导读:本文包含了场景分类论文开题报告文献综述及选题提纲参考文献，主要关键词:预碰撞场景,人车事故,分类
场景分类论文文献综述
车瑶栎,李平飞,谭正平,胡文浩,董小飞[1]（2019）在《基于China PCS的人车事故场景分类与分析》一文中研究指出基于中国预碰撞场景(China Pre-Crash Scenarios, China PCS)数据库,筛选450起人车事故案例,根据碰撞前车辆行驶状态与行人运动状态对人车事故场景进行分类,得出7类人车事故场景。针对事故环境、事故路段、车辆状况和行人情况选取10个变量对各类场景进行统计分析。最后得出在车辆左转与行人发生碰撞的场景中呈现速度低且行人相对受伤程度较低的特征,车辆直行事故场景占比最高且普遍车速较高,车辆右转事故场景呈现车速较高的特征,倒车事故场景虽然车速低,但大多存在碾压行为,导致行人AIS(Abbreviated Injury Scale)值较高。(本文来源于《Proceedings of the 16th International Forum of Automotive Traffic Safety（INFATS 2019）》期刊2019-11-14）
曹东,王文光,陈城[2]（2019）在《基于微动特征的道路场景运动目标分类》一文中研究指出在道路场景中,运动目标的状态影响着交通情况的走势。在雷达运动目标的特征中,微多普勒能够作为运动物体的独特特征,为我们提供更丰富的目标信息。本文对行人以及车辆的微多普勒效应进行了理论分析,对行人以及车辆的微多普勒效应进行了建模仿真,通过时频分析,在微多普勒的基础上提出综合利用时频熵、能量占比、目标速度的多特征分类准则。并结合实测数据验证了所提分类算法的有效性。(本文来源于《第十叁届全国信号和智能信息处理与应用学术会议论文集》期刊2019-10-25）
付智军[3]（2019）在《基于深度学习的计算机设计场景文本与非文本图片分类算法研究》一文中研究指出基于深度学习特征编码及计算机设计场景图片来进行文本图片分类。算法首先对输入的图片使用最大值稳定区域进行文字候选区域提取,然后将这些提取出来的区域输入到多类卷积神经网络中,然后将CNN最后一层的输出作为每个区域的特征;再使用词袋模型把区域特征表示成为编码,最后利用这些编码输入到支持向量机中并作最后的判定。本文算法目的是提取文字候选区域来作为算法的感兴趣区域,结合深度学习算法使得文字图片的识别更加准确,使系统具有更好的鲁棒性。在对卷积神经网络进行算法训练的时候,可以对感兴趣的区域进行聚类,最终使得原来的两种分类变成了多种分类,进而使得文字区域特征的划分更具细粒度。(本文来源于《科技通报》期刊2019年09期）
赵宏伟,李明昭,刘静,胡黄水,王丹[4]（2019）在《基于自然性和视觉特征通道的场景分类》一文中研究指出为提高场景分类的识别率,使其更好地应用到目标检测和行为检测中,提出了一种改进的场景分类方法。该方法首先利用空域包络模型中的自然性,将场景进行基类划分,然后通过视觉特征通道模型,对场景进行更细致的分类,从而得到最终的场景语义类别。仿真实验结果表明:改进后的场景分类方法对于场景的语义分类要优于传统场景分类方法,具有更高的识别率。(本文来源于《吉林大学学报(工学版)》期刊2019年05期）
宋雪松,曹建永,董小飞[5]（2019）在《自动紧急制动系统失效场景分类研究》一文中研究指出本文应用一种针对不同自动驾驶等级实验测试的六层功能分解方法,对自动紧急刹车系统(AEBS)失效场景进行分类研究,并总结了AEBS失效场景,希望此分类研究能为提高AEBS性能测试方法有效性提供参考。(本文来源于《质量与标准化》期刊2019年08期）
崔先亮,陈立福,邢学敏,袁志辉[6]（2019）在《基于频带特征融合的GL-CNN遥感图像场景分类》一文中研究指出高分辨率卫星遥感图像场景信息的分类对影像分析和解译具有重要意义,传统的高分辨卫星遥感图像场景分类方法主要依赖于人工提取的中、低层特征且不能很好的利用图像丰富的场景信息,针对这一问题,提出一种基于频带特征融合与GL-CNN(Guided Learning Convolutional Neural Network,指导学习卷积神经网络)的分类方法。首先通过NSWT(Non-Subsampled Wavelet Transform,非下采样小波变换)提取出图像的高低频子带,将高频子带进行频带特征融合得到融合高频子带,然后联合频谱角向能量分布曲线的平稳区间分析实现融合高频子带与低频子带的样本融合,最后指导卷积神经网络自动提取图像的高低频子带包含的高层特征来实现场景分类。通过对UCM_LandUse 21类数据进行试验表明,本文方法的分类正确率达到94.52%,相比以往算法有显着提高。(本文来源于《遥感技术与应用》期刊2019年04期）
秦芳,顾广华[7]（2019）在《基于多尺度局部特征编码与多通道特征融合的图像场景分类》一文中研究指出场景分类在图像理解和计算机视觉中是一个挑战性问题。有效的图像表示在场景分类任务中至关重要。CNN特征在场景分类任务中表现相对突出,但仍有缺陷,其主要表征图像的全局特征,忽略了局部信息,且缺乏几何不变性。本文通过编码多尺度局部图像块的中层CNN特征,获得图像的局部信息,并将编码特征与原始图像的全局CNN特征进行多通道融合来描述场景图像,获得更高效的图像表示,以实现更好的分类判别。本文在两个常用的场景数据集上进行实验评估,结果表明,该方法在场景分类任务中取得了令人满意的效果。(本文来源于《燕山大学学报》期刊2019年04期）
孟庆祥,吴玄[8]（2019）在《基于深度卷积神经网络的高分辨率遥感影像场景分类》一文中研究指出场景分类对于高分辨率遥感影像的理解和信息提取具有重要意义。传统方法利用低、中级或语义特征来对影像的场景进行判别,但是针对高分影像涵盖的细节多、类别复杂等特点,中低层特征无法对影像语义进行准确描述。本文提出了一种基于深度卷积神经网络DCNN场景分类模型。首先利用卷积层对影像的纹理、颜色等低阶特征进行提取,然后利用池化层对重要特征进行筛选,最后将提取到的特征进行组合,形成高阶语义特征,利用高阶语义特征对高分影像进行场景分类。为了解决模型的过拟合问题,使用了数据增广、正则化及Dropout提高模型的泛化能力。本文方法在UC Merced-21取得了91.33%的准确率,相比于传统方法,有效地提高了分类精度,同时证明了深度卷积神经网络在遥感影像分类领域优越性。(本文来源于《测绘通报》期刊2019年07期）
孟庆祥,段学琳[9]（2019）在《基于DCNN的高分辨率遥感影像场景分类》一文中研究指出针对传统场景分类方法不能准确地表达高分辨率遥感影像丰富的语义信息问题,提出了一种基于卷积神经网络的高分辨率影像场景分类方法.此方法大致分为3步:第1步,依据不同卷积窗口做卷积运算提取颜色,纹理和形状等低阶特征;第2步,利用池化层将这些低阶特征进行过滤,得到重要特征;第3步,重组提取出来的特征以形成高阶语义特征进行场景分类.在具体实验中利用叁个不同尺寸的卷积核对数据集进行分类探究,并且使用了数据增广、正则化和Dropout等手段,提升模型对新样本的适应能力,很好地解决了过拟合问题.该方法在所进行的实验中表现良好,在WHU-RS19数据集上取得了88.47%的准确率,和传统的场景分类方法相比,显着提升了分类精度.(本文来源于《华中师范大学学报(自然科学版)》期刊2019年04期）
王小月[10]（2019）在《垃圾分类 智能化前端应用与不足》一文中研究指出“垃圾分类是蛮好的，可以减少浪费。”在上海工作的王锋说，自从实行垃圾分类政策，家里又买了叁个垃圾桶，分别用来装干垃圾、湿垃圾和不可回收垃圾。而今每个家庭的闲置资源越来越多。穿过几次的衣服、八成新的玩具、用了半年的手机、看了一半的书……很多闲置物(本文来源于《中国消费者报》期刊2019-07-19）
场景分类论文开题报告
（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：
在道路场景中,运动目标的状态影响着交通情况的走势。在雷达运动目标的特征中,微多普勒能够作为运动物体的独特特征,为我们提供更丰富的目标信息。本文对行人以及车辆的微多普勒效应进行了理论分析,对行人以及车辆的微多普勒效应进行了建模仿真,通过时频分析,在微多普勒的基础上提出综合利用时频熵、能量占比、目标速度的多特征分类准则。并结合实测数据验证了所提分类算法的有效性。
（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。
场景分类论文参考文献
[1].车瑶栎,李平飞,谭正平,胡文浩,董小飞.基于ChinaPCS的人车事故场景分类与分析[C].Proceedingsofthe16thInternationalForumofAutomotiveTrafficSafety（INFATS2019）.2019
[2].曹东,王文光,陈城.基于微动特征的道路场景运动目标分类[C].第十叁届全国信号和智能信息处理与应用学术会议论文集.2019
[3].付智军.基于深度学习的计算机设计场景文本与非文本图片分类算法研究[J].科技通报.2019
[4].赵宏伟,李明昭,刘静,胡黄水,王丹.基于自然性和视觉特征通道的场景分类[J].吉林大学学报(工学版).2019
[5].宋雪松,曹建永,董小飞.自动紧急制动系统失效场景分类研究[J].质量与标准化.2019
[6].崔先亮,陈立福,邢学敏,袁志辉.基于频带特征融合的GL-CNN遥感图像场景分类[J].遥感技术与应用.2019
[7].秦芳,顾广华.基于多尺度局部特征编码与多通道特征融合的图像场景分类[J].燕山大学学报.2019
[8].孟庆祥,吴玄.基于深度卷积神经网络的高分辨率遥感影像场景分类[J].测绘通报.2019
[9].孟庆祥,段学琳.基于DCNN的高分辨率遥感影像场景分类[J].华中师范大学学报(自然科学版).2019
[10].王小月.垃圾分类智能化前端应用与不足[N].中国消费者报.2019