导读:本文包含了多尺度目标识别论文开题报告文献综述及选题提纲参考文献，主要关键词:雷达目标识别,高分辨1维距离像,多尺度,卷积神经网络
多尺度目标识别论文文献综述
郭晨,简涛,徐从安,何友,孙顺[1]（2019）在《基于深度多尺度一维卷积神经网络的雷达舰船目标识别》一文中研究指出为满足雷达舰船目标识别的高实时性和高泛化性的需求,该文提出了一种基于深度多尺度1维卷积神经网络的目标高分辨1维距离像(HRRP)识别方法。针对高分辨1维距离像特征提取难的问题,所提方法通过共享卷积核的权值,使用多尺度的卷积核提取不同精细度的特征,并构造中心损失函数来提高特征的分辨能力。实验结果表明,该模型可以显着提高目标在非理想条件下的识别正确率,克服目标姿态角敏感性问题,具有良好的鲁棒性和泛化性。(本文来源于《电子与信息学报》期刊2019年06期）
王晓东[2]（2018）在《基于注意力机制的叁维超声影像的多尺度目标识别的研究》一文中研究指出随着计算机软硬件基础设施的发展,以及社会的日益数字化驱动所带来的海量数据的积累,使得以数据驱动为基础的深度学习的研究迅速发展。同时,在医学影像领域,随着医学成像技术的发展,日益精细化的医学影像能够提供大量有价值的信息,帮助医生对疾病做出更准确的诊断。乳腺癌在女性群体中是发病率最高、死亡率最高的癌症。早期发现和治疗可以有效降低乳腺癌死亡率,而乳腺超声检查作为有效的检查手段,也在大多数国家和地区被广泛运用。自动乳房叁维容积超声扫描检查作为新兴医疗诊断技术,可以自动扫描整个乳房并生成叁维图像,医生在标准化的图片平台既可以随时查看病人的影像,有效的提升了早期乳腺癌的检出率。然而,医疗资源在很多国家和地区的严重匮乏且分配不均衡,最终的诊断结果严重依赖于医生的主观经验,且完整的诊断需要耗费大量时间。本研究以医院提供的临床高质量乳腺叁维容积超声数据作为基础,基于深度学习的注意力机制构建一个计算机自动乳腺病灶识别的模型,为进一步的乳腺癌计算机自动诊断/筛查提供关键的支撑。相比传统的二维影像的研究,本研究处理的是叁维影像。根据问题的特点,本研究主要从单个数据样本大、目标体积非常小的角度分析。针对叁维容积影像单个样本体积大,受医生临床的诊断过程的启发,提出了“基于注意力机制的叁维影像目标检测两阶段模型3DMS A-CNN”作为整体框架。针对乳腺癌存在大量小病灶的情况,提出了“基于叁维卷积的多尺度病灶检测与定位”模型。为了降低目标识别的假阳性率,提高恶性病灶识别的敏感性,提出了“基于叁维卷积神经网络的病灶细分类”模型。基于叁维卷积的多尺度病灶检测与定位模型作为第一阶段,通过将输入的影像进行多尺度特征提取,并通过插值将多级特征进行融合,提高了浅层特征的语义表达能力。为了提高对不同尺度病灶的检测能力,采用了密集的候选框检测。并采用Focal Loss损失函数,解决了由于密集候选框导致的正负样本极度的不平衡的问题。由于计算机硬件的限制,在模型实现过程中,将数据在输入模型之前进行了池化层降采样。为了提升模型整体的泛化能力,将Batch Norm层修改为多GPU同步模式,并将模型由单精度浮点改为半精度浮点。基于叁维卷积神经网络的病灶细分类模型作为第二阶段,通过第一阶段预测的疑似候选区域,从原始影像中获取对应的区域,进行进一步的细分类。通过优化实现3D DenseNet,实现了显存的高效利用,提升了模型的单个批次的训练样本数。同时,为了提升模型泛化能力,使用“mixup”算法进行了数据增强,有效提升了第二阶段的模型泛化能力。具体实验中,使用由医院提供的3012名患者经过标注的ABUS影像文件,其中2479名患者的影像文件中包含一个到多个病灶标记。随机选取包含病灶标记的2245名患者作为训练样本,767名患者的数据作为测试集。使用Pytorch深度学习框架实现3DMS A-CNN模型,经过充分的实验,最终模型对病灶的敏感性达到了91.62%,特异性达到了85.20%,初步满足了临床应用的需求。(本文来源于《西安电子科技大学》期刊2018-06-01）
张文达,许悦雷,倪嘉成,马时平,史鹤欢[3]（2016）在《基于多尺度分块卷积神经网络的图像目标识别算法》一文中研究指出针对图像在平移、旋转或局部形变等复杂情况下的识别问题,提出一种基于非监督预训练和多尺度分块的卷积神经网络(CNN)目标识别算法。算法首先利用不含标签的图像训练一个稀疏自动编码器,得到符合数据集特性、有较好初始值的滤波器集合。为了增强鲁棒性,同时减小下采样对特征提取的影响,提出一种多通路结构的卷积神经网络,对输入图像进行多尺度分块形成多个通路,每个通路与相应尺寸的滤波器卷积,不同通路的特征经过局部对比度标准化和下采样后在全连接层进行融合,从而形成最终用于图像分类的特征,将特征输入分类器完成图像目标识别。仿真实验中,所提算法对STL-10数据集和遥感飞机图像的识别率较传统的CNN均有提高,并对图像各种形变具有较好的鲁棒性。(本文来源于《计算机应用》期刊2016年04期）
成培瑞,王建立,王斌,李正炜,吴元昊[4]（2016）在《基于多尺度区域对比的显着目标识别》一文中研究指出为了对图像中的显着目标进行更精确的识别,提出一种新的基于多尺度区域对比的视觉显着性计算模型。首先基于多尺度思想将图像分别分割为不同数目的超像素,对超像素内的像素颜色值取平均以生成抽象化图像;然后根据显着特征的稀少性及显着特征的聚集性,计算单一尺度下超像素颜色特征的显着性值;最后通过取各尺度超像素显着度的平均值来融合多尺度显着图,得到最终的视觉显着图。实验表明,以MSRA图库中的1 000张随机自然图片为例,该模型较现有较好的区域对比模型,显着目标识别的精确率提高了14.8%,F-Measure值提高了9.2%。与现有的算法相比,该模型提高了算法对显着目标大小的适应性,减少了背景对显着目标识别的干扰,具有更好的一致性,能更好地识别显着目标。(本文来源于《中国光学》期刊2016年01期）
张小涛[5]（2014）在《基于多尺度局部对比度的红外小目标识别》一文中研究指出随着科学技术的不断发展，红外小目标识别技术已经广泛应用于军事、医学、航天等领域，例如精确制导系统、预警系统、无人侦察机等。研究红外小目标识别技术具有非常重要的理论意义和应用价值。红外小目标能量弱、面积小、信噪比低，在复杂背景下容易被淹没，所以识别红外小目标是一项非常具有挑战性的工作。本文研究的主要内容与工作概括为以下四个方面：(1)用掩模图像以及形态学方法提取红外图像的背景，为后续计算多尺度局部对比度提供背景图像。对于以海洋为背景的图像，用Hough变换提取海天线，确定目标的感兴趣区域。(2)基于红外小目标的局部特征，采用多尺度局部对比度（Multi-scale LocalContrast Measure, MLCM）增强目标的信号，抑制背景。然后，通过恰当的阈值提取目标。多目标识别时将阈值由大到小逐步递减，通过分析目标识别的效果，自动选择最佳的阈值。(3)在红外小目标识别的实际应用中，要求算法具有非常高的实时性。所以，本文中的算法采用图形处理单元（Graphic Processing Unit, GPU）加速处理，图像处理大多具有“单指令多数据流”的特点，这种特征的数据处理适合在GPU上完成。实验证明，在GPU上能明显提高算法的运行速度。(4)最后，分别从目标识别的精度以及算法运行的速度两个方面进行仿真实验，实验表明，本文所给算法具有较高的识别精度以及在GPU平台下表现出良好的实时性。(本文来源于《华中科技大学》期刊2014-05-01）
薄树奎,荆永菊[6]（2013）在《遥感影像目标识别中的多尺度分析》一文中研究指出针对遥感影像目标特性随分辨率变化的问题,提出了目标识别的多尺度分析方法。首先,基于混合像元分析了多尺度影像中地面目标形状结构产生变化的原因,这种变化主要是由混合像元在目标中所占的比例决定的;然后,根据多尺度影像中的目标提取实验,分析并验证了目标提取误差随着尺度变化的规律;最后,基于遥感影像目标的多尺度特性分析,进一步提出了优势类别的概念。从遥感目标的多尺度分析与实验结果来看,目标的形状结构特征随着尺度的变化而发生改变,而且尺度越大改变越大。通过研究遥感影像目标的多尺度特征,揭示了目标特征随尺度变化规律,对多尺度遥感影像自动目标识别具有指导意义。(本文来源于《计算机应用》期刊2013年11期）
陈驰,尚吉扬,王文生[7]（2012）在《基于小波多尺度综合的低对比度目标识别》一文中研究指出光电混合联合变换相关器能够对目标进行自动探测识别和跟踪。为使联合变换相关器对低对比度目标进行有效探测与识别,提出了一种基于小波多尺度综合的边缘提取新方法,对输入图像进行预处理。计算机模拟实验和光学实验证明,该方法使相关器在输入图像对比度低、信噪比较低时仍然能够产生较强的相关峰输出,扩展了光电混合联合变换相关器的应用范围。(本文来源于《半导体光电》期刊2012年02期）
周泽华[8]（2012）在《多尺度Retinex算法在自动目标识别中的应用》一文中研究指出自动目标识别中图像增强是进行图像特征提取及匹配最为关键的预处理阶段。本文以车牌识别系统中恶劣条件下拍摄的车辆图像为研究对象,提出了基于多尺度Retinex降质图像增强方法。实验结果表明,该算法对自动目标识别中降质图像有很好的增强效果。(本文来源于《微计算机信息》期刊2012年04期）
黄宾[9]（2011）在《基于多尺度分析的目标识别算法研究》一文中研究指出图像的目标识别一直是计算机视觉、机器智能领域研究的热点,且目标识别技术正越来越广泛地应用于多种不同领域。本文围绕如何识别具有较小尺寸但形状和大小都不统一、边缘模糊且目标区域内亮度不均等特性的图像目标开展研究工作。本文首先改进了山峰算法,结合LoG算子提取的边缘进行山峰判断,对目标进行快速定位,同时抑制了大多数由于目标所在环境即背景区域所引起的噪声。实验结果显示,改进的算法能较为准确地定位目标,但仍然存在不能将目标的大小范围准确图示出来等问题。为解决不能准确标定目标范围的问题,本文还探讨了一种基于尺度比较的目标识别算法。以结合边缘的山峰算法中获得的目标点位为基础,计算出已定位的目标区域的局部最大值,从局部最大值点发出十六条等间隔射线,在这些射线上运用尺度方法确定目标边缘点,并以目标边缘点为种子点,根据算法中提出的区域覆盖准则,获得目标区域。实验结果表明该方法能较为有效地解决准确标识目标这一问题。由于所探讨的目标边缘非常模糊,用大多数传统的边缘提取方法很难提取目标边缘。本文在Elder的工作基础上,对多尺度目标识别算法进行了实验并提出了改进的简化算法。实验结果显示这种改进的快速算法不仅能够有效地进行模糊边缘的提取,还大大降低了计算复杂度,满足了在线应用实时性的要求,为更加准确地界定目标区域提出了新思路。最后总结了全文主要的研究工作,并对今后在目标定位和识别方面需要进一步开拓的研究方向提出了展望。(本文来源于《华南理工大学》期刊2011-04-28）
仝飞[10]（2010）在《基于多尺度分辨的声目标识别研究》一文中研究指出声目标识别是一种利用目标在介质中运动时所产生的声音信号,进行处理以提取其区别于其他目标的特征向量并最终进行分类识别的技术。由于声目标识别是被动的接受目标所发出的声信号,并进行探测识别,不易被发现具有很好的隐蔽性,因而在现代军事战争中,具有广泛的应用前景。本文以多尺度分辨为基础,着重研究了叁类战场声目标即武装直升机、军用运输机和坦克,对其声信号进行去噪预处理得到较为纯净的目标声信号,并进一步提取其特征向量,然后进行分类器设计以实现目标识别。声目标识别的一般过程包含叁个步骤,第一步声信号去噪预处理,第二步特征向量提取,第叁步分类器设计。因此本文按上述流程首先研究了不同阈值选取准则下的去噪方法,并通过实验,分析和对比各阈值选取准则下的去噪效果,并得到了一些战场声目标信号去噪的经验；其次,在特征向量提取方面,采用Mel频率倒谱系数即MFCC和小波包进行特征向量提取,对比分析了两种特征向量的提取方法及效果；最后,在分类器设计方面,本文将遗传算法与BP神经网络相结合,对BP神经网络的权值和阈值进行优化从而避免了BP神经网络易于陷入局部极小值的缺点,通过实验证实了遗传算法与BP神经网络相结合的方法可以大幅提高目标识别率,从而证明该方法的有效性和可行性。综上所述,本文所提供的战场声目标识别方法,具有较高的目标识别率,对后续战场声目标识别相关研究具有借鉴意义。(本文来源于《南京理工大学》期刊2010-12-01）
多尺度目标识别论文开题报告
（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：
随着计算机软硬件基础设施的发展,以及社会的日益数字化驱动所带来的海量数据的积累,使得以数据驱动为基础的深度学习的研究迅速发展。同时,在医学影像领域,随着医学成像技术的发展,日益精细化的医学影像能够提供大量有价值的信息,帮助医生对疾病做出更准确的诊断。乳腺癌在女性群体中是发病率最高、死亡率最高的癌症。早期发现和治疗可以有效降低乳腺癌死亡率,而乳腺超声检查作为有效的检查手段,也在大多数国家和地区被广泛运用。自动乳房叁维容积超声扫描检查作为新兴医疗诊断技术,可以自动扫描整个乳房并生成叁维图像,医生在标准化的图片平台既可以随时查看病人的影像,有效的提升了早期乳腺癌的检出率。然而,医疗资源在很多国家和地区的严重匮乏且分配不均衡,最终的诊断结果严重依赖于医生的主观经验,且完整的诊断需要耗费大量时间。本研究以医院提供的临床高质量乳腺叁维容积超声数据作为基础,基于深度学习的注意力机制构建一个计算机自动乳腺病灶识别的模型,为进一步的乳腺癌计算机自动诊断/筛查提供关键的支撑。相比传统的二维影像的研究,本研究处理的是叁维影像。根据问题的特点,本研究主要从单个数据样本大、目标体积非常小的角度分析。针对叁维容积影像单个样本体积大,受医生临床的诊断过程的启发,提出了“基于注意力机制的叁维影像目标检测两阶段模型3DMS A-CNN”作为整体框架。针对乳腺癌存在大量小病灶的情况,提出了“基于叁维卷积的多尺度病灶检测与定位”模型。为了降低目标识别的假阳性率,提高恶性病灶识别的敏感性,提出了“基于叁维卷积神经网络的病灶细分类”模型。基于叁维卷积的多尺度病灶检测与定位模型作为第一阶段,通过将输入的影像进行多尺度特征提取,并通过插值将多级特征进行融合,提高了浅层特征的语义表达能力。为了提高对不同尺度病灶的检测能力,采用了密集的候选框检测。并采用Focal Loss损失函数,解决了由于密集候选框导致的正负样本极度的不平衡的问题。由于计算机硬件的限制,在模型实现过程中,将数据在输入模型之前进行了池化层降采样。为了提升模型整体的泛化能力,将Batch Norm层修改为多GPU同步模式,并将模型由单精度浮点改为半精度浮点。基于叁维卷积神经网络的病灶细分类模型作为第二阶段,通过第一阶段预测的疑似候选区域,从原始影像中获取对应的区域,进行进一步的细分类。通过优化实现3D DenseNet,实现了显存的高效利用,提升了模型的单个批次的训练样本数。同时,为了提升模型泛化能力,使用“mixup”算法进行了数据增强,有效提升了第二阶段的模型泛化能力。具体实验中,使用由医院提供的3012名患者经过标注的ABUS影像文件,其中2479名患者的影像文件中包含一个到多个病灶标记。随机选取包含病灶标记的2245名患者作为训练样本,767名患者的数据作为测试集。使用Pytorch深度学习框架实现3DMS A-CNN模型,经过充分的实验,最终模型对病灶的敏感性达到了91.62%,特异性达到了85.20%,初步满足了临床应用的需求。
（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。
多尺度目标识别论文参考文献
[1].郭晨,简涛,徐从安,何友,孙顺.基于深度多尺度一维卷积神经网络的雷达舰船目标识别[J].电子与信息学报.2019
[2].王晓东.基于注意力机制的叁维超声影像的多尺度目标识别的研究[D].西安电子科技大学.2018
[3].张文达,许悦雷,倪嘉成,马时平,史鹤欢.基于多尺度分块卷积神经网络的图像目标识别算法[J].计算机应用.2016
[4].成培瑞,王建立,王斌,李正炜,吴元昊.基于多尺度区域对比的显着目标识别[J].中国光学.2016
[5].张小涛.基于多尺度局部对比度的红外小目标识别[D].华中科技大学.2014
[6].薄树奎,荆永菊.遥感影像目标识别中的多尺度分析[J].计算机应用.2013
[7].陈驰,尚吉扬,王文生.基于小波多尺度综合的低对比度目标识别[J].半导体光电.2012
[8].周泽华.多尺度Retinex算法在自动目标识别中的应用[J].微计算机信息.2012
[9].黄宾.基于多尺度分析的目标识别算法研究[D].华南理工大学.2011
[10].仝飞.基于多尺度分辨的声目标识别研究[D].南京理工大学.2010