导读:本文包含了检测融合结构论文开题报告文献综述及选题提纲参考文献，主要关键词:空间约束,量化相关性丰富区域,梯度结构相似性,画面运动剧烈的视频
检测融合结构论文文献综述
普菡,黄添强,翁彬,肖辉,黄维[1]（2019）在《融合空间约束和梯度结构信息的视频篡改检测算法》一文中研究指出相邻帧间相似性原理的传统视频被动取证方法会对画面运动剧烈的视频发生大量误检测,针对这个问题,提出了一种融合空间约束和梯度结构信息的视频篡改检测方法。首先,利用空间约束准则,提取低运动区域和高纹理区域,并将两个区域进行融合,获取顽健的量化相关性丰富区域用于提取视频最优相似性特征;然后,改进原有特征的提取和描述方法,运用符合人类视觉系统特性的梯度结构相似性GSSIM来计算空间约束相关性值,最后,利用切比雪夫不等式对篡改点进行定位。实验证明,针对画面运动剧烈的视频,所提算法误检率更低,精确度更高。(本文来源于《网络与信息安全学报》期刊2019年05期）
裴浩然,袁冠,张艳梅,李月娥,李思宁[2]（2019）在《融合特征熵的轨迹结构异常检测方法》一文中研究指出从轨迹结构特征出发,分析轨迹内部及整体特征,提出融合特征熵的轨迹结构异常检测方法(TSAD-FE,trajectory structure anomaly detection method based on feature entropy)。根据开放角将轨迹划分为轨迹片段,运用线性回归模型对轨迹片段局部特征进行拟合,完成轨迹片段划分;引入轨迹结构框架描述轨迹内部特征属性,应用轨迹结构距离衡量轨迹片段之间的距离,并提出利用熵对特征权重赋值的方法,全面考虑轨迹内部特征对轨迹的影响;运用DBSCAN(density-based spatial clustering of applications with noise)聚类算法将轨迹集划分为若干簇并提取代表轨迹;通过比较轨迹片段与代表轨迹的结构相似度,提取异常轨迹片段,从轨迹整体上考虑异常轨迹片段占比,进而挖掘出异常轨迹。使用多个数据集的实验表明,融合特征熵的轨迹结构异常检测方法能够从轨迹空间形态及内部特征属性上发现异常,可以全面地发现明显异常轨迹及其分段,使检测结果更具有实际意义。(本文来源于《陕西师范大学学报(自然科学版)》期刊2019年05期）
黄友文,冯恒,万超伦[3]（2019）在《基于区域生成网络结构的多层特征融合目标检测算法》一文中研究指出现有深度学习目标检测算法往往只利用了卷积神经网络(convolutional neural network,CNN)提取的深层特征进行判别,对浅层特征利用不足。为了利用浅层的细节信息来提高最终所提取的特征层信息的丰富性,提出了一种基于区域生成网络(region proposal network,RPN)结构的多层特征融合目标检测算法,该算法通过深度卷积网络获取不同层次的特征,并将浅层特征与深层次特征进行融合来获得更加丰富的提取特征,以提升检测模型的性能。以Image Net上的公开数据voc2007为实验对象,以Faster RCNN为基础的检测框架进行改进,最终改进后的平均精度均值(mean average precision,mAP)相比于Faster RCNN有所提升,表明研究结果提升了目标检测模型的准确度。(本文来源于《科学技术与工程》期刊2019年24期）
孙元辉[4]（2019）在《基于多尺度分支结构特征融合的目标检测研究》一文中研究指出在计算机视觉领域,目标检测是最基础的任务之一,对于图像的分析与理解具有重要作用。论文以卷积神经网络网络为基础,使用深度学习的方式提取目标特征。最终完成对图像中特定目标的定位与分类任务,为计算机对图像的场景理解、态势感知提供支撑。论文首先对传统的经典目标检测算法进行分析总结,并与以卷积神经网络为基础的深度学习方法进行了对比。分析发现经典目标检测算法在单一目标、简单场景下具有良好的效果,但对于多类目标、复杂场景的目标检测往往难以实现。而卷积网络类似人类认知目标的过程,以学习的方式提取出目标的语义特征。学习得到的网络特征具备一般性与普适性,对于复杂场景下多类目标的识别具有巨大的优势。使用卷积神经网络进行目标检测依然存在许多问题。首先,网络层数的加深对于更高层语义特征的提取有所帮助,但更深的卷积网络使目标的位置信息愈发模糊,从而导致定位精度的下降。其次,更深层的卷积网络、全连接网络需要巨大的计算量,如何在保持检测精度的同时提升检测速度对于算法性能同样至关重要。针对以上问题,论文对基于深度学习的目标检测方法展开研究。从目标的定位方法、分类方法分析了各种方案的优劣,最终使用了从卷积层直接回归出目标坐标及类别的端到端的检测方式作为检测网络的基础形式。端到端的检测网络具有运算速度高的特点,但存在特征提取不充分、正负样本不均衡等问题。本文针对这些问题展开了以下研究。首先针对特征提取不充分问题,本文利用多尺度分支结构特征融合实现了一种高速的特征提取模块,在模块内通过连接的方式实现了对于多尺度感受野的特征融合;通过引入矩形卷积核增强了网络的特征表示;通过调整卷积网络的结构,对于多层的网络特征进行了再次融合。多尺度感受野、矩形卷积核、多层特征融合的方法有效的改善了网络特征提取不充分的问题,并且在实现特征融合时大量采用并行卷积结构,提升了检测精度的同时保证了算法的实时性。针对正负样本不均衡的问题,文章考虑卷积网络的基本原理,从不同候选区域设置、损失函数的调整以及预测过程中非极大值抑制算法的改进叁个方面着手,分别分析和验证了改进后的网络性能变换,选取出合适的参数设置与损失函数。叁个改进缓解了端到端网络正负样本不均衡的问题,使网络的召回率得到了提升。卷积网络的训练对于算法最终的效果也有巨大的影响。针对神经网络的训练,本文尝试了多种方法提升训练效果,包括对网络的预训练和迁移学习、训练数据集的增广(反转、尺度变换、灰度变换、图像混合)和多GPU下训练参数的调整等。本文在公开数据集上进行了训练和测试,并与相关的基于深度学习的目标检测算法进行了对比。结果显示本算法的检测精度与检测速度的综合性能上具备一定优势,同时也分析了算法的不足与继续改进的方向。(本文来源于《中国科学院大学(中国科学院光电技术研究所)》期刊2019-06-01）
丁晨[5]（2019）在《显着性检测与结构相似相结合的图像融合算法》一文中研究指出随着成像技术的不断发展,任何单传感器所获得的图像都不能提供目标场景的完整信息,在某些场景下可能会受到一些限制,比如红外和可见光图像。为了更好的了解目标场景情况,必须将这些图像的互补信息集中到单个图像中。图像融合技术是一种将同一场景的多个图像中的有用信息合并到一张图像的技术,使得融合图像能发挥各自的优势,相互补充,提供比单个传感器更多关于场景的信息,尽可能更完整的体现出目标场景的特性,图像融合充分利用了输入图像的相关信息来增强图像处理系统的效率并且降低系统的成本。基于图像结构相似的方法充分考虑了图像的结构信息和人类视觉系统的特性,获得了良好的视觉效果,但是对它的研究基本上都是用在图像质量的评价方法上,而且结构相似多用于处理图像的低频区域,提取场景中的结构信息。对于图像的高频区域,则没有很好的效果。基于显着性检测的图像融合算法能较好地提取场景中的边缘、轮廓等高频信息。本文在分析了两种算法各自优势的基础上,尝试将这两种融合方法的优点结合起来,提出了一种显着性检测和结构相似相结合的融合算法,图像融合实验结果表明该算法优于现有的同类算法。本文的主要工作内容和创新点总结如下:1、在像素级的图像融合中,大多数的图像融合都分为叁步,首先把待融合图像分解为低频区和高频区,然后对不同的区域采用不同的融合规则进行图像融合,最后将低频区和高频区重建为最后的融合图像。但在进行图像分解时,分解级数的不同会导致不同的融合结果,大多数多尺度融合方法都需要分解两个尺度以上。这些方法计算比较复杂,所以他们需要更多的内存和计算时间。本文采用简单的双尺度图像分解,降低多尺度融合算法的复杂度,提高图像融合速度。2、分析了结构相似指标和显着性检测的优缺点,发现基于结构相似的图像融合方法可以很好的提取图像的结构信息,而显着性检测可以提取出符合人类视觉的信息,于是将显着性检测和结构相似结合起来,希望可以获得更好的融合图像。该方法首先是将图像进行二尺度图像分解,对分解后的高频区和低频区分别采用不用的融合规则,对低频区使用结构相似的图像融合,而对包含大量细节信息的高频区采用显着性检测融合算法。最后通过大量实验证实了该算法的可行性。(本文来源于《陕西师范大学》期刊2019-05-01）
贺冉,张再华,何敏,刘小芳,祝新[6]（2019）在《产教融合背景下的应用型本科《土木工程结构实验与检测》实验教学改革初探》一文中研究指出《土木工程结构实验与检测》是应用型本科一门重要的实践性课程,其任务是通过理论和实践教学环节,使学生获得工程结构实验、检测方面的基础知识和基本技能,并培养其进行实验设计和实验规划的能力。文中针对在实验教学中存在的一些主要问题,如实验教学观念不强,轻视实验教学;该课程实验学时少,实验教学项目内容较少;教学方式单一,限制学生实际动手操作的能力;实验教学方法落后;考核模式单一等。从5个方面对具体的实验教学进行了改革初探:主要构建新的实验项目内容体系和开发出可以记录学生的整个实验过程的云平台考核模式体系。这些改革措施最终能把该课程的教学与产教融合真正结合起来。真正实现以学生为主体的实验教学活动,在实验中培养学生工程实践能力与创新精神。(本文来源于《教育现代化》期刊2019年25期）
洪晓斌,子文江,余蓉,罗宗强,何振威[7]（2019）在《大型钢结构无损云检测的可信度融合评估》一文中研究指出针对大型钢结构采用单一无损检测方法经常难以实现被检测对象的完整准确评估问题,利用多种无损检测方法进行综合检测是有效手段,其中综合检测结果可信度评定是关键.首先,设计基于Hadoop的大型钢结构无损云检测系统架构,分析大型钢结构无损云检测Hadoop架构的信息流;接着定义大型钢结构无损云检测数据可信度融合的D-S证据理论联合算子,提出基于D-S证据理论的多源数据可信度MapReduce融合算法;最后,建立大型钢管塔结构检测实验平台,对可视化内窥检测、涡流检测和超声波检测等多源数据可信度进行了融合评估实验.结果表明,云检测数据可信度MapReduce融合算法有效提高了各个单一检测手段的缺陷检出率,可满足大型钢结构无损云检测的实际需求.(本文来源于《华南理工大学学报(自然科学版)》期刊2019年03期）
余春艳,徐小丹,钟诗俊[8]（2018）在《融合去卷积与跳跃嵌套结构的显着性区域检测》一文中研究指出针对深度学习的显着性区域检测方法大多存在的显着性图边界信息丢失、轮廓模糊等问题,提出将全局嵌套边缘检测(HED)模型迁移至显着性区域检测任务以增强边界检测,在其基础网络结构之上融入去卷积模块与跳跃嵌套结构,构建了面向显着性区域检测的HED-DSN模型.首先利用去卷积模块以乘积的方式结合底层与高层信息,然后利用跳跃嵌套结构以通道连接的方式将不同层次的特征进行融合,最后用全连接条件随机场对预测得到的显着性图进行优化.在MSRA-B, ECSSD, HKU-IS, SOD和DUT-OMRON共5个数据集上进行实验及模型评价,结果表明,HED-DSN模型在各数据集上均表现良好,不仅能准确地定位出显着性区域,且检测出的区域完整、边界清晰;在客观指标上,该模型的总体性能优于目前最好的DSS模型,且在SOD数据集上提高了近0.7%.(本文来源于《计算机辅助设计与图形学学报》期刊2018年11期）
候飞翔[9]（2018）在《基于对偶四元数特征融合的蛋白质二级结构检测方法》一文中研究指出蛋白质的二级结构检测是生物信息学领域的一个重要课题。深入地了解和认识蛋白质的二级结构,对于蛋白质折迭、蛋白质的建模、生物大分子药物设计以及蛋白质结构与功能分析等研究具有重要意义。在传统的检测方法中,经常通过氢键或者局部几何中的Cα原子来指定二级结构,信息太过单一,尤其对于β折叠的检测精度往往偏低。蛋白质二级结构中的β折叠与α螺旋结构不同,检测时不仅要考虑蛋白质序列上残基之间的结构关系,还要考虑空间中相邻肽链之间的结构关系。为了提高蛋白质β折叠结构的检测精度,本文提出一种基于对偶四元数的蛋白质序列和空间邻域特征提取方法。该方法首先求取蛋白质结构数据中C、Cα、N各类原子的坐标信息,利用弗莱纳公式理论构建以Cα为中心的原子坐标系,由坐标系序列可以求得对称正定矩阵,将对称正定矩阵转换为对偶四元数序列。然后计算出蛋白质序列邻域对偶四元数距离(序列DQ)和空间邻域对偶四元数距离(空间DQ),最后融合蛋白质几何结构信息(TCO、Kappa、Alpha、PHI和PSI)作为一类新的融合特征。本文使用机器学习中的支持向量机、随机森林和BP神经网络叁种分类模型。通过对这叁种分类器进行比较可知:在使用融合特征后,随机森林的检测精度可以达到96.48%,检测精度较高,且复杂度低。为了验证分类器的性能,求出混淆矩阵和ROC曲线等一系列性能指标,结果表明:可以使用随机森林对蛋白质的二级结构进行检测,且性能较好。最后,利用蛋白质标准数据集对本文方法的有效性进行验证。实验结果表明:本文方法对蛋白质α螺旋结构的检测精度达到94.2%,对β折叠结构的检测精度达到93.6%。其中β折叠的检测精度提高3.6%,明显优于其它传统的二级结构检测方法。(本文来源于《燕山大学》期刊2018-05-01）
井立,杨智春,张甲奇[10]（2018）在《基于信息融合技术的结构损伤检测方法》一文中研究指出在结构损伤检测领域,不同的损伤检测方法对结构的损伤敏感程度不同,为了提高结构损伤检测的准确率,将信息融合技术应用在结构损伤检测中。利用加权平均法、简单投票法和D-S证据理论在不同层次进行信息融合,得到结构的损伤状态;通过蜂窝夹层复合材料梁损伤检测试验验证该方法的可行性和有效性。结果表明所提出的方法可以准确的判断结构是否发生损伤以及损伤的位置。(本文来源于《振动与冲击》期刊2018年07期）
检测融合结构论文开题报告
（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：
从轨迹结构特征出发,分析轨迹内部及整体特征,提出融合特征熵的轨迹结构异常检测方法(TSAD-FE,trajectory structure anomaly detection method based on feature entropy)。根据开放角将轨迹划分为轨迹片段,运用线性回归模型对轨迹片段局部特征进行拟合,完成轨迹片段划分;引入轨迹结构框架描述轨迹内部特征属性,应用轨迹结构距离衡量轨迹片段之间的距离,并提出利用熵对特征权重赋值的方法,全面考虑轨迹内部特征对轨迹的影响;运用DBSCAN(density-based spatial clustering of applications with noise)聚类算法将轨迹集划分为若干簇并提取代表轨迹;通过比较轨迹片段与代表轨迹的结构相似度,提取异常轨迹片段,从轨迹整体上考虑异常轨迹片段占比,进而挖掘出异常轨迹。使用多个数据集的实验表明,融合特征熵的轨迹结构异常检测方法能够从轨迹空间形态及内部特征属性上发现异常,可以全面地发现明显异常轨迹及其分段,使检测结果更具有实际意义。
（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。
检测融合结构论文参考文献
[1].普菡,黄添强,翁彬,肖辉,黄维.融合空间约束和梯度结构信息的视频篡改检测算法[J].网络与信息安全学报.2019
[2].裴浩然,袁冠,张艳梅,李月娥,李思宁.融合特征熵的轨迹结构异常检测方法[J].陕西师范大学学报(自然科学版).2019
[3].黄友文,冯恒,万超伦.基于区域生成网络结构的多层特征融合目标检测算法[J].科学技术与工程.2019
[4].孙元辉.基于多尺度分支结构特征融合的目标检测研究[D].中国科学院大学(中国科学院光电技术研究所).2019
[5].丁晨.显着性检测与结构相似相结合的图像融合算法[D].陕西师范大学.2019
[6].贺冉,张再华,何敏,刘小芳,祝新.产教融合背景下的应用型本科《土木工程结构实验与检测》实验教学改革初探[J].教育现代化.2019
[7].洪晓斌,子文江,余蓉,罗宗强,何振威.大型钢结构无损云检测的可信度融合评估[J].华南理工大学学报(自然科学版).2019
[8].余春艳,徐小丹,钟诗俊.融合去卷积与跳跃嵌套结构的显着性区域检测[J].计算机辅助设计与图形学学报.2018
[9].候飞翔.基于对偶四元数特征融合的蛋白质二级结构检测方法[D].燕山大学.2018
[10].井立,杨智春,张甲奇.基于信息融合技术的结构损伤检测方法[J].振动与冲击.2018