导读:本文包含了归一化分割论文开题报告文献综述及选题提纲参考文献，主要关键词:卷积神经网络,归一化,目标检测,实例分割
归一化分割论文文献综述
王旭,张幸,赵文仓[1]（2019）在《基于改进群组归一化的目标检测与实例分割》一文中研究指出训练卷积神经网络,尤其是在使用ImageNet这种大规模数据集进行深层卷积神经网络训练时,往往需要投入几天甚至几个月的时间。为了加快神经网络的迭代收敛速度,通常需要使用批量归一化算法对训练网络的输入输出分布进行统一调整。本工作结合实例归一化方法对群组归一化进行了改进,并将改进后的该方法结合Faster R-CNN和Mask R-CNN进行了目标检测与实例分割实践。(本文来源于《青岛科技大学学报(自然科学版)》期刊2019年06期）
陶黎明,卢守峰,江勇东[2]（2018）在《归一化分割算法在路网划分中的敏感度分析》一文中研究指出基于实测路网数据,采用惩罚系数法,对归一化分割算法的敏感度进行了分析,得知该方法的划分结果依赖于相似函数的指数量级。通过计算子区划分的评价指标,对比不同惩罚系数量级下的路网划分结果,并采用相似函数曲线分析进行了验证。基于路网划分前、后的宏观基本图,证实了归一化分割算法在交通状态分析中的应用意义,提出对其相似函数进行数量级控制的必要性。(本文来源于《交通科学与工程》期刊2018年03期）
戈星[3]（2018）在《基于显着性检测的归一化分割》一文中研究指出图像分割作为数字图像处理以及计算机视觉领域的一种重要计算机技术,在目前的目标识别、医学图像分割、无人驾驶等计算机视觉相关领域起到了非常重大的作用。基于图论理论的归一化分割算法是最近十多年发展起来的比较热门的图像分割方法,在各种实验中取得了比较好的结果,在各种应用中有着非常重要的影响。它作为一种求解全局最优解的算法,有着不需要预处理、不容易产生离散点现象的优点,但归一化算法分割准确度低,容易受到背景特征的干扰,且空间复杂度较大,是一个NP难问题。因此本文在分析传统归一化分割的优缺点基础上,在进行权值矩阵的计算过程前,先对图像进行显着性检测的预处理,得到图像中若干个显着性区域块,然后再根据显着性区域间的近似关系对图像每个点计算权值。接着本文根据瑞丽商的有关结论,求解广义特征值问题,利用得到第二小的特征值对应的特征向量对图进行分割,从而实现了图像的分割。大量的实验结果显示,本文的分割算法可以有效地改善图像分割效果,在较复杂背景中也能够取得较好的图像分割结果。本文的主要工作如下:(1)首先本文提出了一种基于显着性检测的归一化分割算法,针对归一化分割容易受到背景特征的影响,本文算法有效的提高了目标分割和定位的准确度。给出了显着性检测和归一化分割算法的融合方法:在构造权值矩阵时,将显着性点的重要性赋予到权值图中,重新计算权值。(2)其次对显着性检测的方法进行了改进,提出一种基于多尺度的显着性检测方法。考虑多个尺度的显着性,利用多尺度的均值有效的减少了重复出现的全局背景特征的影响,使算法能够对较复杂背景图像也能进行分割。然后对各类算法进行了分割时间和准确度等指标的对比和比较。通过分析实验结果,证实了本文提出的方法可以明显改进归一化分割算法的准确性和应用场景。(本文来源于《湖南师范大学》期刊2018-06-01）
徐齐高[4]（2017）在《基于均值漂移与归一化割的多特征图像分割研究》一文中研究指出图像分割是指将图像分成互不交迭的有意义的区域,是目标识别和图像理解的前提。图像分割是计算机视觉研究中的一个经典难题,已成为图像理解领域关注的一个热点。目前存在多种图像分割算法,其中均值漂移(Mean-Shift)算法和归一化割(Ncut)算法是两种常见的方法。均值漂移算法是一种聚类算法,该算法的优点是收敛速度快、对噪声具有鲁棒性。然而,它应用于图像分割时容易产生过分割现象。归一化割算法是一种基于图论的分割算法,该算法准则是一个全局优化的准则。因其一般直接应用于像素上来进行图像分割,计算量比较大,不利于实时图像处理。针对上述算法的各自特点,本文研究了结合Mean-Shift与Ncut的图像分割算法。算法首先利用Mean-Shift对图像进行基于像素的聚类分割,然后再利用Ncut算法进行基于图像过分割区域的聚类分割。这种算法可以减少计算量以及噪声的干扰,有利于改善分割效果、提高分割效率。本文主要研究内容如下:1.介绍了均值漂移的算法原理,其中包括了它的基本形式、扩展形式以及算法步骤,讨论了算法的收敛性,分析了基于Mean-Shift的图像分割算法。最后通过仿真实验证明该算法的叁个参数Mhh),,(sr的选择对分割结果影响比较大。2.介绍了图谱的相关基础理论,基于图论的两种图像分割准则(cut与Ncut),归一化割算法(Ncut)的求解。随后介绍了基于图论的2-way Ncut和K-way Ncut算法。最后通过仿真实验验证了K-way Ncut算法中参数K以及权值矩阵W中),(XI??的选择非常重要。3.在分析了Mean-Shift和Ncut这两种算法的基础上,为了提高图像分割效果以及速度,本文研究了一种结合Mean-Shift和Ncut的分割算法。在算法设计过程中,首先利用Mean-Shift算法对图像进行预处理,由于Mean-Shift算法处理后的图像会被分成很多过分割区域,我们将这些分割区域利用一些具有代表性的点来代替,构造一幅无向加权图来描述这些点之间的关系,再利用Ncut算法直接应用于这些区域来进行区域聚类,而不像传统的Ncut算法应用于图像像素。实验结果验证了算法的可行性和优越性。4.综合考虑图像的常用特征在图像分割中的作用,介绍图像的纹理特征、边缘特征的常用提取方法。并针对特定的图像选择不同的特征进行融合,形成多特征综合图。将多特征综合图作为待分割初始图像,使用结合Mean-Shift和Ncut的图像分割方法进行分割。实验结果验证了使用多特征图像进行图像分割比单特征分割效果更佳。(本文来源于《长安大学》期刊2017-05-20）
董瑞,李鸣明[5]（2016）在《一种改进的基于归一化割的图像分割方法》一文中研究指出文章结合聚类法提出了一种改进的基于归化割的图像分割方法。先利用聚类对图像进行预分割,得到图像最大相似区域,再利用区域间的亲近关系将图像转化为图,最后利用图谱的工具(特征值和特征向量)对图分割,实现图像的分割。实验结果表明,该方法有效地降低算法复杂度,获得较好的分割效果。(本文来源于《信息通信》期刊2016年07期）
崔娅萍[6]（2016）在《基于改进归一化割的图像分割算法研究》一文中研究指出归一化割算法(Ncut)是在最小割基础上改进而来的一种用于更好的对图像进行分割的新算法,该算法能够较好的处理最小割所不能克服的困难。但Ncut算法在求解矩阵的值时,计算过程复杂,传统的Ncut算法因其计算矩阵特征值与特征向量复杂度较高,从而很难将该方法用于处理比较大的图像。针对以上问题本文提出了一种将二次分水岭与Ncut算法融合在一起的新方法,首先对图像的梯度图进行求解,再用分水岭对梯度图进行分割并进行平滑处理,将得到的分割图再一次进行分水岭分割,最后再用Ncut算法对图像进行最终的分割。并与传统的Ncut算法进行比较,实验仿真说明本文提出的分割图像算法更加可靠有效。(本文来源于《激光杂志》期刊2016年02期）
王森,伍星,刘韬,张印辉[7]（2016）在《基于反对称双正交小波变换的多尺度归一化分割方法》一文中研究指出针对工业检测现场拍摄的微电子元件图像产生的模糊和噪声迭加现象,提出基于反对称双正交小波变换的多尺度归一化分割方法.首先通过反对称双正交小波的多尺度边缘检测方法对待处理图像进行平滑、去噪及轮廓提取;然后利用重构后的边缘轮廓、强度值和图像的约束矩阵求得权重矩阵;最后利用谱分割技术得出图像的特征向量,并离散化后得到最终的分割结果。对工业显微镜采集的电路板零件和部分故障图像以及PASCAL VOC2012分割数据集中的图像进行测试,并与归一化割方法、多尺度归一化割方法、最小割/最大流方法和基于约束参数的最小化割方法在精确率、查全率、F-测量、平均绝对误差和运行时间上进行了对比,结果表明,该算法的分割质量更理想.(本文来源于《计算机辅助设计与图形学学报》期刊2016年01期）
叶超[8]（2015）在《基于归一化割的血吸虫卵图像分割》一文中研究指出显微镜下识别血吸虫卵是一件费时费力的工作,常常因为检测人员疲劳、注意力不集中等原因导致血吸虫病的误检和漏检。传统的血吸虫卵识别系统,图像分割方法只是通过单一的阈值分割的方式来处理血吸虫卵图像,往往误诊率、漏检率较高,在血吸虫病的诊断中作用很小甚至有副作用,因此对图像分割算法进行改进变得很有必要。文中在此背景下进行研究,针对血吸虫卵图像的分割提出了改进的归一化割算法。采用灰度权值矩阵描述像素之间的关系,从而避免了特征系统的大量运算,同时结合了先验知识,根据图像自身的特点自动计算最优分割子图数,使得分割结果更加精确。实验结果表明,该分割算法比经典的阈值分割算法分割更加精确,并且运行速度快。(本文来源于《计算机技术与发展》期刊2015年11期）
靳炳辉,吴云鹏,叶阳东[9]（2015）在《一种基于归一化分割方法的集体行为识别算法研究》一文中研究指出提出了一种基于归一化分割方法的集体行为识别算法,该算法通过运动个体的复杂特征定义个体间的相似性度量,得到集体行为聚类。实验结果表明,在多种视频场景中,该算法均能有效地识别集体行为模式;以真实聚类个数的差异作为评价指标,本方法具有更高的准确性。(本文来源于《中原工学院学报》期刊2015年04期）
黄煌,肖鹏峰,王结臣[10]（2015）在《多尺度归一化割用于遥感图像分割》一文中研究指出针对高分辨率遥感图像数据量大、地物类型丰富、纹理结构复杂等特点,该文利用多尺度归一化割方法进行高分辨率遥感图像的分割。该方法是一种从全局出发的基于图论的分割方法,能够兼顾粗糙层和精细层的信息,适合复杂地物的分割。利用南京某区域Ikonos数据进行了实验,并与主流遥感图像分割软件eCognition中多尺度分割模块进行了效果对比和定量评价。结果表明,该方法在高分辨率遥感图像分割中可以取得较好的效果,具有较好的研究前景。(本文来源于《遥感信息》期刊2015年05期）
归一化分割论文开题报告
（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：
基于实测路网数据,采用惩罚系数法,对归一化分割算法的敏感度进行了分析,得知该方法的划分结果依赖于相似函数的指数量级。通过计算子区划分的评价指标,对比不同惩罚系数量级下的路网划分结果,并采用相似函数曲线分析进行了验证。基于路网划分前、后的宏观基本图,证实了归一化分割算法在交通状态分析中的应用意义,提出对其相似函数进行数量级控制的必要性。
（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。
归一化分割论文参考文献
[1].王旭,张幸,赵文仓.基于改进群组归一化的目标检测与实例分割[J].青岛科技大学学报(自然科学版).2019
[2].陶黎明,卢守峰,江勇东.归一化分割算法在路网划分中的敏感度分析[J].交通科学与工程.2018
[3].戈星.基于显着性检测的归一化分割[D].湖南师范大学.2018
[4].徐齐高.基于均值漂移与归一化割的多特征图像分割研究[D].长安大学.2017
[5].董瑞,李鸣明.一种改进的基于归一化割的图像分割方法[J].信息通信.2016
[6].崔娅萍.基于改进归一化割的图像分割算法研究[J].激光杂志.2016
[7].王森,伍星,刘韬,张印辉.基于反对称双正交小波变换的多尺度归一化分割方法[J].计算机辅助设计与图形学学报.2016
[8].叶超.基于归一化割的血吸虫卵图像分割[J].计算机技术与发展.2015
[9].靳炳辉,吴云鹏,叶阳东.一种基于归一化分割方法的集体行为识别算法研究[J].中原工学院学报.2015
[10].黄煌,肖鹏峰,王结臣.多尺度归一化割用于遥感图像分割[J].遥感信息.2015