导读:本文包含了超完备表示论文开题报告文献综述及选题提纲参考文献，主要关键词:人脸识别,卷积神经网络,二阶池化,超完备表示
超完备表示论文文献综述
邓启力[1]（2016）在《基于二阶池化和超完备表示的深度学习人脸识别研究》一文中研究指出人脸识别一直是学术界和工业界的研究热点。尽管在过去几十年内,研究人员提出了一系列的人脸识别方法。但是由于姿态、表情、光照等外部因素的干扰,这些方法始终不能取得很好的识别效果。卷积神经网络通过逐层地学习样本的特征,能够表示样本的复杂变化,因此在人脸识别领域取得了出色的成绩。在设计网络结构时,常见的卷积神经网络模型主要采用了传统的平均/最大池化层。然而这些池化层只计算了输入特征的一阶信息,比如平均值或最大值,这在一定程度上限制了模型的学习能力。另外,人脸不仅包含全局判别信息,还包含局部判别信息。单一的模型往往只挖掘了其中一部分的判别信息,因此其性能受限于这些判别信息的丢失。为了克服这些问题,本文分别提出基于二阶池化和超完备表示的深度学习人脸识别方法。第一种方法的核心组件是二阶池化卷积神经网络,通过改善传统的池化层,提高模型的学习能力。首先采用若干层的卷积层和池化层将原始的人脸图像变换为特征图。然后将该特征图分解成一组局部特征,并对其中每个局部特征进行外积运算,得到相应的结果矩阵。最后将运算的结果作为平均/最大池化层的输入,这使得传统的池化层能够挖掘输入特征的二阶统计信息,从而学习更加鲁棒的人脸表示。第二种方法的核心组件是多区域卷积神经网络,通过提取和融合不同图像区域的判别信息,使得最终的人脸表示更加完备和更加鲁棒。首先以一张完整的人脸图像和一组人脸区域作为输入,并利用共享层将这张人脸图像变换为特征图,其中共享层是由几个卷积层和池化层组成。然后对于每块人脸区域,区域提取层在该特征图上提取等价的区域特征图,并利用单独的分支网络去学习该区域的特征。最后通过提取和拼接这些区域的特征,得到给定人脸的超完备表示。相比于已有的方法,该模型通过共享低层次的隐藏层,具有更优的计算效率。本文提出的两种模型都在CASIA-Web Face库和LFW库上进行实验和分析,实验结果表明本文的模型能够学习更加有效的人脸表示,从而提高了识别精度。(本文来源于《哈尔滨工业大学》期刊2016-12-01）
褚红亮[2]（2014）在《基于稀疏表示和超完备字典的WMSN视频图像去噪算法研究》一文中研究指出作为物联网主动感知物理世界的重要技术，无线多媒体传感器网络(WirelessMultimedia Sensor Networks，WMSN)借助自组网、感知信息丰富、可扩展性强等优势而广泛应用于智能交通、工业控制等领域。然而，WMSN监测场景目标多样，外界干扰因素较多，不可避免地受到雨雪雾恶劣天气、光照强度等条件的影响，导致WMSN视频图像含有较为严重且特征复杂的噪声。因此，迫切需要研究适用于低信噪比WMSN视频图像的去噪方法，以保证WMSN监测的可靠性和有效性。近年来，图像稀疏表示理论日益受到关注，凭借充分刻画图像本质特征、有效区分图像有用信息和噪声的优势，形成稀疏去噪理论并应用于视频、图像等去噪领域。其中，基于超完备字典的稀疏去噪方法得到广大学者的深入研究。借鉴超完备字典和稀疏去噪理论，本文深入研究了低信噪比条件下WMSN视频图像的去噪方法以有效利用图像稀疏特征，从而在减少传输数据量的同时充分保留WMSN图像有用信息。分析WMSN视频图像特征并结合稀疏分解理论，提出了一种基于K-SVD和残差比的低信噪比WMSN视频图像稀疏去噪算法。首先对WMSN视频图像进行周期性采集、分帧及帧差等预处理；然后对关键帧运用K-SVD训练DCT冗余字典以充分稀疏表示图像特征，并采用基于残差比的改进型Batch-OMP实现关键帧去噪及重构；而对残差帧则基于DCT冗余字典进行稀疏去噪处理；最后，迭加去噪后的关键帧和残差帧，从而整体上实现低信噪比WMSN视频图像的去噪及重构。实验表明，本文算法能更加有效地、较为快速地滤除图像噪声，适用于低信噪比WMSN视频图像去噪。在前述研究基础上，为了更为充分地利用图像的自相似性与非局部结构特征，借鉴ROI感兴趣区域划分的思想对传统图像聚类进行改进，提出了一种基于图像聚类和非局部正则化的WMSN视频图像稀疏去噪算法。首先在贝叶斯概率估计理论框架下，依据图像感兴趣区域ROI的像素灰度值进行图像聚类处理；然后利用基于ROI的图像聚类所提供的非局部正则化参数，建立基于图像聚类与非局部正则化的稀疏去噪模型以同时利用WMSN图像的稀疏性和自相似性；最后，将去噪问题转化为双l1范数最优化问题，并基于迭代加权收缩的替代函数实现WMSN视频图像的去噪及重构。实验结果表明，该算法可以同时实现WMSN图像噪声的有效去除和图像有用特征信息保留度的提高，尤其是自相似性与非局部结构等特征，而且通过ROI提取并聚类图像特征以及多个传感器并行处理有利于加快算法运行速度从而延长WMSN网络生命周期。(本文来源于《华东交通大学》期刊2014-06-30）
逯鹏,张姗姗,刘驰,黄石磊,汤玉合[3]（2013）在《基于稀疏超完备表示的目标检测算法》一文中研究指出基于视觉超完备机制的图像稀疏表示是一种新的图像表征方法。针对目标检测问题,提出了一种基于视觉稀疏超完备表示的计算模型,实现了非结构化场景中的目标检测。该方法首先基于能量模型和评分匹配(score matching)方法建立稀疏超完备计算模型,进而设计了基于神经元响应以及动态阈值策略的目标检测算法,最后通过多类型交通图像验证算法有效性。结果表明,该方法与计算机视觉方法比较具有较高的准确率,能够利用少样本实现大交通流量中目标的检测。(本文来源于《仪器仪表学报》期刊2013年06期）
韩金辉[4]（2013）在《基于超完备图像稀疏表示的自适应红外小目标检测算法》一文中研究指出红外弱小目标的检测是当前红外图像处理领域的研究热点与难点之一。由于小目标在整幅红外图像中所占像素点极少，加之目标与背景之间的对比度通常不高，要准确地对小目标进行检测是比较困难的。超完备图像稀疏表示是近些年来新提出的一种图像表示方法，它采用超完备字典来对图像进行自适应表示，以增加基的复杂度为代价换取表示结果的稀疏性。文章的目的在于提出一种基于超完备稀疏表示并且能够快速求解稀疏结果的红外小目标检测算法。超完备字典的构建是超完备图像稀疏表示的核心问题之一。目前超完备字典的构建大体上可以分为两个类别：一是将现有的完备正交基进行级联，得到新的超完备字典；二是基于训练样本特征，有针对性地直接构建与样本相关的超完备字典。其中采用第二种方法来构造超完备字典比较方便、灵活，更符合目标的外观特点，因而更受人们重视，文章将采用该方法进行超完备字典的构建。在此基础上，为了解决求解稀疏结果困难的难题，文章首先利用超完备字典构建一个标准参照模型，再将经过超完备字典表示后的图像结果与标准参照模型求差分，然后对差分结果求取稀疏表示值，确定红外小目标在图像中的具体位置和关键目标特征等信息。在平衡检测精确度与算法速度的基础上，文章还对算法做出一定的改进，主要包括：一，引入TDI技术，提高原始噪声图像的图像信噪比，进而提高算法的检测精确度；二，根据图像子块的能量分布筛选可疑目标区，减少每次检测时的运算量，提高算法效率。从仿真结果来看，文章提出的算法在图像信噪比较高时，对小目标的检测结果比较准确；随着噪声的增强，算法的检测精确度逐渐下降，但仍能大致检测出小目标在整幅红外图像中的位置。同时，算法的检测效率也比较高，特别是当整幅红外图像较大时，算法效率的提升尤其明显。(本文来源于《华中科技大学》期刊2013-02-25）
路锦正,张启衡,徐智勇,彭真明[5]（2012）在《光滑逼近超完备稀疏表示的图像超分辨率重构》一文中研究指出为改善单帧降质图像的分辨率水平,提出了一种新的基于稀疏表示的学习法超分辨率图像重构方法。针对信号在既定的欠定超完备字典下的非稀疏性问题,采用光滑的递减函数逼近L0范数以避免对稀疏度先验的依赖,从而实现待重构图像块的有效稀疏表示,同时通过梯度下降的迭代优化获得稳定的收敛解。与双立方插值相比,图像的叁倍超分辨实验显示,图像峰值信噪比(PSNR)提高2dB,框架相似性(SSIM)改善0.04,重构图像剔除了更多的模糊退化及边缘伪迹。该方法适于单帧降质图像的超分辨率增强。(本文来源于《光电工程》期刊2012年02期）
路锦正,张启衡,徐智勇,彭真明[6]（2012）在《超完备稀疏表示的图像超分辨率重构方法》一文中研究指出为改善单帧退化图像的分辨率,提出一种基于超完备字典稀疏表示的图像超分辨率重构方法。该方法的核心是构建信号自适应的超完备字典对及计算图像关于对应字典的稀疏表示。为降低在训练过程中构建超完备字典对的复杂性,采用学习低分辨率字典而数值计算高分辨率字典的方法,待超分辨图像应用正则正交匹配追踪的稀疏表示算法求解关于字典的稀疏表示,并联合高分辨率字典实现超分辨率重构。实验表明,该方法与其他类似算法相比,字典训练和超分辨测试的速度都有显着提高,实验图像的峰值信噪比改善3.3dB,框架相似性提高0.09。本方法可应用于单帧模糊图像的高倍率的超分辨率重构,有效地提高了图像的分辨率水平。(本文来源于《系统工程与电子技术》期刊2012年02期）
朱亚萍[7]（2012）在《基于超完备字典稀疏表示的图像融合》一文中研究指出近年来,图像融合已经成为图像处理和计算机视觉领域中一项重要的技术。所谓图像融合是指将多源信道上得到的多幅关于同一对象或区域的图像数据,利用图像处理及相关的计算机视觉处理技术,最佳地提取各个信道中重要的互补信息,最终得到一幅融合了各个信道重要信息的高质量图像,融合后的图像对信息的描述更加全面、准确和详细。图像表示是图像处理的前提,它是图像处理领域的基本问题。图像表示的有效性是指利用较少的数据对图像中的重要信息的捕获能力,即稀疏表示。稀疏性很早就被应用于信号处理和逼近理论中的图像压缩、去噪和融合问题。图像一般自身并不稀疏,但其在某个基或框架下有稀疏表示。多尺度小波变换给出了自然图像的近稀疏表示,从而在图像融合中也有大量的应用。与多尺度小波变换相比,超完备字典对图像具有更加稀疏的表示,故本文提出了一种基于超完备字典稀疏表示的图像融合算法。该算法首先对待融合的图像进行了分块处理,并考虑了待融合图像的互补性,设计了一种新的融合规则。该融合规则能保证融合后的多幅图像块包含了待融合图像块的互补信息和主要信息,然后对得到的多幅融合后的图像块,通过其信息熵或者空间频率的大小来获得最终融合后的图像块。理论分析和实验结果表明了本文设计的融合规则是合理的和有效的。通过对医学图像和遥感图像的仿真对比实验表明本文提出的基于超完备字典稀疏表示的图像融合方法比基于多尺度小波变换的图像融合方法更为有效。(本文来源于《西安电子科技大学》期刊2012-02-01）
肖泉,丁兴号,王守觉,郭东辉,廖英豪[8]（2009）在《基于自适应超完备稀疏表示的图像去噪方法》一文中研究指出基于超完备字典的图像稀疏表示是一种新的图像表示理论,利用超完备字典的冗余性可以有效地捕捉图像的各种结构特征,从而实现图像的有效表示。当前稀疏表示的理论研究主要集中在稀疏分解算法和字典构造算法两方面。本文提出一种新的超完备字典构造算法:K-LMS算法,该算法由K均值聚类算法泛化获得,可用于超完备字典的自适应更新,以实现图像的有效表示。针对图像去噪问题,本文给出一种基于超完备稀疏表示的去噪方法,该方法利用图像在超完备字典上的自适应稀疏分解,通过阈值处理的方法实现了图像去噪,实验结果证实了本文所提方法的有效性。(本文来源于《仪器仪表学报》期刊2009年09期）
孙蒙,王正明[9]（2007）在《两类混合特征信号的超完备稀疏表示方法》一文中研究指出本文提出了基于跳跃字典的超完备稀疏表示方法和基于自适应分割定义域的超完备稀疏表示方法,分别用于重建带有周期和方波特征的信号和带有周期和冲击特征的信号.实例表明,这两种方法对相应的信号在逼近误差和稀疏性上达到了比直接采用基追踪或小波逼近更好的效果.(本文来源于《电子学报》期刊2007年07期）
张春梅,尹忠科,肖明霞[10]（2006）在《基于冗余字典的信号超完备表示与稀疏分解》一文中研究指出基于冗余字典的信号稀疏分解是一种新的信号表示理论,采用超完备的冗余函数系统代替传统的正交基函数,从而为信号自适应地稀疏扩展提供了极大的灵活性.稀疏扩展一方面可以实现数据压缩的高效性,更重要的是可以利用字典的冗余特性捕捉原始信号的自然特征.本文从超完备信号稀疏分解和非线性逼近理论的一系列最新成果出发,综述了基追踪和匹配追踪等主流算法在信号表示方面的稀疏性与字典相干系数的关系问题,评述了目前字典构成的发展趋势.(本文来源于《科学通报》期刊2006年06期）
超完备表示论文开题报告
（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：
作为物联网主动感知物理世界的重要技术，无线多媒体传感器网络(WirelessMultimedia Sensor Networks，WMSN)借助自组网、感知信息丰富、可扩展性强等优势而广泛应用于智能交通、工业控制等领域。然而，WMSN监测场景目标多样，外界干扰因素较多，不可避免地受到雨雪雾恶劣天气、光照强度等条件的影响，导致WMSN视频图像含有较为严重且特征复杂的噪声。因此，迫切需要研究适用于低信噪比WMSN视频图像的去噪方法，以保证WMSN监测的可靠性和有效性。近年来，图像稀疏表示理论日益受到关注，凭借充分刻画图像本质特征、有效区分图像有用信息和噪声的优势，形成稀疏去噪理论并应用于视频、图像等去噪领域。其中，基于超完备字典的稀疏去噪方法得到广大学者的深入研究。借鉴超完备字典和稀疏去噪理论，本文深入研究了低信噪比条件下WMSN视频图像的去噪方法以有效利用图像稀疏特征，从而在减少传输数据量的同时充分保留WMSN图像有用信息。分析WMSN视频图像特征并结合稀疏分解理论，提出了一种基于K-SVD和残差比的低信噪比WMSN视频图像稀疏去噪算法。首先对WMSN视频图像进行周期性采集、分帧及帧差等预处理；然后对关键帧运用K-SVD训练DCT冗余字典以充分稀疏表示图像特征，并采用基于残差比的改进型Batch-OMP实现关键帧去噪及重构；而对残差帧则基于DCT冗余字典进行稀疏去噪处理；最后，迭加去噪后的关键帧和残差帧，从而整体上实现低信噪比WMSN视频图像的去噪及重构。实验表明，本文算法能更加有效地、较为快速地滤除图像噪声，适用于低信噪比WMSN视频图像去噪。在前述研究基础上，为了更为充分地利用图像的自相似性与非局部结构特征，借鉴ROI感兴趣区域划分的思想对传统图像聚类进行改进，提出了一种基于图像聚类和非局部正则化的WMSN视频图像稀疏去噪算法。首先在贝叶斯概率估计理论框架下，依据图像感兴趣区域ROI的像素灰度值进行图像聚类处理；然后利用基于ROI的图像聚类所提供的非局部正则化参数，建立基于图像聚类与非局部正则化的稀疏去噪模型以同时利用WMSN图像的稀疏性和自相似性；最后，将去噪问题转化为双l1范数最优化问题，并基于迭代加权收缩的替代函数实现WMSN视频图像的去噪及重构。实验结果表明，该算法可以同时实现WMSN图像噪声的有效去除和图像有用特征信息保留度的提高，尤其是自相似性与非局部结构等特征，而且通过ROI提取并聚类图像特征以及多个传感器并行处理有利于加快算法运行速度从而延长WMSN网络生命周期。
（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。
超完备表示论文参考文献
[1].邓启力.基于二阶池化和超完备表示的深度学习人脸识别研究[D].哈尔滨工业大学.2016
[2].褚红亮.基于稀疏表示和超完备字典的WMSN视频图像去噪算法研究[D].华东交通大学.2014
[3].逯鹏,张姗姗,刘驰,黄石磊,汤玉合.基于稀疏超完备表示的目标检测算法[J].仪器仪表学报.2013
[4].韩金辉.基于超完备图像稀疏表示的自适应红外小目标检测算法[D].华中科技大学.2013
[5].路锦正,张启衡,徐智勇,彭真明.光滑逼近超完备稀疏表示的图像超分辨率重构[J].光电工程.2012
[6].路锦正,张启衡,徐智勇,彭真明.超完备稀疏表示的图像超分辨率重构方法[J].系统工程与电子技术.2012
[7].朱亚萍.基于超完备字典稀疏表示的图像融合[D].西安电子科技大学.2012
[8].肖泉,丁兴号,王守觉,郭东辉,廖英豪.基于自适应超完备稀疏表示的图像去噪方法[J].仪器仪表学报.2009
[9].孙蒙,王正明.两类混合特征信号的超完备稀疏表示方法[J].电子学报.2007
[10].张春梅,尹忠科,肖明霞.基于冗余字典的信号超完备表示与稀疏分解[J].科学通报.2006