导读:本文包含了场景检测论文开题报告文献综述及选题提纲参考文献，主要关键词:图像处理,弱小目标检测,加权场景先验,加权核范数
场景检测论文文献综述
潘胜达,张素,赵明,安博文[1]（2019）在《基于加权场景先验的海上红外弱小目标检测》一文中研究指出为了提高海上红外弱小目标检测的检测精度和实时性,提出了一种基于加权场景先验的红外弱小目标检测方法.该方法首先利用目标的稀疏特性以及海面场景的非局部自相关特性,将目标和背景的分离问题转化为恢复低秩和稀疏矩阵的鲁棒主成分分析(Robust Principal Component Analysis,RPCA)问题.之后,将海面背景的先验特征信息通过加权核范数的方式加入模型,加快算法中目标和背景图像块矩阵的分解速度.最后,通过引入交替方向乘子法(ADMM)算法进一步加速求解的迭代速度.实验结果表明:该算法能有效地提高目标检测准确率,算法实时性较原算法提高了120%.(本文来源于《红外与毫米波学报》期刊2019年05期）
赵彤,刘洁瑜,刘星[2]（2019）在《空对地场景信息辅助的目标检测算法》一文中研究指出在空对地视角下图像的场景信息往往更加丰富,并且对目标的定位和分类有很强的辅助作用.传统的单发多框检测(SSD)网络在6个不同深度的特征图上对目标边框和类别独立地进行预测,忽略了深层次特征的场景信息对浅层细节信息的辅助作用.为有效地利用场景信息,首先在SSD网络的基础上分析不同尺度的特征图对目标检测的影响;然后结合特征金字塔和长短期记忆网络针对不同特征图建立场景辅助结构,增强特征图的表征能力.在自制的空对地数据集上进行实验,并与检测领域几种经典的网络进行对比,结果表明,文中算法能够在保证速度的前提下高效地对目标进行检测,比其他经典的网络有更高的检测精度.(本文来源于《计算机辅助设计与图形学学报》期刊2019年10期）
王佳,翟高寿,刘峰,李红辉[3]（2019）在《基于配对函数调用场景的设备驱动漏洞检测》一文中研究指出由于Linux系统的设备驱动工作在内核模式中,在这种特定的工作场景下,由设备驱动引发的漏洞问题极易影响操作系统的稳定性和安全性.当前在各类设备驱动漏洞中所占比例较高的当属资源操作类漏洞,针对这种情况,我们提出了一种基于配对函数调用场景的设备驱动漏洞检测方法.首先引入配对函数的概念,据此对特定的驱动程序做配对函数的自动提取与优化;随后结合手工分析结果构建配对函数在资源申请与释放过程中的执行路径;最后基于相应的函数调用场景进行配对检查,检测并验证设备驱动程序中内存资源的申请和释放是否为完全层次性匹配.为验证该方法的有效性,实验分别选取不同的设备驱动应用该漏洞检测方法,记录相应的漏报率、误报率及覆盖度.实验结果表明,该设备驱动漏洞检测方法精确率较高,检测速度快.并且该方法不依赖于实时编译以及硬件设备等条件.(本文来源于《计算机系统应用》期刊2019年10期）
张洪源,张印辉,何自芬[4]（2019）在《复杂工业场景目标实时检测方法》一文中研究指出针对现代生产中对柔性化和智能化的需求,为了提高智能加工机器人的工作效率和适应性,使其能精确快速的识别检测各类目标,提出了一种基于YOLOv3模型的多尺度视觉检测方法,该方法可对复杂工业环境背景下的常见目标进行实时检测。该方法检测的对象为轴承、螺丝刀、齿轮、钳子、扳手、螺栓、螺帽、垫片、榔头、锉刀、车刀十一类工件。该方法结合SPP-Net及ResNet,通过单个卷积神经网络将分辨率418×418输入图像处理为52×52、26×26、13×13叁个不同尺度的特征图分别进行预测,通过NMS算法得到最终结果。该方法在保证效率与准确率的情况下实现了复杂工业环境下的目标检测,使用的网络结构为在YOLOv3的基础上进行了改进后的CIS-YOLO,在GTX1060上本文使用750张图片作为测试集,完成测试所用时间为17s,测试速度达到了44FPS,精度达到了91.67%。检测的精度较YOLOv2增加了1.38%,测试速度提升了15%;较YOLOv3精度增加了2.61%,测试速度提升了39%。实验结果证明该方法满足了高精度实时检测的要求,该研究可为机器人快速高效率在复杂工业环境背景下目标检测提供依据。(本文来源于《软件》期刊2019年10期）
白云飞[5]（2019）在《一种基于深度学习和图像边缘分析的交通场景车道线检测方法》一文中研究指出本论文提出一种交通场景车道线检测方法,通过图像亮度和边缘信息的相关性,自适应地对图像进行分块,并送入基于交通大数据训练而成的卷积神经网络模型,输出分类信息和回归坐标,再通过投影和聚类得出车道线坐标,具有准确、快速、适应性强的特点。1.引言电子警察摄像机,是智能交通领域的主要前端采集设备,其功能是通过分析和识别机动车违章现象进行抓拍取证。而识别出清晰(本文来源于《电子世界》期刊2019年18期）
万琴,朱晓林,肖岳平,颜金娥[6]（2019）在《面向复杂城市交通场景的一种实时车道线检测方法》一文中研究指出车道线检测是智能交通监控及自动驾驶的基础步骤,为提高其鲁棒性和实时性,针对复杂城市交通场景中自动驾驶需要检测车道线的需求,提出了一种实时车道线检测算法,首先运用改进灰度化变换突显车道线的特征,并通过改进的Gabor滤波算法增强车道线的边缘信息;最后采用多约束霍夫变换筛选得到平行车道线从而实现实时车道线检测;实验表明,该方法在叁种不同真实的交通道路场景下,提高了车道线检测精度及处理速度,可应用于实时车道线检测系统。(本文来源于《计算机测量与控制》期刊2019年09期）
牛作东,李捍东[7]（2019）在《引入注意力机制的自然场景文本检测算法研究》一文中研究指出随着深度学习、神经网络的兴起与发展,对于图像中的目标检测已经取得了巨大的进展。但是自然场景下的文本信息具有多样的形式和复杂的特点,通用的目标检测算法无法取得理想的效果,因此自然场景下的文本检测在计算机视觉以及机器学习领域仍然是一项具有挑战性的问题和未来的热点研究方向。根据当前学术界针对自然场景下的文本检测问题所提出的算法和思路,在EAST算法的主干网络PVANet的基础上通过引入注意力机制模块,使得提取文本目标特征时更加关注有用信息和抑制无用信息,从而有效改善原算法在预测长文本方向信息时视野不足的问题。实验结果显示,该方法在没有损失检测效率的同时提高了原算法的检测精度,并在一定程度上优于当前针对自然场景下的文本检测算法。(本文来源于《计算机应用与软件》期刊2019年09期）
裴浩渊,王纪凯,戴德云,陈宗海[8]（2019）在《交通场景下基于激光与视觉融合的车辆检测方法》一文中研究指出随着深度学习的快速发展,基于深度神经网络的目标检测模型被不断提出并且检测的效率和精度均得到大幅提升。然而,目前的环境目标检测方法在复杂场景下的性能仍然受限。多传感器信息融合被认为是进一步实现目标检测技术突破的重要途径。本文针对环境感知中的车辆检测技术,着重介绍了融合视觉信息和激光信息的多视图目标检测(AVOD)模型的框架,对其工作原理进行说明,探究了决定网络模型性能的关键因素。最后,论文在KITTI上对AVOD模型的性能进行了验证与对比分析,指出了未来的发展方向。(本文来源于《第二十届中国系统仿真技术及其应用学术年会论文集（20th CCSSTA 2019）》期刊2019-08-20）
吴登禄,薛喜辉,张东文,付展宏[9]（2019）在《基于PointNet++的室外场景叁维点云多目标检测方法》一文中研究指出针对室外场景叁维点云的稀疏性对目标检测带来的挑战问题,设计一个基于PointNet++的点云检测方法。该方法首先预处理点云,获取感兴趣区域点云;再聚类点云,对物体进行分割;接着通过PointNet++检测,获得目标的类别结果;最后通过叁维bounding box获得目标物体的长宽高及朝向。为验证该方法的有效性,用16线velodyne激光雷达采集室外真实场景的数据,并制作样本集进行网络训练。最终结果验证,该方法能获得较高的检测准确率,并满足实时性要求。(本文来源于《自动化与信息工程》期刊2019年04期）
祝庆发,陈永生,郭玉臣[10]（2019）在《基于改进YOLO算法的密集人群场景下的行人检测》一文中研究指出针对现有的行人检测算法在密集人群场景下,准确率不高的问题,并结合上海地铁中特有的人群密集场景,本文利用YOLO目标检测算法,提出了在密集人群场景下的改进的YOLO行人检测算法。算法主要针对网络结构和损失函数进行改进,并在人工标注的实际场景下的行人数据集上进行训练与测试。实验结果表明,改进后的算法较YOLO目标检测算法在实际场景下的准确率有明显提高。(本文来源于《电脑知识与技术》期刊2019年22期）
场景检测论文开题报告
（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：
在空对地视角下图像的场景信息往往更加丰富,并且对目标的定位和分类有很强的辅助作用.传统的单发多框检测(SSD)网络在6个不同深度的特征图上对目标边框和类别独立地进行预测,忽略了深层次特征的场景信息对浅层细节信息的辅助作用.为有效地利用场景信息,首先在SSD网络的基础上分析不同尺度的特征图对目标检测的影响;然后结合特征金字塔和长短期记忆网络针对不同特征图建立场景辅助结构,增强特征图的表征能力.在自制的空对地数据集上进行实验,并与检测领域几种经典的网络进行对比,结果表明,文中算法能够在保证速度的前提下高效地对目标进行检测,比其他经典的网络有更高的检测精度.
（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。
场景检测论文参考文献
[1].潘胜达,张素,赵明,安博文.基于加权场景先验的海上红外弱小目标检测[J].红外与毫米波学报.2019
[2].赵彤,刘洁瑜,刘星.空对地场景信息辅助的目标检测算法[J].计算机辅助设计与图形学学报.2019
[3].王佳,翟高寿,刘峰,李红辉.基于配对函数调用场景的设备驱动漏洞检测[J].计算机系统应用.2019
[4].张洪源,张印辉,何自芬.复杂工业场景目标实时检测方法[J].软件.2019
[5].白云飞.一种基于深度学习和图像边缘分析的交通场景车道线检测方法[J].电子世界.2019
[6].万琴,朱晓林,肖岳平,颜金娥.面向复杂城市交通场景的一种实时车道线检测方法[J].计算机测量与控制.2019
[7].牛作东,李捍东.引入注意力机制的自然场景文本检测算法研究[J].计算机应用与软件.2019
[8].裴浩渊,王纪凯,戴德云,陈宗海.交通场景下基于激光与视觉融合的车辆检测方法[C].第二十届中国系统仿真技术及其应用学术年会论文集（20thCCSSTA2019）.2019
[9].吴登禄,薛喜辉,张东文,付展宏.基于PointNet++的室外场景叁维点云多目标检测方法[J].自动化与信息工程.2019
[10].祝庆发,陈永生,郭玉臣.基于改进YOLO算法的密集人群场景下的行人检测[J].电脑知识与技术.2019