导读:本文包含了特征压缩论文开题报告文献综述及选题提纲参考文献，主要关键词:高空间分辨率遥感影像,Massachusetts建筑物数据集,建筑物提取,深度学习
特征压缩论文文献综述
刘浩,骆剑承,黄波,杨海平,胡晓东[1]（2019）在《基于特征压缩激活Unet网络的建筑物提取》一文中研究指出自动提取城市建筑物对城市规划、防灾避险等行业应用具有重要意义,当前利用高空间分辨率遥感影像进行建筑物提取的卷积神经网络在网络结构和损失函数上都存在提升的空间。本研究提出一种卷积神经网络SE-Unet,以U-Net网络结构为基础,在编码器内使用特征压缩激活模块增加网络特征学习能力,在解码器中复用编码器中相应尺度的特征实现空间信息的恢复;并使用dice和交叉熵函数复合的损失函数进行训练,减轻了建筑物提取任务中的样本不平衡问题。实验采用了Massachusetts建筑物数据集,和SegNet、LinkNet、U-Net等模型进行对比,实验中SE-Unet在准确度、召回率、F1分数和总体精度4项精度指标中表现最优,分别达到0.8704、0.8496、0.8599、0.9472,在测试影像中对大小各异和形状不规则的建筑物具有更好的识别效果。(本文来源于《地球信息科学学报》期刊2019年11期）
张希栋[2]（2019）在《一种基于特征压缩的目标跟踪方法》一文中研究指出为了能有效应对目标姿态变化、光照变化和运动模糊等场景对目标跟踪问题带来的干扰以及满足系统实时性,提出了一种基于特征压缩的目标跟踪方法,该方法通过随机投影来保存图像特征空间结构,采用稀疏测量矩阵有效压缩多尺度特征空间的特征。将一幅图像分为前景目标和背景,对这两部分采用同样的稀疏测量矩阵进行压缩特征提取,将跟踪任务变为建立一个二值贝叶斯分类器,同时在压缩域上在线更新,实现对目标特征的有效表达和实时、准确的跟踪。实验表明,提出的压缩跟踪算法具有良好的实时性,在VC平台上处理速度可达23 ms/帧,并且在各种具有挑战性的场景目标跟踪任务中,表现出良好的精度和鲁棒性。(本文来源于《光学与光电技术》期刊2019年04期）
王保宪,王哲,张宇峰,赵维刚,李义强[3]（2019）在《基于图像高维特征压缩映射的混凝土表面裂缝检测算法》一文中研究指出在复杂背景下,基于单一朴素特征表示的混凝土裂缝检测算法易受光照、背景杂波的干扰.利用多种图像区域特征描述子可以提取混凝土图像区域大量丰富的纹理特征,取得良好的裂缝病害检测效果.然而高维度的图像区域特征向量给后续的裂缝分类检测过程带来巨大的存储与计算负担.针对此问题,提出一种基于图像高维特征压缩映射的混凝土表面裂缝检测算法.基于Johnson-Lindenstrauss引理,本文算法可以利用较少的区域特征向量获得关于裂缝与非裂缝区域具有良好区分度的特征描述.在高维特征压缩映射的基础上,进一步利用最小二乘支持向量机快速准确地判断出裂缝与非裂缝样本.通过在实际采集的混凝土图像数据集上进行测试验证,本文算法的训练效率比高维样本模型训练快150多倍,同时裂缝病害区域检测准确率为90.3%、召回率为91.2%,优于其他对比裂缝检测算法.(本文来源于《北京理工大学学报》期刊2019年04期）
谢雨霏,杨新民,刘晓利,王胜红[4]（2019）在《融合背景图像信息和多特征压缩的相关滤波跟踪算法》一文中研究指出针对相关滤波类跟踪算法目标背景图像信息利用率较低、目标特征表达能力较弱的问题,提出了一种融合背景图像信息的多特征压缩跟踪算法。首先,在上下文感知滤波器的基础上,将背景图像信息加入位置滤波器。其次,提取颜色名(Color Name, CN)特征与梯度直方图(Histogram of Oriented Gradient, HOG)特征,使用最大响应因子及平均峰相关能量(Average Peakto-Correlation Energy,APCE)评估跟踪结果的可信度,实现两种特征的自适应融合。最后,利用特征降维简化模型的复杂度,实现算法运行速度的提升。实验结果表明,改进后的算法在遮挡、形变、尺度变化等复杂环境下均具有较高的鲁棒性,其跟踪精度和成功率指标均优于DSST及其他主流的跟踪算法,并且仍保持了实时性。(本文来源于《导航与控制》期刊2019年01期）
徐康,龙敏[5]（2018）在《增强尺度估计的特征压缩跟踪算法》一文中研究指出目标跟踪过程中,目标的尺度变大会引入更多的背景噪声,而在目标尺度变小时却采样不足,导致算法鲁棒性不强。为了实现复杂背景环境下可视目标的稳健跟踪,本文提出一种增强尺度估计的特征压缩跟踪算法,单独设置一个判别相关滤波器用于尺度估计,在线学习更新样本尺度,实时匹配最佳目标尺寸并更新特征采样块尺寸,对样本特征压缩降维并在线学习更新分类器参数,减小计算开销,提高跟踪稳健性。实验结果显示,算法可以适应目标的姿态及尺度变化,与已有类似算法相比,本文提出的算法具有更强的鲁棒性。(本文来源于《红外技术》期刊2018年12期）
陈斌[6]（2018）在《基于压缩感知的SIFT特征压缩算法及其在图像分类中的应用》一文中研究指出图像分类是计算机视觉的基础问题。随着移动互联网时代的普及,越来越多的移动设备、可穿戴设备被要求用于图像分类功能。如何在计算资源有限、空间资源有限的设备上进行图像分类具有很迫切的现实需求,本文对此做了相关的研究工作。图像特征提取会产生大量的高维特征数据,这会对系统空间存储造成压力。常规的解决方法是将图像交由服务器进行特征提取。但是对于部分特殊应用场景如手机相册分类,我们不能违反用户隐私将用户照片进行上传至服务端,我们只能依靠客户端进行特征提取。另外传统特征降维方法虽然减少了特征数据量,但同时会改变图像特征原本的属性,造成特征信息损失。为了更好的解决这类问题,本文提出了基于压缩感知特征压缩编码的图像分类方法,具体有:一、提出基于压缩感知的SIFT特征压缩编码算法。该算法首先对SIFT特征进行压缩感知信号重构将其转换为高维稀疏信号,然后利用高维信号的稀疏性进行压缩编码,最终将SIFT特征压缩为低维的数据表示。该算法可通过解压缩将原有的特征信息进行恢复。相对于特征降维转变特征性质且无法恢复,本算法能保留更多的特征信息。二、为了减少特征压缩时间,本文提出新的压缩感知重构算法:阈值自适应分段正交匹配追踪(TaStOMP)算法。TaStOMP算法在每次迭代过程中根据残差自适应设置门限阈值,通过门限阈值在一次迭代过程中更新多个支撑原子加快收敛速度。实验结果表明,基于TaStOMP算法的SIFT特征压缩编码算法相比于其他压缩感知重构算法的特征恢复准确性更高,特征压缩时间更少。叁、结合压缩感知特征压缩编码算法优化传统图像分类流程,在图像特征提取阶段对图像特征进行“边提取边压缩”,避免特征文件序列化再压缩过程,能大幅度减少特征存储空间。实验数据表明,该方法在将图像特征数据压缩为原来的40%的同时依然保持原来的图像分类准确精度。(本文来源于《浙江大学》期刊2018-03-01）
钟剑丹,雷涛,姚光乐,蒋平,唐自力[7]（2018）在《基于随机映射的特征压缩在快速目标检测中的应用》一文中研究指出目标检测通常利用复杂的、高维度的特征来提高其检测精度,而高维特征往往会产生较高的计算复杂度和存储开销。经典的特征压缩算法常常被用于目标检测系统以实现特征降维,但在其求解过程中会涉及到大量的矩阵分解运算,从而降低了算法的实时性。针对此问题,提出一种基于随机映射的特征压缩算法。该算法仅通过一个稀疏随机矩阵和简单的矩阵乘法运算就实现了特征从高维空间到低维空间的映射。利用经该算法压缩后的特征向量构建了Ada-Boost分类器,实验结果表明,该分类器在保证检测精度的前提下,提高了目标检测的实时性。(本文来源于《半导体光电》期刊2018年01期）
郑斌,雷正保,徐康,唐琛[8]（2017）在《基于特征压缩和卡尔曼滤波融合的车辆实时跟踪算法》一文中研究指出运动车辆的实时检测及跟踪是道路交通领域中的一项重要课题,基于视频图像的车辆检测跟踪已经成为研究的重点和热点。基于特征压缩的目标实时跟踪算法在精度、稳健性和实时性上具备显着的优势,但是在道路车辆跟踪应用中仍然表现出目标搜索的盲目性、采样区域不能跟随目标的画面尺寸的变化进行实时调整从而导致冗余搜索及目标丢失等不足。本文针对道路车辆运动轨迹特点采用卡尔曼滤波算法预估目标潜在位置以缩小搜索区域提高实时性;在潜在区域先提取车辆实际轮廓再进行目标识别从而提高准确度;最后提出一种基于特征压缩与卡尔曼滤波融合的实时运动车辆跟踪新方法,实验结果表明,本方法吸收了原压缩跟踪的优点但具有更好的实时性和准确度。(本文来源于《Infats Proceedings of the 14th International Forum of Automotive Traffic Safety》期刊2017-12-01）
裘德新[9]（2017）在《电力设备状态监测数据的特征压缩与提取方法研究》一文中研究指出随着智能电网建设的不断推进及对电力系统安全稳定运行的要求越来越高,对电力设备状态监测的广度和深度不断扩大。状态监测数据量大、来源多,可能有多个变量对同一状态特征进行描述,部分状态属性之间存在着冗余。从众多设备状态监测指标中提取最能反应设备状态的关键指标参量,删除无用、重复的状态指标,可以有效地降低设备状态分析的难度、提高监测数据处理效率。本文首先详细分析了电力设备状态监测现状以及特点,归纳和总结传统的数据特征提取研究方法,然后以电力系统为背景,详细阐述了叁种特征提取方法在电力设备监测数据中的应用。针对电力设备状态参数的类型杂、数量多及参数间关联关系不明确等问题,提出了改进主成分分析的关键参数体系构建方法。以电力设备故障、紧急重大缺陷、一般缺陷的统计数据构建指标参量的量化矩阵,通过主成分分析的降维处理,将指标参量投影到以综合评价为轴的坐标系中,根据各指标参量权重的大小依次排列,以权重的大小作为关键参量选取依据,去除与设备状态相关性不大的指标参量;在分析电力设备状态指标参量与设备状态之间关系紧密程度的基础上,提出基于一种关联规则特征提取方法,运用关联规则量化各设备状态与状态指标参量之间的关系,计算得到各指标参量的支持度与置信度,以支持度与置信度的阈值作为特征提取的依据,筛选出电力设备状态关键指标参量;属性约简是一种寻找出最优的指标属性子集来代替原始的指标属性全集的特征提取方法,通过对电力设备状态监测指标的约简,可以有效降低设备状态监测信息决策的维度,减少对设备状态评估指标参量的个数以及状态监测数据存储空间,通过分析约简后的属性指标能够更加快速准确的提高对电力设备状态评判的效率。以变压器状态监测数据为例,详细阐述了上述叁种方法在变压器状态特征提取中的应用过程,证实了方法的可行性,为电力设备状态监测数据的分析处理提供了思路。(本文来源于《华东交通大学》期刊2017-06-30）
李梁燕[10]（2017）在《基于CDVS视频特征压缩在监控中的应用》一文中研究指出受市场需求和科技进步等各方面的不断推动,安防监控市场逐步向智能高清化发展。如何有效处理日益增长的监控设备产生的海量监控视频数据已经远远超出了人力的范围。监控数据的大规模增加,也给数据的存储和网络传输带来了非常大的负担。对海量数据的分析、管理以及检索已经成为图像处理以及信息检索领域的热门研究课题。针对传统的基于先压缩再分析(CTA)模式的监控视频分析存在的提取特征性能低、需要的存储空间和传输带宽要求高等问题,本文采用CTA的相对模式,即先分析再压缩(ATC)对视频进行分析处理。CTA模式即用传统的视频编码方法压缩视频进行传输或存储,再对解压后的视频进行分析。其视频分析任务是基于有损压缩后的内容,会导致视频分析性能降低,并且需要的存储空间和传输码流都较大。本文采用ATC模式,主要针对视频分析处理的应用,首先提取原始视频的特征,然后对视频特征进行编码传输,所需要的存储空间和传输码流相对于CTA模式都较小。对于视频特征的提取,本文采用了先进的紧凑视觉特征(CDVS)算法提取视频的静态信息,并用光流法跟踪关键点的轨迹来提取视频的动态信息。本论文为了完成监控视频的快速检索任务,首先建立了基于CDVS视频检索系统的一般框架,接着对基于CDVS视频检索中的关键技术进行了较为深入的研究,完成了视频关键帧提取,关键帧的CDVS特征提取,关键帧CDVS关键点轨迹跟踪。针对关键帧提取技术主要完成了根据视频相邻帧的颜色直方图之间的距离来划分视频序列,每个序列选择相应的关键帧。针对特征提取技术,本文通过分析CDVS特征点的优势,最终选择提取视频关键帧的CDVS特征来表示视频静态信息,并采用光流法跟踪CDVS关键点的轨迹来表示视频的动态信息。最后,本文利用C++和OpenCV进行设计和实现了基于CDVS的监控视频检索系统。系统具有良好的人机交互界面,实验结果表明该系统可靠性比较高,数据传输的实时性和准确性较好,能够满足监控视频检索的需求。(本文来源于《天津科技大学》期刊2017-03-01）
特征压缩论文开题报告
（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：
为了能有效应对目标姿态变化、光照变化和运动模糊等场景对目标跟踪问题带来的干扰以及满足系统实时性,提出了一种基于特征压缩的目标跟踪方法,该方法通过随机投影来保存图像特征空间结构,采用稀疏测量矩阵有效压缩多尺度特征空间的特征。将一幅图像分为前景目标和背景,对这两部分采用同样的稀疏测量矩阵进行压缩特征提取,将跟踪任务变为建立一个二值贝叶斯分类器,同时在压缩域上在线更新,实现对目标特征的有效表达和实时、准确的跟踪。实验表明,提出的压缩跟踪算法具有良好的实时性,在VC平台上处理速度可达23 ms/帧,并且在各种具有挑战性的场景目标跟踪任务中,表现出良好的精度和鲁棒性。
（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。
特征压缩论文参考文献
[1].刘浩,骆剑承,黄波,杨海平,胡晓东.基于特征压缩激活Unet网络的建筑物提取[J].地球信息科学学报.2019
[2].张希栋.一种基于特征压缩的目标跟踪方法[J].光学与光电技术.2019
[3].王保宪,王哲,张宇峰,赵维刚,李义强.基于图像高维特征压缩映射的混凝土表面裂缝检测算法[J].北京理工大学学报.2019
[4].谢雨霏,杨新民,刘晓利,王胜红.融合背景图像信息和多特征压缩的相关滤波跟踪算法[J].导航与控制.2019
[5].徐康,龙敏.增强尺度估计的特征压缩跟踪算法[J].红外技术.2018
[6].陈斌.基于压缩感知的SIFT特征压缩算法及其在图像分类中的应用[D].浙江大学.2018
[7].钟剑丹,雷涛,姚光乐,蒋平,唐自力.基于随机映射的特征压缩在快速目标检测中的应用[J].半导体光电.2018
[8].郑斌,雷正保,徐康,唐琛.基于特征压缩和卡尔曼滤波融合的车辆实时跟踪算法[C].InfatsProceedingsofthe14thInternationalForumofAutomotiveTrafficSafety.2017
[9].裘德新.电力设备状态监测数据的特征压缩与提取方法研究[D].华东交通大学.2017
[10].李梁燕.基于CDVS视频特征压缩在监控中的应用[D].天津科技大学.2017
标签：高空间分辨率遥感影像; Massachusetts建筑物数据集; 建筑物提取; 深度学习;