导读:本文包含了深度加权论文开题报告文献综述及选题提纲参考文献，主要关键词:摄像机标定,深度图像,加权中值滤波,立体成像
深度加权论文文献综述
陈旭凤,李玉龙,侯志奇,温彬彬,胡雪花[1]（2019）在《基于TOF的快速加权中值滤波深度成像系统》一文中研究指出本文介绍了一种基于飞行时间(TOF)的快速加权中值滤波深度成像系统。本系统结合了高分辨率(HR)叁视图立体RGB相机(1280×960)和低分辨率(LR)TOF景深相机(176×144)。首先进行相机标定,以获得彩色和深度相机的内在和外在参数。由于同一场景下深度图像的分辨率远小于相应的彩色图像,因此采用快速加权中值滤波(WMF)对低分辨率深度图像进行深度上采样。最后,利用基于深度图像的绘制(DIBR)技术,通过上采样深度图像和HR彩色图像结合生成场景的立体叁维(S3D)图像。实验结果表明,与不同的滤波方法相比,本文提出的深度成像系统能生成高质量的深度图,并能高速生成S3D图像。(本文来源于《科技风》期刊2019年26期）
孙锐,黄启恒,陆伟明,高隽[2]（2019）在《联合多级深度特征表示和有序加权距离融合的视频行人再识别方法》一文中研究指出针对目前视频行人再识别中存在视角、光线变化,背景干扰与遮挡,行人外观与行为相似,以及相同行人在不同模态特征下距离的差异性而导致的匹配不正确问题,提出一种联合多级深度特征表示和有序加权距离融合的视频行人再识别方法。在行人特征表示阶段,提出了行人多级深度特征表示网络,该网络不仅能学习视频序列中行人的时空特征,还能获取行人的全局外观特征和局部外观特征。在有序加权距离融合阶段,将行人的特征表示输入到距离测度学习中,分别计算行人在叁类特征下的独立距离,并将距离排序后,根据距离的排名优化距离权值,最后融合叁类距离得到最终距离,从而准确匹配行人。通过在公共数据集中的实验表明,所提方法不仅能够提高视频行人再识别的识别率,还具有丰富和完整的行人特征表示能力。(本文来源于《光学学报》期刊2019年09期）
张雄涛,胡文军,王士同[3]（2019）在《一种基于模糊划分和模糊加权的集成深度信念网络》一文中研究指出针对DBN算法训练时间复杂度高,容易过拟合等问题,受模糊理论启发,提出了一种基于模糊划分和模糊加权的集成深度信念网络,即FE-DBN(ensemble deep belief network with fuzzy partition and fuzzy weighting),用于处理大样本数据的分类问题。通过模糊聚类算法FCM将训练数据划分为多个子集,在各个子集上并行训练不同结构的DBN,将每个分类器的结果进行模糊加权。在人工数据集、UCI数据集上的实验结果表明,提出的FE-DBN比DBN精度均有所提升,具有更快的运行时间。(本文来源于《智能系统学报》期刊2019年05期）
吴成梁,王华忠,胡江涛,马建波[4]（2019）在《基于数据自适应加权的迭前深度偏移成像方法》一文中研究指出随着高性能计算机技术的快速发展和"两宽一高"采集技术的广泛应用,高分辨率、高保真的反演成像成为研究热点。首先从Bayes估计理论框架下的地震波反演成像出发,指出Bayes估计理论是地震波反演成像的基础,基于所选择波场预测器(一般为常密度标量声波方程)的波场预测残差的先验概率分布和要反演的模型参数的先验概率分布决定了模型参数的后验概率密度,后验概率密度的最大化是地震波反演成像最佳解的判定准则。在波场预测器为线性、预测误差为高斯白噪情况下,Bayes估计可在最小二乘意义下实现,并可以得到无偏和方差最小的参数估计结果。实际数据的不完备、线性化的正问题不能很好地模拟数据中的地震波场,使得数据协方差阵和模型协方差阵的引入成为必然。鉴于模型参数的正则化在反演成像中已有充分的讨论,重点讨论了加权最小二乘反演成像框架下数据协方差(逆)算子的作用,说明了数据加权处理在迭前深度偏移中的必要性。在将加权系数矩阵视为对角矩阵的基础上,提出了采用倾角扫描和动态时间规整算法确定数据加权系数,并将其应用于迭前深度偏移成像中。理论和实际数据的数值实验结果表明数据协方差(逆)算子能够有效提高偏移成像质量。(本文来源于《石油物探》期刊2019年03期）
温静,安国艳,梁宇栋[5]（2019）在《基于CNN特征提取和加权深度迁移的单目图像深度估计》一文中研究指出单目图像的深度估计可以从相似图像及其对应的深度信息中获得。然而,图像匹配歧义和估计深度的不均匀性问题制约了这类算法的性能。为此,提出了一种基于卷积神经网络(CNN)特征提取和加权深度迁移的单目图像深度估计算法。首先提取CNN特征计算输入图像在数据集中的近邻图像;然后获得各候选近邻图像和输入图像间的像素级稠密空间形变函数;再将形变函数迁移至候选深度图像集,同时引入基于SIFT的迁移权重SSW,并通过对加权迁移后的候选深度图进行优化获得最终的深度信息。实验结果表明,该方法显着降低了估计深度图的平均误差,改善了深度估计的质量。(本文来源于《图学学报》期刊2019年02期）
耿磊,邱玲,吴骏,肖志涛,张芳[6]（2019）在《结合深度可分离卷积与通道加权的全卷积神经网络视网膜图像血管分割》一文中研究指出糖尿病和高血压等疾病会引起视网膜血管的形状发生变化,眼底图像血管分割是疾病定量分析过程中的关键步骤,对临床疾病的分析和诊断具有指导意义。本文提出一种结合深度可分离卷积与通道加权的全卷积神经网络(FCN)视网膜图像血管分割方法。首先,对眼底图像的绿色通道进行CLAHE及Gamma校正以增强对比度;然后,为了适应网络训练,对增强后的图像进行分块以扩充数据;最后,以深度可分离卷积代替标准的卷积方式以增加网络宽度,同时引入通道加权模块,以学习的方式显式地建模特征通道的依赖关系,提高特征的可分辨性。将二者结合应用于FCN网络中,以专家手动标识结果作为监督在DRIVE数据库进行实验。结果表明,本文方法在DRIVE库的分割准确性能够达到0.963 0,AUC达到0.983 1,在STARE库的分割准确性可以达到0.962 0,AUC达到0.983 0。在一定程度上,本文方法具有更好的特征分辨性,分割性能较好。(本文来源于《生物医学工程学杂志》期刊2019年01期）
宫振华,王嘉宁,苏翀[7]（2019）在《一种加权的深度森林算法》一文中研究指出深度森林DF(Deep Forest)由多粒度扫描和级联森林两个部分组成。其中:多粒度扫描通过滑动窗口技术获取多个特征子集,以增强级联森林的差异性;级联森林则是将决策树组成的森林通过级联方式实现表征学习。因此,深度森林克服深度学习参数依赖性强、训练开销大以及仅适用于大数据集等不足之处。然而,深度森林中各个子树的预测精度是各不相同的,简单算术平均会导致子树的错误预测对整个森林的预测产生影响,进而随着级数增加,有可能使错误被进一步放大。为此,提出一种根据森林中每棵子树的预测精度进行加权的深度森林。在高维和低维数据集上进行实验,结果表明:加权的深度森林在高维和低维数据集上性能都获得一定提升,特别在高维数据集上优势较为明显。(本文来源于《计算机应用与软件》期刊2019年02期）
时璇,许林松,李晨,王佳星,李党超[8]（2019）在《联合加权聚合深度卷积特征的图像检索方法》一文中研究指出针对图像特征提取不充分影响图像检索平均精确率的问题,提出了一种基于联合加权聚合深度卷积特征的图像检索方法。该方法将图像输入到预先训练好的卷积神经网络中,提取最后一个卷积层输出作为图像的深度卷积特征;通过计算空间权重矩阵突出图像的显着性区域并抑制背景噪声区域,然后根据通道方差最大原则选取相应的特征图计算出空间权重矩阵,将原始深度卷积特征加权聚合为列向量;通过区分性地对待不同通道的特征图,计算出通道权重向量与上述列向量点乘得到最终的全局特征向量。公开数据集上的实验结果表明,本文方法能够有效地增强图像特征的表达能力,在图像检索的平均精确率上优于其他同类方法,可以有效地应用到图像检索相关领域。(本文来源于《西安交通大学学报》期刊2019年02期）
李尧,王志海,孙艳歌,张伟[9]（2018）在《一种基于深度属性加权的数据流自适应集成分类算法》一文中研究指出针对现有的大多数数据流集成分类算法对分类器的评估时未考虑历史数据的重要性,同时忽略对无关属性和噪声属性干扰的处理等问题,提出一种基于深度属性加权的数据流自适应集成分类算法,旨在有效组合多个基于深度属性加权的朴素贝叶斯模型。通过在不同数据块中深入分析不同属性取值对类属性归属的贡献,并将学习到的局部属性权重作用于不同的属性取值,以降低噪声数据干扰。在评价基分类器时,权衡历史数据和当前最新数据的重要性;采用基于测试实例的分类器置信度和分类正确率权重的组合投票策略进行子分类器组合以提高整体分类性能。通过在多个基准数据集上与经典算法对比试验,本研究算法在分类正确率和概念漂移适应性上具有一定优势。(本文来源于《山东大学学报(工学版)》期刊2018年06期）
朱杰君,姜登峰,周文纳[10]（2018）在《基于深度加权的重力异常广义线性反演成像方法及应用》一文中研究指出重力异常数据的快速成像解释,因可以快速、稳定地获取地下地质体的赋存状态、密度分布、埋深等多种参数而得到广泛关注。在广义线性反演成像的基础上,给出合理的深度加权因子,建立了基于深度加权的广义线性反演成像方法。通过模型试验,验证了该方法具有分辨能力高、稳定性强等特点,并将其应用于实际数据处理中,与钻孔资料及前人文献资料很好地吻合。论证了所述方法的稳定性和可靠性,说明改进后的方法可以应用于实际资料的处理与解释。(本文来源于《科学技术与工程》期刊2018年24期）
深度加权论文开题报告
（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：
针对目前视频行人再识别中存在视角、光线变化,背景干扰与遮挡,行人外观与行为相似,以及相同行人在不同模态特征下距离的差异性而导致的匹配不正确问题,提出一种联合多级深度特征表示和有序加权距离融合的视频行人再识别方法。在行人特征表示阶段,提出了行人多级深度特征表示网络,该网络不仅能学习视频序列中行人的时空特征,还能获取行人的全局外观特征和局部外观特征。在有序加权距离融合阶段,将行人的特征表示输入到距离测度学习中,分别计算行人在叁类特征下的独立距离,并将距离排序后,根据距离的排名优化距离权值,最后融合叁类距离得到最终距离,从而准确匹配行人。通过在公共数据集中的实验表明,所提方法不仅能够提高视频行人再识别的识别率,还具有丰富和完整的行人特征表示能力。
（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。
深度加权论文参考文献
[1].陈旭凤,李玉龙,侯志奇,温彬彬,胡雪花.基于TOF的快速加权中值滤波深度成像系统[J].科技风.2019
[2].孙锐,黄启恒,陆伟明,高隽.联合多级深度特征表示和有序加权距离融合的视频行人再识别方法[J].光学学报.2019
[3].张雄涛,胡文军,王士同.一种基于模糊划分和模糊加权的集成深度信念网络[J].智能系统学报.2019
[4].吴成梁,王华忠,胡江涛,马建波.基于数据自适应加权的迭前深度偏移成像方法[J].石油物探.2019
[5].温静,安国艳,梁宇栋.基于CNN特征提取和加权深度迁移的单目图像深度估计[J].图学学报.2019
[6].耿磊,邱玲,吴骏,肖志涛,张芳.结合深度可分离卷积与通道加权的全卷积神经网络视网膜图像血管分割[J].生物医学工程学杂志.2019
[7].宫振华,王嘉宁,苏翀.一种加权的深度森林算法[J].计算机应用与软件.2019
[8].时璇,许林松,李晨,王佳星,李党超.联合加权聚合深度卷积特征的图像检索方法[J].西安交通大学学报.2019
[9].李尧,王志海,孙艳歌,张伟.一种基于深度属性加权的数据流自适应集成分类算法[J].山东大学学报(工学版).2018
[10].朱杰君,姜登峰,周文纳.基于深度加权的重力异常广义线性反演成像方法及应用[J].科学技术与工程.2018