的需求也日益强烈。对于无人驾驶技术而言,感知周围环境并理解城市交通场景信息是实现无人驾驶的关键所在,即可归结为自然场景的多目标检测和分割问题。然而,当前在目标检测和分割方面的研究主要存在包括数据量单一、特征表征能力不足、模型性能不佳(特别是对小目标物体的检测和分割)等问题。本文的研究工作主要是基于深度学习模型,开展无人驾驶的环境感知研究,即对城市交通场景多目标进行识别、检测及分割等。首先,对于无人驾驶数据集问题,本文基于生成对抗网络GANs(Generative Adversarial Networks)的核心思想及其在图像生成领域的应用,提出一种W-DCGANs(Wasserstein-Deep Convolutional Generative Adversarial Networks)模型用于生成高质量的城市交通场景图像,在丰富数据的同时,也为后续环境感知模型训练和评估研究提供数据基础。其次,为了能够强化卷积特征提取过程并同时实现交通场景多目标检测和分割任务,本文提出一种新颖的Mask R-CNN(FFM)环境感知模型,在特征提取阶段引入一个特征融合模块FFM(Feature Fusion Module),联合Convolutional bone结构,融合多层级的特征并进行多尺度的特征金字塔变换。这不仅能够丰富特征表达,避免在特征映射过程信息丢失问题,还有助于提升模型的检测和分割表现。随后,基于所扩充的无人驾驶数据及环境感知模型Mask R-CNN(FFM),开展城市交通场景多目标检测与分割实验,以评估模型的整体性能及其鲁棒性表现。实验结果表明:Mask R-CNN(FFM)模型在多目标检测和分割任务上能够取得相当有竞争力的表现,特别是Convolutional bone结构和特征融合模块FFM的引入有助于提升小目标的检测和分割性能。此外,数据集的扩充不仅能够帮助感知模型的训练和评估过程,还能有效地改善了模型的鲁棒性表现。总的来说,本文的研究是非常有效且有现实意义:通过W-DCGANs模型扩充后的数据集不仅为模型的训练和评估提供数据基础,还能有效地提升模型的鲁棒性和泛化能力;而环境感知模型Mask R-CNN(FFM)能够实现非常有竞争力的多目标检测和分割表现。希望本文的研究成果能够促进无人驾驶技术及其相关领域未来的发展。(本文来源于《福建农林大学》期刊2019-04-01）
徐佩园[6]（2019）在《医疗图像的目标检测与分割研究》一文中研究指出随着医学成像技术的发展,医学图像已成为医生诊断疾病的重要手段,因此,为了减轻医生的负担并降低疾病的诊断难度,对图像的自动处理和分析具有非常重要的意义。传统的医学图像处理算法严重依赖于人工设计的特征,而这类特征的设计比较复杂,加上模型的泛化能力比较差,无法适应实际应用中由于成像条件和个体原因导致的图像间差异很大的情况。近年来,随着深度学习在计算机视觉、语音处理等领域取得的突破性的进展,越来越多的研究者开始将深度学习应用于医学图像的检测、分割、诊断等任务中。本文采用深度学习的算法实现医学图像中对目标的自动检测和分割的任务。本文的主要工作及创新点如下:首先,针对眼底图像中视盘检测的任务,设计了一个端到端的卷积神经网络模型。利用经过对应数据训练得到的模型对测试图像进行检测,得到包含视盘位置的概率图,之后加上阈值处理和计算重心的方式实现视盘最终的检测。从模型评估的结果中可以看出,本文设计的网络能够对各种类型的视网膜眼底图像实现对视盘快速、准确地检测,且在不同的数据集上具有很好的泛化性能,相比于同类算法有更好的效果。其次,对于眼底图像血管分割的任务,本文介绍了一种基于条件生成对抗网络的血管分割算法。在该任务中引入了多尺度的网络结构用于提取眼底图像中不同类型的血管,使该分割模型在具有明显特征的主血管部分和对比度较低、提取难度较大的血管分支上均能取得很好的效果。在模型评估阶段,通过多个在医学图像分割领域中广泛应用的评价指标对该模型进行评估,结果表明本文的方法相对于同任务的分割算法性能具有很大的提升,并在某些评价指标上能够接近医生分割的结果。另外,本文设计了一个级联的CNN(Convolutional Neural Networks,卷积神经网络)模型,可以实现对MRI(Magnetic Resonance Imaging,磁共振成像)的脑部胶质瘤进行准确、高效的分割。针对肿瘤的不同类型,在不同的维度上分别训练了对应的分割模型以提升综合的分割效果。针对3D医疗图像分割任务中图像尺寸较大,数据不平衡等问题,本文综合了3D和2D网络各自的优点,通过级联的方法在保证模型计算复杂度的情况下达到了一流的分割水平。此外,还通过相关的后处理操作如形态学处理、DenseCRF(Dense Conditional Random Field,稠密连接条件随机场)等,使模型的效果进一步得到提升。(本文来源于《南京航空航天大学》期刊2019-03-01）
胡太,杨明[7]（2019）在《结合目标检测的小目标语义分割算法》一文中研究指出卷积神经网络(Convolutional Neural Networks,CNN)可以提供比传统分类算法更强大的分类器并且能够自学习得到深层特征,有效地提高了图像语义分割的准确性.然而,基于CNN的语义分割算法依然存在一些挑战,例如在复杂场景中现有较优的方法较难分割小目标.为了解决复杂场景下小目标分割的难题,提出一种结合目标检测的小目标语义分割算法.与现有较优方法不同的是,该方法没有直接利用单个神经网络模型同时分割单幅图像中的小尺寸和较大尺寸目标,而是将小目标分割任务从完整图像的分割任务中分离.算法首先训练一个目标检测模型以获取小目标图像块,然后设计一个小目标分割网络得到图像块的分割结果,最终根据该结果修正整体图像的分割图.该算法提升了语义分割数据集的总体性能,同时能够有效地解决小目标分割的难题.(本文来源于《南京大学学报(自然科学)》期刊2019年01期）
陈旭林[8]（2018）在《基于多方向模板及深度学习的线状目标检测与分割》一文中研究指出线状目标的检测与分割是图像处理中的重要内容,常见的线状目标如医学领域的毛细血管、遥感影像中的机场跑道和公路隧道中的裂缝病害等。近年来我国公路建设取得了长足的发展,极大地促进了相关地区的经济增长,但随之而来的一个问题便是公路的维修与养护。路面病害时刻威胁着人们的出行安全,传统人工检测伴随着主观性、不安全性和低效性,实现路面病害的自动化检测一直是广大科研人员的目标。裂缝是大多数病害的早期特征,在宏观上呈现出一定的长度、宽度与方向,是一类典型的线状目标。本文以裂缝检测作为主要研究内容,利用图像处理技术,提出了两种方法实现裂缝检测与分割。一个是传统方法,即利用多方向模板卷积实现裂缝分割;另一个是结合深度学习实现裂缝的检测及语义分割。具体工作如下:(1)设计多方向大尺度模板实现裂缝分割。在图像预处理部分提出了新的自适应阈值化算法,然后设计16个方向的大尺寸模板,用模板与经过二值化的路面图像进行卷积计算,最后对卷积结果进行阈值化,便能得到路面裂缝的分割结果图。算法对线状裂缝和网状裂缝都有较好的分割效果。(2)利用卷积神经网络实现裂缝检测。首先手动进行数据的切割与标注,把图像划分成96?96的小块作为网络输入。针对类别不均衡以及样本不充足的问题,提出了一种新的算法生成伪裂缝来扩充数据。公路图片训练集为167,328张,隧道图片训练集为179,718张。基于TensorFlow深度学习框架设计了一个卷积神经网络,在公路样本上获得96.01%的正确率,隧道样本的正确率为74.25%;然后基于多层感知卷积层思想以及多尺度卷积核思想对网络模型进行改进,公路样本的分类正确率提升到97.02%,结合生成的伪裂缝数据,隧道样本的正确率提升到89.72%。通过可视化技术解释了网络为何能实现裂缝分类检测,并设计单层卷积神经网络分析传统方法中多方向模板与卷积神经网络中卷积核的区别与联系。(3)利用全卷积神经网络进行裂缝语义分割。基于PyTorch深度学习框架设计了两个网络模型。第一个网络参考FCN,由前面裂缝分类的CNN网络改造而成,网络输入图片大小为96?96。用FCN网络对路面裂缝的分割结果较为粗糙,均交并比为0.5480;第二个网络参考U-Net,网络输入图片大小为256?256,U-Net网络对路面裂缝的分割质量较为理想,均交并比为0.6514。(本文来源于《西安电子科技大学》期刊2018-09-01）
戴军[9]（2018）在《基于纹理特征和双门限分割技术的SAR图像目标快速检测方法》一文中研究指出针对已有的SAR图像目标检测算法多关注于如何提高检测概率而忽视检测效率,提出了一种同时具有较高检测概率和效率的检测新算法。首先,对原始SAR图像进行网格化,得到一系列网格;然后,根据每一个网格内的纹理特征和相应的鉴别准则将各个网格分为杂波区域和目标区域;最后,利用双门限分割技术提取出目标区域内完整的感兴趣区域。文中研究了用于分类的纹理特征包括:偏斜度、峰度、对比度、变差、差平均。实验结果表明,该方法产生的虚警极少,而且与单元平均恒虚警率检测器相比,检测时间至少可以降低60%(取决于算法选择的纹理特征)。(本文来源于《仪器仪表用户》期刊2018年08期）
刘培[10]（2018）在《基于深度学习的图像目标检测与分割算法的研究与应用》一文中研究指出图像目标检测与分割技术在图像处理以及机器视觉领域起到了关键作用,由于图像信息的复杂多样性,对于图像目标特征不明显且有遮挡时,传统方法很难达到理想效果。近几年发展迅速的深度学习通过在大数据下自主学习得到的特征,在数量和性能上超出了人工设计的特征,在目标检测及分割领域超越了传统视觉算法。本文针对基于深度学习的图像目标检测与分割方法进行了深入研究。首先,Grabcut算法是一种应用广泛的交互式分割方法,本文针对该算法存在需要人工标注目标矩形框且运行时间长两大缺点,借鉴基于深度学习的目标检测方法并结合超像素分割算法,提出了一种基于深度学习的改进Grabcut分割算法,将自动提取目标框取代人工标注目标框。同时,采用超像素优化算法,减少迭代次数,提高了算法的运行效率,实现了基于目标检测模型的自动高精度分割算法,使轮廓尽可能的接近目标。其次,针对工业生产中智能监测和小型电子设备智能读数问题,本文采用迁移学习将基于深度学习的目标检测技术应用到工业图像中。从大量的图像信息中采样创建数据集,通过上万次迭代训练优化参数生成目标模型,分割出图像中目标位置和类别信息,实现对流水线作业智能监测,并根据电子设备读数实际问题设计了CNN深度卷积神经网络模型对分割出的目标区域中的数字信息进行精确识别。最后,本文对上述研究内容进行大量分析与测试实验,测试图片一部分选自公共数据集PASCAL VOC2007,另一部分是手持摄像头拍摄的工业图像。通过将本文算法分割结果与现有的分割方法进行了验证和对比,在确保方法正确、高效的前提下,将其应用到流水线作业智能监测系统中,为实现智能生产奠定基础。(本文来源于《燕山大学》期刊2018-05-01）
目标检测与分割论文开题报告
（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：
针对图像目标识别中的高效率视觉注意机制问题,提出了一种基于视觉显着模型和图像分割的文化图像目标检测算法。首先采用基于颜色分量对比度视觉显着模型对现有的视觉显着计算方法进行了改进,提高了显着区域检测的效率。然后在传统Grab Cut图像分割算法的原理上,结合改进的视觉显着模型来实现显着区域初始化,无需人工交互步骤,从而实现全自动的图像目标检测。测试数据结果表明:相比于现有的几种典型方法,提出算法具有较好的目标检测性能和较快的检测速度。
（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。
目标检测与分割论文参考文献
[1].王旭,张幸,赵文仓.基于改进群组归一化的目标检测与实例分割[J].青岛科技大学学报(自然科学版).2019
[2].夏冬梅,李静,周亮.基于视觉显着模型和图像分割的文化图像目标检测（英文）[J].机床与液压.2019
[3].潘晖.基于图像分割中轮廓提取的目标检测方法[D].湘潭大学.2019
[4].韩涛,辛欣.基于最大熵的目标分割和检测[J].计算机与数字工程.2019
[5].林椿眄.基于MaskR-CNN(FFM)的城市交通场景多目标检测与分割技术[D].福建农林大学.2019
[6].徐佩园.医疗图像的目标检测与分割研究[D].南京航空航天大学.2019
[7].胡太,杨明.结合目标检测的小目标语义分割算法[J].南京大学学报(自然科学).2019
[8].陈旭林.基于多方向模板及深度学习的线状目标检测与分割[D].西安电子科技大学.2018
[9].戴军.基于纹理特征和双门限分割技术的SAR图像目标快速检测方法[J].仪器仪表用户.2018
[10].刘培.基于深度学习的图像目标检测与分割算法的研究与应用[D].燕山大学.2018