导读:本文包含了基于图的排序论文开题报告文献综述及选题提纲参考文献，主要关键词:显着目标检测,半监督学习,马尔科夫链,流形排序
基于图的排序论文文献综述
肖云[1]（2019）在《基于图的半监督学习与排序模型的视觉显着目标检测研究》一文中研究指出随着网络技术的发展,数据量成爆发式的增长,如何从这些海量数据中提取有用的信息并进行有效的应用给人们带来了巨大的挑战。视觉注意是人类视觉系统识别场景相关部分的一种重要机制,人类可以轻松处理这些视觉信息,可以轻松的过滤无效数据,快速注意到感兴趣的事物。利用计算机模拟人类视觉系统,学习和借鉴人类视觉系统的生物认知机制来研究视觉问题受到学界越来越多的关注。显着目标检测研究就是利用计算机模拟人类视觉系统,定位到“感兴趣”或“重要”的区域。视觉显着目标检测结果可以作为多个其它研究领域的预处理过程,在图像检索、图像分割、目标识别等多个研究领域均有广泛的应用。半监督学习相比于传统的机器学习技术可以充分利用少量有标签的数据,利用大量的未标记数据的自身特性,辅助提高学习的预测性能。基于图的半监督学习方法模型应用广泛,在显着目标检测当中有很多的应用,取得了很好的检测结果。比如随机游走模型、流形排序模型等。现有的方法虽取得了一定的进展,但依然存在一些问题,本文重点对已有的基于图的半监督学习的视觉显着目标检测方法展开研究,提出多个模型并在多个数据集上进行了验证。本文主要研究内容有:基于全局和局部一致性排序模型的显着目标检测、基于先验正则化图排序的显着目标检测方法和基于先验正则化多层图排序的显着目标检测方法、基于多尺度协同正则化排序的显着目标检测方法和基于图的多视角半监督学习的显着目标检测方法。本文的主要工作和创新点包括:第一,提出一种全局和局部一致性排序模型的显着目标检测方法。对传统的基于随机游走理论的显着目标检测方法进行研究,在获取全局信息后,加入局部信息,提出一个全局和局部一致性排序模型,通过建立马尔科夫链上的随机游走模型,计算转移节点到吸收节点的平均吸收时间,可以捕获图像全局信息,再利用图像的流形特性获得局部信息,将此两种信息应用于全局与局部一致性排序模型,分别使用背景信息、前景信息作为查询节点计算最终的显着性值。实验结果表明,该方法可以有效获得图像的结构信息,获得更准确的显着图,提高了显着目标检测的精确度和准确度。第二,提出基于先验正则化图排序的显着目标检测方法和基于先验正则化多层图排序的显着目标检测方法。图像显着目标检测的任务是获得图像每个像素点的显着值,可以将显着目标检测问题看作是一个排序问题来进行求解计算。传统的流形排序方法可以很好的捕获图像的流形结构,获得较好的检测结果。本文提出加入一个先验信息作为正则化项,对模型进行改进,提出一个基于先验正则化图排序的显着目标检测方法;然后,通过对图的构造进行深入研究,提出一个基于先验正则化多层图排序的显着目标检测方法。通过在多个数据集上的实验验证,证明提出的两个方法均取得了更好的检测结果。第叁,提出了多尺度协同正则化排序的显着目标检测方法。为充分挖掘图像的不同尺度对显着目标检测结果的影响,首先使用金字塔模型获得图像的不同尺度,然后通过超像素分割方法对不同尺度的图像进行分割获得超像素块,然后使用本文提出的多尺度协同正则化排序方法同时对不同尺度的超像素块进行排序,并使用不同尺度排序的跨尺度一致性进行约束来获得最终的结果,通过多个数据集上的实验验证,证明本文提出的方法取得了更好的检测结果。第四,提出了基于图的多视角半监督学习的显着目标检测方法。与单一视角数据相比,多视角数据能够更全面系统的获取数据本质信息,多视角学习被广泛提出用来深入了解和分析多视角数据。在视觉显着目标检测研究中,同一张图像可以分别使用颜色、纹理、形状等多种不同的特征来描述,从而获得多视角特征数据。为捕获不同视觉特征信息以获得更准确的显着目标检测结果,提出一种基于多视角半监督学习的显着目标检测方法。首先对现有的基于图的显着目标检测方法进行总结归类,提出一个通用的基于图的显着目标检测方法框架。然后,将单一图模型扩展到多图的情况,提出了基于多图模型的显着目标检测通用框架。最后,给出了一般模型的一个具体实现,提出基于图的多视角半监督学习的显着目标检测方法,并推导出求解该模型的有效更新算法。在多个基准数据集上的实验结果表明了该模型的有效性。(本文来源于《安徽大学》期刊2019-09-01）
马海成,刘小花[2]（2019）在《θ-图的匹配能量和Hosoya指标排序》一文中研究指出叁条路P_(a+2),P_(b+2)和P_(c+2)的两个端点分别黏结成为两个点后得到的图称为θ(a,b,c)图.主要给出了n阶θ-图之间的匹配能量排序以及Hosoya指标排序.(本文来源于《厦门大学学报(自然科学版)》期刊2019年03期）
关媛媛[3]（2019）在《基于协同图排序与多任务学习的图像显着性检测算法研究》一文中研究指出随着大数据时代的到来,网络社会每天产生大量数据。如何快速且有效地处理日益增长的图像数据己经成为迫切需要解决的问题。值得一提的是,图像显着性检测的主要任务是使得计算机通过模拟人类的视觉注意机制定位出图像的显着区域,滤除非显着区域,从而只对图像中人类感兴趣的区域进行后续处理。因此,图像显着性检测可以有效地降低图像数据的复杂度并提高处理效率。作为计算机视觉领域的一项基本研究课题,图像显着性检测吸引了大量的研究学者。自从图像显着性检测问题被提出以来,研究员们提出了许多性能优良的算法。特别地,由于近些年深度学习技术在计算机视觉领域的成功应用,图像显着性检测也开启了新的研究道路。越来越多的深度学习技术被应用于图像显着性检测,并取得了突破性的研究成果。同时,由于图像显着性检测算法简洁、有效,很容易实现与计算机视觉其他领域的研究相结合,因此,可以辅助其他领域的算法实现更好的效果。例如:利用图像显着性检测技术在目标检测与识别任务中实现目标的初步定位,从而提高算法的准确率,降低算法的复杂度。因此,图像显着性检测技术的研究不仅能够促进复杂图像检测结果的提升,还能为处理海量图像数据提供技术支持。然而,己有的图像显着性检测算法在复杂环境下具有局限性。当图像具有复杂背景,或者图像中前景与背景相似时,当前的图像显着性检测算法并未获得最佳的结果。针对上述问题,本文提出了两种有效的图像显着性检测算法:第一种是基于协同图排序模型的图像显着性检测算法。针对现有的基于流形排序的显着性检测模型中存在的不足,即当前景与背景对比度较小且背景较复杂时出现的错检问题,该模型从图像中显着目标与背景之间的高对比性出发,将背景显着值与前景显着值进行协同优化,利用背景信息突出前景信息,提出了一种基于协同图排序模型的图像显着性检测算法,从而获得更加准确的检测结果。在五个公开的数据集上进行了实验,结果均表明了该算法的有效性。第二种是基于多任务协同图排序模型的图像显着性检测算法。在图像显着性检测过程中,为了使特征更具有判别性,一般会采用多种特征融合的方式。传统的特征融合直接通过将多种特征进行串联处理,这种方式无法实现特征的充分利用,容易造成特征冗余。为了有效地实现各个特征之间的优势互补,本文提出了一种多任务协同图排序模型,并提出了一种新的迭代优化算法对该模型进行求解。经实验分析可得,传统特征倾向于描述图像的底层特征,有利于获取图像的细节信息;而深度特征则侧重于描述图像的语义信息,有利于目标的准确定位。因此,我们选择传统特征和深度特征作为优化对象。具体步骤如下:首先,在不同的特征层面上分别进行构图;然后,通过多任务协同图排序模型动态更新不同特征层面所构图的权重,实现有效地结合不同特征的优势;最后,使用模型迭代收敛时的有效值确定图像的显着区域。在五个公开的数据集上进行了实验,结果均表明了该算法的有效性。(本文来源于《安徽大学》期刊2019-05-01）
吴量,刘小花,汪一航[4]（2019）在《心形图的匹配能序及Hosoya指标排序》一文中研究指出以G(a, 4, b)(a> 1, b> 1)表示a+b+4个点的心形图.从匹配多项式的定义出发,通过递推关系式刻画出了这类心形图的匹配能级和它们的Hosoya指标的全排序.(本文来源于《纯粹数学与应用数学》期刊2019年01期）
张笃振,刘淑娥[5]（2019）在《融合图的流形排序与引导学习的显着性目标检测（英文）》一文中研究指出为了在显着性目标检测中保持高的召回率的同时提高准确率,本文提出了3点改进思路.第一,从超像素中提取简单的视觉特征,如颜色、方向和空间信息;第二,为了克服经典的基于图的流形排序(MR)的显着性目标检测算法中背景先验假设的缺点,使用仿射传导聚类算法(APC)自动聚合超像素为不同的特征类别.根据目标与背景(改进的)边缘连通度的不同,图像边缘的超像素会得到较大的权重即较大的背景概率值,这样边缘上真正的背景超像素就会筛选出来.同时,使用改进的MR算法计算图像的显着性值.第叁,为了进一步增强算法的性能,前面第二步的结果可以作为"弱"显着图,利用引导学习算法从中产生"强"显着图得出最终结果.基于3个标准图像库的实验结果证明,本文提出的算法在性能上超过了其它3种优秀算法.(本文来源于《江苏师范大学学报(自然科学版)》期刊2019年01期）
马海成,刘小花[6]（2019）在《“8”字图的匹配能级和Hosoya指标全排序》一文中研究指出一个图的匹配多项式的所有根(系数)的绝对值的和称为这个图的匹配能级(Hosoya指标)。圈Ca+1上的一点和圈Cb+1上的一点粘结后得到的图称为"8"字图,记∞(a,b)(a≥2,b≥2)。首先给出了比较两个图匹配能级的一种新方法,利用这种方法研究了"8"字图的匹配能级和Hosoya指标,给出了点数相同的"8"字图之间匹配能级的一个完全排序。也给出这些图的Hosoya指标的一个完全排序。(本文来源于《中山大学学报(自然科学版)》期刊2019年01期）
方晨,张恒巍,王娜,王晋东[7]（2018）在《基于随机游走和多样性图排序的个性化服务推荐方法》一文中研究指出针对传统服务推荐算法由于数据稀疏性而导致推荐准确性不高,以及推荐结果缺乏多样性等缺陷,提出基于随机游走和多样性图排序的个性化服务推荐方法(PRWDR).在分析直接相似关系稀疏性的基础上提出带权重的随机游走模型,通过在用户网络上进行随机游走来挖掘更多的相似关系;基于所有相似用户预测服务的Qo S值,并给出服务图模型构建方法,以过滤大量性能过低的候选服务;提出最优节点集合选取策略,利用贪婪算法得到兼具推荐准确性和功能多样性的服务推荐列表.在公开发布的数据集上进行实验,并与多个经典算法进行比较,验证了本算法的有效性.(本文来源于《电子学报》期刊2018年11期）
于琨,孙波,海本斋[8]（2018）在《基于超图排序和组稀疏最优化的推荐系统》一文中研究指出针对同时性图像标注和地理位置预测,基于超图排序和组稀疏最优化提出一种方法。根据超图概念构建起包含不同类型对象的超图G(V,E,w),构建包含排序向量f和查询向量y的一般推荐系统问题;通过执行组稀疏最优化,把超图顶点分割成S个非重迭对象组,对每个对象组分配不同的权值,使它能够充分利用各种类型的信息,提高图像标注和地理位置预测的准确性。基于从中国旅评网抽取出的数据集的实验结果表明,提出方法相比其它方法,能够获得更高的召回-精确率和F1测量值,能够对排名前3位的地理位置获得更高的正确预测率和累计评分。(本文来源于《计算机工程与设计》期刊2018年07期）
刘小花,马海成[9]（2018）在《Q形图的匹配能序及Hosoya指标排序》一文中研究指出以Q(s,t)(s≥2,t≥1)表示有s+t+1个点的Q形图,主要刻画了它们之间的匹配能序;作为推论,也得到了它们之间的Hosoya指标排序。(本文来源于《山东大学学报(理学版)》期刊2018年08期）
郭向男[10]（2018）在《基于多图排序模型的图像检索研究》一文中研究指出随着移动设备的日益普及,加之社交平台的广泛传播,图像的种类和数量正在以超凡的速度呈现爆炸式的增长,如何对大规模的图像数据进行有效地检索,已成为一个重要的研究课题。图像检索有两种查询范式:关键字查询和样例查询。但是,这两种查询范式都有各自的问题:在关键字查询中,存在用户表达和用户真实意图之间的意图鸿沟问题;在样例查询中,存在从图像中提取的底层视觉特征和图像所传达的高层语义概念之间的语义鸿沟问题。针对以上两个问题,研究人员主要采用显性或隐性反馈信号引导检索系统对初始查询结果进行重排序。图排序模型是目前执行图像重排序任务的主流技术手段,且具有较好扩展性,可有效利用显性或隐性反馈信号进行学习。然而,现有的大多数图排序模型仅能融合从单一信息源获得的同构特征,无法充分利用异构特征之间的互补信息。因此,本文提出了一种基于多图排序模型的图像检索方法,在点击日志特征和视觉特征上分别构建数据图结构,有效地利用多种信息源之间的互补性,从而改善图像排序结果。本文取得的研究成果可以简单概括为以下两点:(1)基于多图排序模型的图像检索方法。传统的多图排序模型仅能融合从单一信息源获得的同构特征,对图像排序结果准确性提升有限。因此,本文融合从多种信息源获得的异构特征,提出了一种基于多图排序模型的图像检索方法来优化排序结果。该方法同时考虑到了多个来源的不同数据,拥有更加丰富的信息支持,显着提高了图像检索的效果。经通用数据集验证,本文提出的方法与该领域其他代表方法相比,能获得更优的排序结果,改善了图像检索的质量。(2)点击日志清理方法。现实中的点击日志数据有其不可避免的噪声问题,严重影响图像检索的质量。本文受近邻投票算法启发,提出了点击日志清理方法,该方法通过判断点击日志数据的可信程度,修剪其中的不确定性点击,从而降低了点击日志的噪声水平。(本文来源于《北京交通大学》期刊2018-06-01）
基于图的排序论文开题报告
（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：
叁条路P_(a+2),P_(b+2)和P_(c+2)的两个端点分别黏结成为两个点后得到的图称为θ(a,b,c)图.主要给出了n阶θ-图之间的匹配能量排序以及Hosoya指标排序.
（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。
基于图的排序论文参考文献
[1].肖云.基于图的半监督学习与排序模型的视觉显着目标检测研究[D].安徽大学.2019
[2].马海成,刘小花.θ-图的匹配能量和Hosoya指标排序[J].厦门大学学报(自然科学版).2019
[3].关媛媛.基于协同图排序与多任务学习的图像显着性检测算法研究[D].安徽大学.2019
[4].吴量,刘小花,汪一航.心形图的匹配能序及Hosoya指标排序[J].纯粹数学与应用数学.2019
[5].张笃振,刘淑娥.融合图的流形排序与引导学习的显着性目标检测（英文）[J].江苏师范大学学报(自然科学版).2019
[6].马海成,刘小花.“8”字图的匹配能级和Hosoya指标全排序[J].中山大学学报(自然科学版).2019
[7].方晨,张恒巍,王娜,王晋东.基于随机游走和多样性图排序的个性化服务推荐方法[J].电子学报.2018
[8].于琨,孙波,海本斋.基于超图排序和组稀疏最优化的推荐系统[J].计算机工程与设计.2018
[9].刘小花,马海成.Q形图的匹配能序及Hosoya指标排序[J].山东大学学报(理学版).2018
[10].郭向男.基于多图排序模型的图像检索研究[D].北京交通大学.2018