导读:本文包含了特征度量论文开题报告文献综述及选题提纲参考文献，主要关键词:目标检测,非极大值抑制算法,Faster,R-CNN,交并比
特征度量论文文献综述
孙世强,左海维,赵露婷[1]（2019）在《联合特征相似性度量和交并比的检测框优选研究》一文中研究指出非极大值抑制(Non-Maximum Suppression,NMS)算法作为Faster R-CNN(region-based convolutional neural network,R-CNN)的后置处理算法,从物理空间判定检测框的重迭比例,忽略内在特征联系,造成漏检和误检问题。因此提出联合特征相似性度量和交并比的检测框优选方法(Optimized box Based on IoU and Feature similarity,OBIF)。该方法首先计算两个检测框的交并比(Intersection over Union,IoU),判断检测框之间的重迭比例;然后计算闵式距离,表示重迭的检测框之间的特征相近性,进行深层次判断;最后联合闵氏距离和交并比实现检测框优选。当运行效率一致和时间复杂度相同时,将Faster R-CNN+OBIF应用到PASCAL VOC 2007数据集和结直肠腺癌数据集,比较传统NMS算法,平均识别准确率分别提高了1.4%和1.1%,方法检测精度得到显着的提升。(本文来源于《电脑知识与技术》期刊2019年29期）
Xiao-hong,ZHANG,Kai,QIAN,Jian-ji,REN,Zong-pu,JIA,Tian-peng,JIANG[2]（2019）在《基于Spark的机会环境中内容传播特征度量与分析（英文）》一文中研究指出机会网络为分流移动网络中由流行内容共享引起的巨大负载提供了机会。分析真实机会环境中的内容传播特征可以为负载分流决策提供重要线索。然而,由于从真实机会环境中收集数据并非易事,相关工作非常有限。本文以致力于内容共享的移动应用"闪传"为研究对象,从该应用用户构成的真实机会网络中搜集数据并分析。为发现内容传播特征,本文从传播规模和速度、内容类型等方面展开分析。分析结果表明,文件传输具有明显周期性,只有很少一部分文件能广泛传播,且移动应用类文件比其他类型文件更易成为流行文件。本文还提出一种有助于预测流行文件的最大化文件传播规模的方法。实验结果证实了该方法的有效性和有用性。(本文来源于《Frontiers of Information Technology & Electronic Engineering》期刊2019年10期）
于晓媛[3]（2019）在《全球金融周期的度量及其特征分析》一文中研究指出本文运用BP滤波和拐点分析法分别提取全球金融周期、全球经济周期、各金融变量周期和各国金融周期,分析单变量周期特征、金融周期和经济周期关系、部分主要国家与全球金融周期关系以及金融周期趋同的区域性。研究发现,股价在拐点法和滤波法中都与全球金融周期有较高的趋同性,其中发达国家和全球体现出相同的特征(一致性指数均超过0.7),全球、发达和发展中国家的信贷变量和房价在与全球金融周期的一致性方面表现基本相同;全球、发达国家和发展中国家经济中周期和全球金融中周期有较强的趋同性,而短周期没有此性质;对于波幅而言,金融周期在扩张和收缩两个阶段都比经济周期剧烈,金融危机的发生伴随着金融和经济周期波峰的出现,且金融收缩会加剧实体经济衰退,金融扩张促进实体经济的复苏;美国、德国、英国与全球金融周期同步性较高,而中国则相反;欧洲存在较强的金融周期区域性,发展中国家的金融周期并不存在区域性,发达国家在两两国家一致性指数中表现出了较弱的金融周期区域性,亚洲在多国一致性中表现出了较弱的金融周期区域性,此外,本文还发现若某一区域内存在贸易周期趋同的区域性,则存在金融周期趋同的区域性的可能性也较高。本文包括七章内容。第一章为绪论,主要介绍本文的研究背景、研究意义、研究思路、研究方法以及本文的创新点和不足之处。第二章为文献综述,分多个方面总结了国内外文献对于金融周期的主要研究成果。第叁章介绍了金融周期提取的数据选取和方法。第四章为单变量分析,主要研究各变量中短期相对波动程度、基本周期特征和两两变量间的周期趋同性。第五章研究金融周期和经济周期的关系,分析两者基本周期特征、周期同步性并通过画图的方法直观观察金融危机和经济、金融周期波峰的关系,以及通过计算的方法准确阐述金融周期对经济周期的影响。第六章为国家层面金融周期特征分析,本章首先以GDP占比为依据选取六个主要国家,并分析其与全球金融周期的关系,其次,通过两两国家周期一致性指数、多国周期一致性指数等方法分析金融周期的区域性,并将贸易周期和金融周期趋同的区域性进行对比,分析贸易周期趋同的区域性与金融周期趋同的区域性的联系。第七章为对本文研究成果的总结及相应的政策建议。(本文来源于《山东大学》期刊2019-05-31）
陈海兰,高学东[4]（2019）在《基于波动特征的时间序列相似性度量及聚类分析》一文中研究指出在时间序列数据挖掘中,传统的时间序列相似性度量算法没有考虑反映时间序列结构的关键点特征。为了解决该问题,文章提出了基于波动特征的时间序列相似性度量算法,并通过聚类进行了效果分析。研究中首先利用小波分析方法提取时间序列整体变化趋势,然后给出了针对小波分析得到的序列进行波动点识别的方法,构造出包含时间序列重要波动信息的波动点序列。最后提出了非等长时间序列的相似性度量方法计算波动点序列间的距离。实验结果表明,该时间序列度量方法能更好地反映时间序列的趋势特征。(本文来源于《统计与决策》期刊2019年11期）
张国鹏[5]（2019）在《基于局部特征和度量学习的行人重识别模型研究》一文中研究指出随着城市中大规模监控系统的建立,每天都会产生大量的监控录像。这些视频信息为公安部门破获刑侦案件提供了很大的帮助。单独依靠人工查看的方式不仅可能遗漏关键信息,错失破案时机,而且需要耗费大量人力资源。行人重识别指的是对于给定的行人,在非重迭的摄像头中匹配目标人物的过程,作为智能监控系统中重要的一个环节,受到了越来越多的关注。但是,在复杂的自然场景下,由于遮挡、光照、姿势和视角变换等问题,行人重识别面临着重大的挑战。当前的行人重识别方法主要集中在特征表达和度量学习两方面。特征表达致力于获得在不同摄像头下保持不变的行人特征,而度量学习目的是让同类样本的特征距离小于不同样本的特征距离。本文分别在各方面做了以下研究:在特征表达的方法中,全局特征可以从整体上辨别不同的行人。但是,单独的全局特征不足以表达局部突出的细节信息而不能满足现实的需要。本文提出了一个基于中层属性识别和高层身份分类的深度卷积神经网络。在这个模型中,我们创建了一条局部分支,使用水平平均池化的方式来获得局部特征。除此之外,属性识别也能够抓住局部位置的突出特征,可以使用中层的属性识别来增强高层的身份特征。我们联合训练每个任务来获得互补的全局特征和局部特征。在度量学习方法中,我们分析了当前度量学习损失函数存在的一些问题,提出了一个新的度量学习损失函数,基于批次的对比损失。在我们提出的损失函数中,充分利用了每个批次中所有样本对的距离信息,并且对于每个样本有一个在线的难样本发掘的过程,由难样本学习的特征更能体现细微的差异性。为了避免选择样本对,我们引入了中心损失拉近样本到同类中心的距离,间接地降低了同类样本的类内距离,并且,对于每个样本的类间距离损失和类内距离损失保持相对平衡。我们在两个大规模行人重识别数据库上验证了我们特征表达模型和度量学习损失函数有效性,它们的性能优于当前大部分算法。(本文来源于《华东师范大学》期刊2019-05-10）
刁伟涛,傅巾益[6]（2019）在《我国县级政府债务风险的分类度量、区域分布和变化特征:2015-2017》一文中研究指出本文基于2015-2017年949个县级政府样本,通过将债务率分解为负债率、财政负担水平和财政自给率叁个因子的分析框架,对我国县级政府的一般债务和专项债务风险进行了分类评估,并进一步分析了其横向的区域分布和纵向的变化特征等。主要结论是:分区域来看,综合考虑债务率的平均值、分布均衡性和空间关联性,风险最高的叁个区域依次是西南地区、东北地区和华北地区,其中一般债务风险最高的两个区域为西南地区和华北地区,专项债务风险最高的两个区域为东北地区和西南地区。另一方面,无论是全国层面还是分区域层面,专项债务的风险要明显高于一般债务,这不仅体现在专项债务率的平均值要远高于一般债务率,也体现在专项债务率的分布更加不均衡上,并且从纵向变化来看,一般债务风险逐步降低,而专项债务风险则不容乐观。(本文来源于《财政研究》期刊2019年05期）
朱小波[7]（2019）在《基于特征融合和度量学习的行人重识别算法研究》一文中研究指出监控系统在公共安全方面发挥着至关重要的作用,随着监控系统规模的越来越大,传统的人工监测方法已经无法适应社会的发展。因此智能视频监控近年来越来越受到研究者的关注,在智能监控系统中,行人重识别部分发挥着不可替代的角色,是非重迭摄像机目标轨迹关联的纽带。虽然行人重识别算法在一些特定的数据集上取得了一定的准确度,但是光照、遮挡、行人姿态变化、场景转变、穿衣风格季节性变化等依然是行人重识别领域内的挑战。本文在分析已有的行人重识别算法基础上,从传统算法和深度学习算法两方面进行研究。传统算法方面,提出基于特征融合与子空间学习的行人重识别算法。在特征提取前,首先对图像进行预处理来增强图像的可处理性。预处理完后,对行人图像分别提取局部特征和整体特征。整体特征将HOG特征和HSV颜色直方图特征融合作为整体特征。局部特征采取在滑动窗口内提取CN颜色特征和两个尺度的SILTP特征。为了获得多尺度特征,分别对原图像进行两次下采样,然后分别提取上述特征。特征提取后用核函数将所提取的特征转换到非线性空间,再在非线性空间学习一个子空间,最后在子特征空间学习一个测度矩阵进行相似度度量。深度学习方面,提出多粒度部件对齐的多损失融合行人重识别算法。通过对预训练网络微调得到特征提取的主干网络,在主干网络之后连接两个分支,分别对主干网络提取的行人特征做不同的处理。为了应对行人检测框中行人图像不对齐等问题,通过将图像水平均分为不同的部分,然后从上到下动态匹配局部部件,找到局部特征与最小总距离的对齐。行人图像的多粒度结合也是一种提高识别率的有效手段,将行人图像分割为两部分,分别计算每部分的损失。在考虑到行人重识别算法的特殊性,本文将难样本采样叁元组损失和分类损失的多损失融合方法,通过计算不同深度特征的损失之和作为整体损失。在测试的时候分别采用了简单的距离函数计算特征相似度和重排序计算相似度。实验结果表明,所提出的传统算法在叁个数据集上的测试具一定的优势,深度学习的算法在两个较大的数据集上识别率也表现出一定的优势。(本文来源于《宁夏大学》期刊2019-05-01）
曹洋洋[8]（2019）在《时间序列的特征表示和相似性度量方法研究》一文中研究指出随着时间的推移,客观对象某一属性的取值不断变化,采集得到的数据集合就构成了时间序列数据。时间序列是一种重要的数据类型,这种新数据类型被广泛应用在社会生活的方方面面,典型的有某一时间段国内外的生产总值、气象预报、股票期货最终成交价格以及其他类型数据的指数大小。对时间序列的研究有助于挖掘出数据中与时间相关的有价值信息,实现知识的提取。现实世界中由于时间是无尽头的,所以时间序列类型的数据库规模非常大,能达到TB单位的数量级。时间序列本身的高维、复杂、动态以及高噪声的特性注定了直接对原始序列进行研究势必会造成挖掘时间效率低下,挖掘结果的不准确以及研究结论的可信度降低。因此如何有效的对时间序列进行预处理成了最具挑战性的研究课题之一。预处理分为模式表示和相似性度量两个方面。时间序列的模式表示可以将时间序列关键的特征提取出来,降低特征空间维数,保留原始序列的形态,为下一步的研究做铺垫。由于模式表示的压缩率高、形式简单,许多学者参与了对此的研究。本文针对传统的时间序列模式表示算法往往忽略时间序列的时间特性,导致分段结果不够精确的问题,提出了基于双曲正切函数约束的时间序列建模表示算法。该算法在分段聚合近似的基础上引入双曲正切函数,并且提出了移动增强因子的概念。移动增强因子考虑了时间对各个子序列所含信息量差异的影响,促使时间序列分段后的模型更加契合原始时间序列,完成最终的时间序列分段表示。相似性度量,顾名思义是为了比较序列之间的相似性,在指定的数据库中找到与给定序列在某一定义下相似的序列,在数据挖掘领域是一项重要且基础的识别时间序列模式的预处理任务,对时间序列的异常检测和预测都有至关重要的意义。针对传统的动态时间弯曲算法容易受到离群点以及局部噪声点的影响导致运算结果的准确性不高,不能较精确的处理复杂时间序列数据。对此,文中提出基于形态距离及自适应权重的相似性度量算法。该算法首先利用趋势滤波对原始待比较序列进行降维,压缩;其次引入形态距离计算两时间序列的距离矩阵;最后采用自适应赋权的距离函数抽取出各个子序列所含信息量的差异,利用动态时间弯曲的算法思想完成相似度量工作。最后在大量公开数据集上进行了一系列的实验,结果表明:(1)基于双曲正切函数约束的时间序列建模表示算法有较小的拟合误差,利用此算法对序列完成分段,能够保证在满足时间序列动态增长的条件下,更好的完成序列的宏观相似性查找等工作,算法的通用性,准确性均有所提高。(2)基于形态距离及自适应权重的相似性度量算法鲁棒性更高,在完成宏观的相似性度量的基础上更好的保留了序列的形态特征,同时能更加精确,高效的处理复杂的时间数列。(本文来源于《江南大学》期刊2019-05-01）
赵沛,叶方冰,刘精山[9]（2019）在《中国金融压力的特征、度量及影响》一文中研究指出金融压力的增加会导致金融资产价值的不确定性增加,市场参与者持有风险资产和非流动性资产的意愿降低,并进一步通过多种渠道对实体经济产生负面影响。我国的金融压力变化较为频繁,金融体系较为脆弱。金融压力对于宏观经济具有一定的影响作用,压力指数的走势对于宏观经济指标的未来发展具有一定的前瞻性。而对金融压力的未来变化进行预测通常是困难的。因此,政策制定者应当考虑对这一指标进行实时监测,并配备灵活的工具来快速应对新出现的金融压力。(本文来源于《当代经济研究》期刊2019年04期）
张明英[10]（2019）在《图像特征相似性度量方法研究及应用》一文中研究指出图像匹配是一项重要的图像处理技术,它将不同传感器,或者同一传感器在不同时间、不同视角和不同环境下获得的相同场景图像,在一定的相似度准则下进行匹配,并确定它们之间的几何变换关系。其中,相似性度量是指衡量图像特征之间相似性的准则,在图像匹配中起着关键性的作用,直接影响了匹配结果的有效性、正确性。本文先对图像匹配的叁要素图像特征、相似性度量和搜索策略的方法理论进行了研究,然后探讨了传统的图像匹配算法,并设计了匹配性能评估体系。在此基础上针对地形地貌图像,将L1和L2范数结合作为相似性度量,提出一种快速匹配算法,经实验证明,本文的算法有效地提高了地形地貌图像的匹配效率。最后,对图像匹配算法和性能评估体系进行了软件平台的搭建。本文的主要研究内容和贡献如下:(1)深入分析和研究了图像匹配的关键技术理论,包括图像特征检测、相似性度量、搜索策略和几何变换模型求解方法。其中,相似性度量包括距离相似性度量和基于图像相关的相似性度量算法,并对不同相似性度量的特征匹配性能进行了测试分析。(2)深入分析和探讨了基本的图像匹配算法,包括基于全局特征的模板匹配、基于局部特征的同名点匹配以及基于其他方法理论的匹配算法,并且设计了性能评估体系,将相似性度量应用于匹配性能的评估上。(3)针对地形地貌图像,提出了一种基于L1+L2范数的快速匹配算法,该算法采用FAST和SIFT特征的组合代替原来的SIFT特征,将L1和L2范数结合作为相似性度量,经实验证明,该算法在保证匹配正确率和匹配精度的前提下,有效地提高了计算效率。(4)搭建了图像匹配算法的软件平台,该平台分为两大算法功能模块:图像匹配和性能评估,图像匹配又分为四个子模块,分别为特征检测、特征组合、相似性度量、几何变换,在该软件平台上我们可对不同图像匹配算法进行测试。本文主要完成了不同相似性度量匹配算法的代码编写、移植、性能评估和软件模块功能实现与测试。(本文来源于《电子科技大学》期刊2019-04-01）
特征度量论文开题报告
（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：
机会网络为分流移动网络中由流行内容共享引起的巨大负载提供了机会。分析真实机会环境中的内容传播特征可以为负载分流决策提供重要线索。然而,由于从真实机会环境中收集数据并非易事,相关工作非常有限。本文以致力于内容共享的移动应用"闪传"为研究对象,从该应用用户构成的真实机会网络中搜集数据并分析。为发现内容传播特征,本文从传播规模和速度、内容类型等方面展开分析。分析结果表明,文件传输具有明显周期性,只有很少一部分文件能广泛传播,且移动应用类文件比其他类型文件更易成为流行文件。本文还提出一种有助于预测流行文件的最大化文件传播规模的方法。实验结果证实了该方法的有效性和有用性。
（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。
特征度量论文参考文献
[1].孙世强,左海维,赵露婷.联合特征相似性度量和交并比的检测框优选研究[J].电脑知识与技术.2019
[2].Xiao-hong,ZHANG,Kai,QIAN,Jian-ji,REN,Zong-pu,JIA,Tian-peng,JIANG.基于Spark的机会环境中内容传播特征度量与分析（英文）[J].FrontiersofInformationTechnology&ElectronicEngineering.2019
[3].于晓媛.全球金融周期的度量及其特征分析[D].山东大学.2019
[4].陈海兰,高学东.基于波动特征的时间序列相似性度量及聚类分析[J].统计与决策.2019
[5].张国鹏.基于局部特征和度量学习的行人重识别模型研究[D].华东师范大学.2019
[6].刁伟涛,傅巾益.我国县级政府债务风险的分类度量、区域分布和变化特征:2015-2017[J].财政研究.2019
[7].朱小波.基于特征融合和度量学习的行人重识别算法研究[D].宁夏大学.2019
[8].曹洋洋.时间序列的特征表示和相似性度量方法研究[D].江南大学.2019
[9].赵沛,叶方冰,刘精山.中国金融压力的特征、度量及影响[J].当代经济研究.2019
[10].张明英.图像特征相似性度量方法研究及应用[D].电子科技大学.2019