导读:本文包含了数据增强算法论文开题报告文献综述及选题提纲参考文献，主要关键词:深度学习,卷积神经网络,图像分类,数据增强
数据增强算法论文文献综述
蒋芸,张海,陈莉,陶生鑫[1]（2019）在《基于卷积神经网络的图像数据增强算法》一文中研究指出提升卷积神经网络的泛化能力和降低过拟合的风险是深度卷积神经网络的研究重点。遮挡是影响卷积神经网络泛化能力的关键因素之一,通常希望经过复杂训练得到的模型能够对遮挡图像有良好的泛化性。为了降低模型过拟合的风险和提升模型对随机遮挡图像识别的鲁棒性,提出了激活区域处理算法,在训练过程中对某一卷积层的最大激活特征图进行处理后对输入图像进行遮挡,然后将被遮挡的新图像作为网络的新输入并继续训练模型。实验结果表明,提出的算法能够提高多种卷积神经网络模型在不同数据集上的分类性能,并且训练好的模型对随机遮挡图像的识别具有非常好的鲁棒性。(本文来源于《计算机工程与科学》期刊2019年11期）
余鹰,王乐为,张应龙[2]（2019）在《基于特征提取偏好与背景色相关性的数据增强算法》一文中研究指出深度神经网络具有强大的特征自学习能力,可以通过多层逐步提取的方式获取不同层次的粒度特征,但当图片目标本体与背景色具有强相关性时,特征提取会存在"惰性",所提取特征的抽象层次较低,判别性不足。针对此问题,通过实验对深度神经网络特征提取的内在规律进行研究,发现特征提取偏好与图片背景色之间具有相关性,消除该相关性可以帮助深度神经网络忽略背景的干扰,直接学习目标本体的特征,由此提出了数据增强算法,并在自主构建的数据集上进行实验。实验结果表明,所提算法可以降低背景色对目标本体特征提取的干扰,减少过拟合,提高分类效果。(本文来源于《计算机应用》期刊2019年11期）
陈建明,梁志成[3]（2019）在《基于EEMD数据预处理和DNN的语音增强算法研究》一文中研究指出提出了基于总体平均经验模态分解(EEMD)预处理和深度神经网络的语音增强算法,首先将带噪语音信号和纯净语音信号进行EEMD分解,获得一组频率从高到低的本征模态函数IMF分量,然后从各IMF中提取时域的信号特征,组成特征向量,输入神经网络中进行训练。实验表明:该算法与经典无监督算法比,无需任何假设条件,可以较好地学习带噪语音和纯净语音之间复杂的非线性关系,在语音质量和可懂度方面优势明显,显示了深度神经网络在语音增强方面的独特作用。(本文来源于《兵器装备工程学报》期刊2019年06期）
曹鹏,马婕,施展华[4]（2019）在《针对浮动车异常数据的增强型在线异常点检测算法》一文中研究指出在智能交通系统(ITS)中,为了从浮动车数据中获取准确动态的交通信息,需要实时识别并剔除异常数据。为了检测异常浮动车数据,本文提出一种独特的增强型在线非监督离群点检测算法(EOSA)。该算法由SS算法和K-means聚类算法组成,其中,SS算法可采用基于离散变量和连续变量的概率模型来计算异常分值,将K-means聚类算法与SS算法相结合可以有效提高检测精度。本文采用了深圳市浮动车数据来验证EOSA算法,试验结果表明,该算法能够成功检测到异常的数据,其中包含车辆停放和停车等待时的异常GPS记录。此外,通过试验比较,本文提出的EOSA算法比现有六种常用算法都具有更高的异常数据检测精度。EOSA算法有望应用于基于浮动车数据的智能交通系统。(本文来源于《交通运输工程与信息学报》期刊2019年02期）
蒋杰,熊昌镇[5]（2018）在《一种数据增强和多模型集成的细粒度分类算法》一文中研究指出针对解决数据缺少和单个卷积网络模型性能的限制造成细粒度分类准确率不高的问题,提出了一种数据增强和多模型集成融合的分类算法。首先通过镜像、旋转、多尺度缩放、高斯噪声、随机剪切和色彩增强6种变换对CompCars数据集进行增强处理,然后采用差异化采样数据集的方法训练CaffeNet、VGG16和GoogleNet3种差异化的网络。然后采用多重集成的方法集成多种模型的输出结果。实验中测试网络结构在不同数据增强算法和不同模型集成下的分类结果。模型集成的分类准确率达到94.9%,比最好的单GoogleNet模型的分类精确率提高了9.2个百分点。实验结果表明该算法可以有效地提高分类的准确率。(本文来源于《图学学报》期刊2018年02期）
王霄衣[6]（2018）在《基于数据融合的遥感图像分辨率增强算法研究》一文中研究指出近年来随着越来越多的遥感卫星发射升空,获取遥感影像的手段也多种多样,如何有效的利用遥感影像的多源性,扬长避短,实现多源数据的优势互补,成为当今科研人员的一个研究热点问题。本文开展了遥感图像融合技术研究,在分析了TM和MODIS数据的各自特点基础上,通过融合高空间分辨率和高时间分辨率的遥感影像,得到高时空分辨率的遥感图像,从而提高农作物动态观测频率,服务现代智能化农业。本文首先对融合高空间分辨率和高时间分辨率的遥感影像的一种典型的时空自适应融合算法(STARFM算法)进行研究,发现STARFM算法存在两个不足之处:一个是融合数据反射率的方向性依赖问题,即BRDF效应问题,另一个是存在混合像元问题。针对此两种不足,本文运用Ross-Li模型对MODIS数据的BRDF效应进行矫正,并通过使用两个周期的数据来计算中心像素的反射率,来提高结果的准确性,从而降低混合像元的影响。实验结果表明改进型STARFM算法能够较好的减弱混合像元以及BRDF效应的影响,较STARFM算法,本文融合方法得到的实验结果的信源熵、相关系数、平均绝对误差、均方误差等指标均有改善。同时,近年来基于神经网络的图像融合算法,特别是基于卷积神经网络的超分辨率(SRCNN)算法的应用范围最为广泛。SRCNN的权值一般使用两种方法进行初始化,即高斯分布以及编码器赋值,这两种算法具有不确定性,对图像的重建精度有所影响,但是粒子群算法具有较好的收敛性,可用来设置较好的网络初始参数,因此本文使用PSO算法来优化卷积神经网络,初始化SRCNN权值,进而达到提高分辨率重建精度的目的。实验结果表明,引入PSO算法后可以提高卷积神经网络的遥感影像分辨率重建精度,融合后图像的信源熵、相关系数、平均绝对误差、均方误差等指标均有改善。(本文来源于《黑龙江大学》期刊2018-03-27）
孙希鹏[7]（2017）在《大数据环境下基于并行化TF-IDF算法增强语义角色挖掘的研究》一文中研究指出在计算机和信息安全领域内,权限访问控制技术一直是一个非常重要的领域。该技术通过限制用户在系统内对资源的操作权限来保证系统安全。基于角色的权限控制(RBAC,Role Based Access Contral)技术从1996出现并逐渐形成规范,现在已经成为访问控制领域的规范标准。但是随着计算技术的发展,系统资源与系统用户的爆发式增长,需要系统管理人员配置的权限也随之增多,纯人工进行RBAC的权限划分变得越来越耗费资源。为解决上述问题,实现半自动化或自动化的角色权限控制,角色挖掘技术开始逐渐成为该领域的热门。但是传统角色挖掘基于用户权限0/1映射矩阵实现,仍存在许多如挖掘结果不具有语义信息,挖掘0/1矩阵不适应海量的数据容易产生内存溢出和抗噪性差的问题。针对上述问题,提出了通过改变问题空间,使用TF-IDF方法构建RBAC系统。本文使用企业生产日志数据进行角色挖掘并改变传统角色挖掘的问题空间进行角色识别。通过重构角色挖掘数据集,构建基于文本挖掘模式的用户权限数据集。并对用户权限文本数据使用经典文本挖掘算法TF-IDF进行角色挖掘,通过每个用户文件的主题识别为用户的角色,构成用户-角色-权限结果集。之后,针对目前普遍存在的大数据问题,对TF-IDF算法通过Hadoop平台的MapReduce计算框架实现分布式并行化,并提出分布式TF-IDF角色挖掘。最后本文通过对比实验验证本文算法的时间性能及挖掘结果准确性。实验结果证明本文算法具有较好的时间性能和较高的抗噪性且挖掘具有语义等优势。(本文来源于《西南交通大学》期刊2017-07-10）
张超,王庆宾,吴亮,黄佳喜,冯进凯[8]（2016）在《基于重力张量数据的目标体边界识别与增强算法的研究》一文中研究指出边界增强与识别在重力数据处理中占据了重要地位。与传统重力异常数据相比,重力张量及其高阶分量对于直接反映异常体的边界具有更高的精度。当异常数据中的所有网格点的值均较低时,通过Sigmoid变换,可以实现高异常值网格数据的拉升,同时压缩低灰度级像素,从而凸显地质体边界,提高边界增强后图像的识别效果。利用张量及其分量构建了常用的边界识别算法,通过组合体模型进行了多种边界识别算法的试算以比较分析各自的效果,并对结果进行了Sigmoid变换。结果表明:对于张量高阶分量组合形式,水平梯度模、解析信号能基本反映浅异常体的边界,g_(zz)水平梯度模能较好反映浅异常体边界,但叁者均不能识别深异常体边界;Tilt梯度、Theta效果不理想;ITA_2能在有效均衡不同强度异常信号的同时,清晰地识别不同深度异常体的边界;采用Sigmoid变换,可以明显提高边界识别的识别效果。(本文来源于《国家安全地球物理丛书（十二）——地球物理与信息感知》期刊2016-08-15）
张海平[9]（2016）在《基于空间数据的户外增强现实叁维注册算法研究》一文中研究指出增强现实技术是在虚拟现实技术基础上发展起来的计算机可视化人机交互技术,增强现实并不是一个单独的领域,它是虚拟现实技术的扩展。这种技术从概念的提出到模型的构建以及技术的实现,已经经历了几十年,但近年来这种技术逐步成熟,尤其是基于标识的增前现实应用与交互式应用方面,已经进入普通大众的生活。在某些行业已经得到了空前大发展和较深入的应用。从空间信息可视化的角度看,基于增强现实的空间数据可视化,将是继电子地图和传统地理信息系统空间数据可视化表达方式后的新一代空间数据可视化表达方式,并将得到广泛的应用。传统意义上,虚拟现实是最能够真实表达现实世界对象的空间数据可视化表达方法,但基于虚拟对象交互的方式仍然是通过人家交互进行,并且所有的现实场景都需要通过叁维建模进行模拟。而增强现实,不仅极大地降低了叁维建模的强度,而且以前所未有的自然交互方式,将虚拟物体与真实世界环境相融合。给人类通过计算机认知世界一个全新的视角。增强现实的实现方法多种多样,其中,基于标识的增强现实标定方法及其实现技术,由于实现方法比较成熟,应用环境比较广泛,得到了空前的发展和应用。但有些情况下并不适用。因此基于自然特征的增强现实逐步得到发展,弥补了基于标识的增强现实的不足。但随着人们生活需求的不断提升,地理信息技术的发展,空间定位系统精度的提高和位置信息获取手段的多样化,传统的标定技术已经满足不了各种基于空间位置的需求,基于空间位置的增强现实系统逐渐成为研究热点,必将成为未来几年内主流的可视化技术。本文在研究了大量增强现实叁维注册理论及其算法的基础上,结合当前移动设备的软硬件条件与发展状况。对增强现实中的追踪注册标定原理和方法进行了深入的研究和详细的介绍。并结合原有的追踪标定算法,涉及并扩展了基于地理位置参数的叁维注册标定算法,对实现方法进行了详细阐述。在系统构建之前,对基于安卓的各种内置传感器的原理、特点和优缺点进行了深入的探索和研究,并学习了通过API操作各种内置传感器的使用方法以及相关的安卓开发技术。最后,基于Android移动设备,采用系统内核自带的加速器、陀螺仪和电磁计等驱动设备,以及主流的空间定位技术,通过对基于空间位置的增强现实叁维注册算法在安卓系统中的实现线路的分析,在此基础上设计了不借助任何第叁方API的叁维注册算法,并实现了基于空间位置的增强现实系统的核心功能,开发了具有空间定位、数据存储与管理、模型存储和参数配置的移动增强现实原型系统。为相关技术的研究人员提供了一种有效的解决方案。(本文来源于《山东师范大学》期刊2016-06-05）
周晨茜[10]（2016）在《用于图像增强的可逆数据隐藏算法研究》一文中研究指出传统的信息隐藏技术可能会造成原始载体的永久性失真,导致失去原有使用价值,对于一些需要再次使用原有载体的应用,则需要大量的空间来存储原始载体信息。而可逆信息隐藏技术能够正确提取秘密信息并无损地恢复原始载体,不需要额外空间来贮存原始数据。因此,可逆信息隐藏技术在一些要求较高的领域,如军事图像、遥感图像处理、医疗诊断以及法律认证等,有着广阔的应用前景。可逆信息隐藏算法常用峰值信噪比来评价图像质量,但是该评价标准存在一定缺陷,并且对于整体亮度较弱的图像,提高图像的质量显然比保持较高的峰值信噪比更重要。尽管增强图像后的峰值信噪比值可能会降低,但是图像细节的可见性会提高。基于此,本文对可逆信息隐藏同时增强图像对比度做了相关研究,以灰度图像为研究对象,针对基于直方图修改的可逆数据隐藏算法展开了以下研究工作:针对已有算法过程复杂等问题,提出一种新的隐藏策略。算法选取直方图中值点两侧的峰值进行数据嵌入,在多次嵌入之后,将所有峰值信息嵌入到中值点,由于中值点在嵌入后可以直接定位,因此可以实现可逆嵌入与恢复,从而不需要已有算法中最低有效位的替换过程,减少算法过程的复杂性。接着从实际应用的角度出发,将可逆信息隐藏技术应用于卫星遥感图像,针对遥感图像受环境因素影响导致图像对比度下降,以及现有可逆信息隐藏算法嵌入容量低等问题,提出一种新的可逆数据隐藏算法,实现在遥感图像安全传输的同时增强图像的对比度。算法为了提高嵌入率,改进已有算法的嵌入方式,同时在信息嵌入的过程中,逐步增强卫星遥感图像的对比度。实验结果表明,提出的算法和一些典型可逆数据隐藏算法相比,具有更大的隐藏容量,且改善了遥感卫星图像视觉效果。(本文来源于《江南大学》期刊2016-06-01）
数据增强算法论文开题报告
（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：
深度神经网络具有强大的特征自学习能力,可以通过多层逐步提取的方式获取不同层次的粒度特征,但当图片目标本体与背景色具有强相关性时,特征提取会存在"惰性",所提取特征的抽象层次较低,判别性不足。针对此问题,通过实验对深度神经网络特征提取的内在规律进行研究,发现特征提取偏好与图片背景色之间具有相关性,消除该相关性可以帮助深度神经网络忽略背景的干扰,直接学习目标本体的特征,由此提出了数据增强算法,并在自主构建的数据集上进行实验。实验结果表明,所提算法可以降低背景色对目标本体特征提取的干扰,减少过拟合,提高分类效果。
（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。
数据增强算法论文参考文献
[1].蒋芸,张海,陈莉,陶生鑫.基于卷积神经网络的图像数据增强算法[J].计算机工程与科学.2019
[2].余鹰,王乐为,张应龙.基于特征提取偏好与背景色相关性的数据增强算法[J].计算机应用.2019
[3].陈建明,梁志成.基于EEMD数据预处理和DNN的语音增强算法研究[J].兵器装备工程学报.2019
[4].曹鹏,马婕,施展华.针对浮动车异常数据的增强型在线异常点检测算法[J].交通运输工程与信息学报.2019
[5].蒋杰,熊昌镇.一种数据增强和多模型集成的细粒度分类算法[J].图学学报.2018
[6].王霄衣.基于数据融合的遥感图像分辨率增强算法研究[D].黑龙江大学.2018
[7].孙希鹏.大数据环境下基于并行化TF-IDF算法增强语义角色挖掘的研究[D].西南交通大学.2017
[8].张超,王庆宾,吴亮,黄佳喜,冯进凯.基于重力张量数据的目标体边界识别与增强算法的研究[C].国家安全地球物理丛书（十二）——地球物理与信息感知.2016
[9].张海平.基于空间数据的户外增强现实叁维注册算法研究[D].山东师范大学.2016
[10].周晨茜.用于图像增强的可逆数据隐藏算法研究[D].江南大学.2016