导读:本文包含了深层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:残差网络,3D卷积神经网络,自适应超参数优化,高光谱图像分类
深层分类论文文献综述
肖志云,蒋家旭,倪晨[1]（2019）在《自适应深层残差3D-CNN高光谱图像快速分类算法》一文中研究指出为了实现高光谱图像的快速训练、分类和超参数自适应寻优,提出基于深层残差3D卷积神经网络(3D-CNN)的高光谱图像识别分类算法.由于采用的3D特征提取算法更适合高光谱3D数据结构,使得网络可以快速地从完整的高光谱图像样本中同时提取丰富的空间和光谱特征;此外,通过对高光谱图像样本平面空间方向的旋转和翻转操作进行数据增强的方法;以及运用TPE超参数优化算法对设定的超参数选择空间自适应寻优的方法,都可以有效地提高分类准确率.通过在TensorFlow框架下对Pavia University, Indian Pines和KSC等标准高光谱数据集上的实验结果表明,与SSRN等其他算法相比,文中算法在加深网络结构的同时,提高了分类准确率;与人工设定超参数网络相比,以TPE自适应超参数优化算法优化的网络参数数量减少约一半,训练时间缩短约10%.(本文来源于《计算机辅助设计与图形学学报》期刊2019年11期）
胡海根,孔祥勇,周乾伟,管秋,陈胜勇[2]（2019）在《基于深层卷积残差网络集成的黑色素瘤分类方法》一文中研究指出针对黑色素瘤分类识别任务中存在对比度低、肉眼难以区分、信息干扰大、数据量偏少以及数据不均衡等诸多问题,文中提出了一种基于掩盖的数据增强与深度卷积残差网络相结合的集成分类方法。首先根据皮肤病图像的特点,在前人数据增强研究的基础上,提出了两种基于掩盖训练图像部分区域的数据增强方式;其次以这两种数据增强方式为基础,采用深度卷积残差50层(ResNet-50)网络进行特征提取;然后以提取到的特征来构建两个具有一定差异性的分类结构模型,并对其进行集成;最后以国际皮肤影像协作组织(ISIC)2016挑战赛所公布的皮肤病图像数据集为对象,通过一系列实验对提出的方法进行了验证测试。实验结果表明,所提出的集成分类结构模型能弥补单一卷积残差网络在黑色素瘤分类任务中的缺陷,该模型能够在训练样本较少的皮肤病数据集上取得较好的分类结果,多项评估指标均优于ISIC2016挑战赛的前5名。(本文来源于《计算机科学》期刊2019年05期）
王淑萍,王铸坤,操应长,王艳忠,杜亮慧[3]（2019）在《中深层砂砾岩储层控制因素与分类评价方法——以东营凹陷永1块沙四下亚段为例》一文中研究指出东营凹陷永1块沙四下亚段中深层砂砾岩储层控制因素认识不清、分类评价方法不明确,已成为油气滚动勘探过程中亟需解决的瓶颈问题。综合运用叁维地震解释、岩芯观察、薄片鉴定、物性分析、试油分析等方法,对该区沙四下亚段储层储集特征、控制因素及分类评价进行系统研究。研究表明:砂砾岩储层发育的控制因素为岩相、成岩相及裂缝。岩相是储层发育的主控因素,最有利岩相为砂岩相、含砾砂岩相,中等有利岩相为砾岩相、砾质砂岩相,不利岩相为粉砂岩相、泥质/灰质砂岩相。成岩相促进储层物性分异,有利成岩相为溶解主控型成岩相,中等有利成岩相为压实主控型成岩相,不利成岩相为胶结主控型及杂基支撑主控型成岩相。构造高部位发育的大量裂缝对储层具有明显改造作用,距离古隆起脊线越近储层物性变好。以储层特征与控制因素组合为基础,将研究区沙四下亚段砂砾岩储层划分为Ⅰ类、Ⅱ1类、Ⅱ3类、Ⅲ2类、Ⅲ3类、Ⅳ类等4大类6小类。其中Ⅰ类储层物性最好,产能最高,为优质储层;Ⅱ1类、Ⅱ3类储层物性中等,产能中等,为中等储层;Ⅲ2类、Ⅲ3类储层物性较差,产能较低,为差储层;Ⅳ类储层物性最差,产能最低,为无效储层。(本文来源于《沉积学报》期刊2019年05期）
曾建尤[4]（2019）在《基于深层卷积神经网络的衣物检测与分类研究》一文中研究指出近年来随着人工智能技术和智能设备的快速发展,衣物识别、衣物检测、衣物推荐、虚拟换衣等技术越来越受到人们的喜欢。由于这些衣物识别与检测等技术容易受人物姿势、衣物的大小、衣物背景、衣物之间的遮挡的影响,探索出一种实用性强、鲁棒性好和准确率高的算法具有一定挑战。怎样解决衣物这些难点,如何从机器学习中创造出一种适合衣物应用模型,已经成为机器学习、图像处理和识别、模式识别的一个热门问题。本章针对衣物类型识别、衣物属性分类以及衣物检测问题进行了研究,主要完成了如下工作:1.提出了基于软非极大抑值的多尺度网络的衣物检测。该算法对于衣物检测存在检测框容易重迭、小衣物部件较难检测等问题,通过多尺度网络提取训练好的ResNet特征,输入到5个RPN(Region Proposal Networks)网络中并产生大量检测框,接着用软非极大抑值筛选适合衣物框,再将检测框映射到ResNet的特征中,最后使用多任务的分类器对衣物类别进行识别和边框的回归。实验表明,提出的算法MAP达到95.2%,12种类型的召回率都有较好的表现。2.提出了简单跨层inception-v4算法的衣物属性分类。该算法针对衣物26类衣物属性的多任务问题,在简单的跨层inception-v4的模型上引入了DenseNet的密集连接方式,同时对简单的跨层inception-v4网络中的网络参数进行了优化,减小网络计算量,除此之外,引入cen函数适应衣物属性分类。提出的算法在简单跨层inception-v4网络中共享网络特征,分别应用26个分类器对26种属性进行了分类。实验结果表明该方法平均准确率和26种属性的准确率比其他文献更优。3.提出了基于迁移学习下的55层卷积神经网络的衣物类型分类。该算法首先在网络的55层上进行迁移学习,然后训练提取55层的细致特征,再经过增加的多层线性推断,到达了较高的衣物识别准确率。算法主要的思想是通过利用深层网络的优秀的表征能力,增加网络的线性运算进而充分利用55层的特征信息,解决衣物特征复杂问题。实验结果表明,在ACS数据上,该算法比其他算法准确率有明显提升,且网络能学习更细致的衣物特征。(本文来源于《江西理工大学》期刊2019-05-02）
詹金全[5]（2019）在《SOLO分类理论在化学概念的深层式学习中的应用》一文中研究指出一、问题的提出化学概念是化学学科的重要组成部分,学生对化学概念的理解和掌握,是形成知识网络系统化的重要前提,有助于促进学生"证据推理与模型认知"化学核心素养的发展~([1])。应用SOLO分类理论对化学概念进行教学设计,能引导学生实现知识概念的形成与发展,从而在自主建构中实现对概念的深层式学习~([2])。以"盐类水解"为例,探讨SOLO分类理论在化学概念教学中的应用。二、SOLO分类理论概述SOLO是"Structure of the observed learning outcome"的缩写,原意是"可观察的学习结果的结构",是由澳大利亚教育心理学家比格斯首创的一种学生学业评价分(本文来源于《中学化学教学参考》期刊2019年02期）
成凌飞,贺扬,张培玲,李艳[6]（2019）在《压缩深层神经网络隐藏层维度对其分类性能的影响》一文中研究指出为了使深层神经网络具有更好的泛化能力、少量训练时间的性能。文中汲取压缩神经网络的思想,通过将深层神经网络的输入层与隐藏层按照不同的比例将隐藏层的维度进行压缩,并在传统压缩深层神经网络的基础上,在其顶层添加一个分类层,使深层神经网络拥有分类的能力。实验将构建的深层神经网络应用于MNIST手写数据集的分类测试,结果表明,经过适当压缩的深层神经网络比未被压缩的深层神经网络具有更好的分类效果,而且节省了大量的训练时间。(本文来源于《电子科技》期刊2019年01期）
邢城祎[7]（2019）在《基于相似性的外卖——人群深层神经网络分类模型》一文中研究指出在订外卖的人群中,不同的人群所订外卖的数量有着很大差别。本文把外卖垃圾数量—人群特点的关系和某地区月平均降水量—该地气候类型的分类方式相类比,通过实地采集,得到外卖垃圾数量的第一手资料,并且查询所需位置的降水量数据,经过数据清洗后,得到较为充分准确的数据。同时,在分类方法上进行深入研究,采用深层神经网络模型训练对应的降水量—气候类型数据。通过不断的模型设(本文来源于《数学大世界(中旬)》期刊2019年01期）
廖翔勇[8]（2019）在《基于深层卷积神经网络的高分辨率遥感影像船舶检测和分类》一文中研究指出船舶目标的检测在民用、商用、军用等各方面均有着重要意义,船舶检测不仅仅能为海洋部门的海域监管做出重要贡献,而且还可能影响到国家的经济和领土安全。如相关部门可以通过监控特定海域与特定港口来维护海上交通安全,军队可以通过检测某些重要军事口岸快速获取敌军的军事部署和实力等。因此研究如何准确、快速的进行船舶目标检测非常重要。随着遥感技术的高速发展,尤其是高分系列卫星的成功发射,我们所能获得的遥感图像空间分辨率越来越高,所以我们可以使用高分辨率遥感图像来进行船舶目标检测任务,但是目前利用高分辨率遥感图像进行船舶目标检测的研究大多采用传统特征提取和机器学习方法,或者采用基于传统的滑动窗口和浅层卷积神经网络结合的方法。传统的方法不能充分利用高分辨率遥感图像提供的丰富的光谱信息和空间信息,目标检测准确率不高,而基于传统的滑动窗口查找候选区域和浅层卷积神经网络判别候选区域直接结合的方法由于使用传统的滑动窗口法产生了大量的候选区域,所以检测速度比较慢,而且浅层卷积神经网络也不能充分提取船舶的某些重要特征,导致了遥感图像船舶检测的准确率也不高。基于以上所述,本文针对来自Google Earth的高分辨可见光遥感图像数据,提出了一种基于深层卷积神经网络的HS-CNN模型来实现高分辨率可见光遥感图像船舶目标检测任务。模型首次将SVM分类器和深层卷积神经网络结合起来用于船舶检测。首先使用选择性搜索算法来查找图像中的所有感兴趣区域,然后使用HOG+SVM来初筛排除部分非船舶区域,最后使用一个16层的深层卷积神经网络进行判别。实验结果表明,本文提出的高分辨率遥感图像船舶检测模型中使用选择性搜索算法来选择候选船舶区域减少了传统滑动窗口带来的大量计算量,然后使用HOG+SVM按照特定概率初筛进一步的减少了候选区域数量,而且深层卷积神经网络模型比传统的机器学习方法和浅层神经网络模型能够更充分的利用图像中丰富的光谱信息和空间信息提取遥感图像船舶的特征来进行最后的判断,在船舶检测任务中取得了更快、更准确的效果。而且,针对现阶段高分辨率可见光遥感图像的船舶分类研究较少且分类准确率不高的情况,本文将使用深层卷积神经网络来完成高分辨率遥感图像船舶分类任务。但是,目前网络上没有能直接使用的高分辨可见光遥感图像船舶分类的开源数据,没有足够的数据用于船舶分类任务。为此,本文基于迁移学习提出了一种高分辨可见光遥感图像船舶分类方法,并基于Google Earth的高分辨率遥感图像建立了一个简单的船舶分类数据集,该方法可以很好地利用深层卷积神经网络所带来的强大记忆能力、学习能力和特征空间表达能力,充分提取各类船舶的特征。最后本文使用了多种源领域数据集来完成深层卷积神经网络的预训练,并使用船舶数据集对进行网络微调,通过与不使用迁移学习时的分类结果相比,验证了本文所用方法的有效性。(本文来源于《浙江大学》期刊2019-01-01）
李炜,宋威[9]（2019）在《基于深层自适应平衡自编码机的手写数字分类》一文中研究指出针对深层自动编码机(DAE)内部协变量迁移问题,提出一种深层自适应平衡自动编码机(DSBAE),用于手写数字的分类(HDC)。重点研究了自适应平衡层对内部协变量迁移的纠正方法,构建了DSBAE网络的分类模型,根据平衡网络参数体系原理,制定了自适应参数更新策略。实验在MNIST,USPS以及PENDIGITS叁个公开手写数据集上对DSBAE以及深度学习中其他分类算法进行比较,证明DSBAE能有效解决深层网络的内部协变量迁移问题,并在手写数字分类准确率上占有明显优势。(本文来源于《传感器与微系统》期刊2019年01期）
杨国亮,曾建尤,王志元[10]（2018）在《基于深层卷积神经网络的图像美感度分类》一文中研究指出针对图像美感度分类中出现的准确率低、美感特征描述差等问题,提出了一种基于深层卷积神经网络的图像美感度分类算法.首先将图片输入55层卷积神经网络自动学习并获得更加细致和深层次的美感特征,然后通过softmax分类器进行图像美感度分类,从而得到最优的分类结果.将该算法与多种传统算法和浅层深度卷积神经网络的算法进行对比实验,结果表明该算法在A1和A0数据库的准确率分别达到80.13%和87.32%,且在CUHKPQ数据库的6种场景下,获得了更好的分类准确率.(本文来源于《中北大学学报(自然科学版)》期刊2018年04期）
深层分类论文开题报告
（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：
针对黑色素瘤分类识别任务中存在对比度低、肉眼难以区分、信息干扰大、数据量偏少以及数据不均衡等诸多问题,文中提出了一种基于掩盖的数据增强与深度卷积残差网络相结合的集成分类方法。首先根据皮肤病图像的特点,在前人数据增强研究的基础上,提出了两种基于掩盖训练图像部分区域的数据增强方式;其次以这两种数据增强方式为基础,采用深度卷积残差50层(ResNet-50)网络进行特征提取;然后以提取到的特征来构建两个具有一定差异性的分类结构模型,并对其进行集成;最后以国际皮肤影像协作组织(ISIC)2016挑战赛所公布的皮肤病图像数据集为对象,通过一系列实验对提出的方法进行了验证测试。实验结果表明,所提出的集成分类结构模型能弥补单一卷积残差网络在黑色素瘤分类任务中的缺陷,该模型能够在训练样本较少的皮肤病数据集上取得较好的分类结果,多项评估指标均优于ISIC2016挑战赛的前5名。
（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。
深层分类论文参考文献
[1].肖志云,蒋家旭,倪晨.自适应深层残差3D-CNN高光谱图像快速分类算法[J].计算机辅助设计与图形学学报.2019
[2].胡海根,孔祥勇,周乾伟,管秋,陈胜勇.基于深层卷积残差网络集成的黑色素瘤分类方法[J].计算机科学.2019
[3].王淑萍,王铸坤,操应长,王艳忠,杜亮慧.中深层砂砾岩储层控制因素与分类评价方法——以东营凹陷永1块沙四下亚段为例[J].沉积学报.2019
[4].曾建尤.基于深层卷积神经网络的衣物检测与分类研究[D].江西理工大学.2019
[5].詹金全.SOLO分类理论在化学概念的深层式学习中的应用[J].中学化学教学参考.2019
[6].成凌飞,贺扬,张培玲,李艳.压缩深层神经网络隐藏层维度对其分类性能的影响[J].电子科技.2019
[7].邢城祎.基于相似性的外卖——人群深层神经网络分类模型[J].数学大世界(中旬).2019
[8].廖翔勇.基于深层卷积神经网络的高分辨率遥感影像船舶检测和分类[D].浙江大学.2019
[9].李炜,宋威.基于深层自适应平衡自编码机的手写数字分类[J].传感器与微系统.2019
[10].杨国亮,曾建尤,王志元.基于深层卷积神经网络的图像美感度分类[J].中北大学学报(自然科学版).2018