导读:本文包含了时间识别论文开题报告文献综述及选题提纲参考文献，主要关键词:卷积神经网络,视频分析,图像识别
时间识别论文文献综述
姚文杰,艾旭升,栾咏红,李良[1]（2019）在《建立时间戳识别模型的一种新方法》一文中研究指出在视频录像文件中,每张视频图片都包含时间戳图像。理解时间戳图像表示的时间数据,有助于筛选在特定时间段内的视频或图片。本文采用Keras神经网络接口实现数字识别模型,解析视频图片的时间戳信息,解决视频分析中的时间段筛选问题。实验结果也表明,新方法在时间戳识别方面,准确度达到99%以上,证实了新方法的有效性。(本文来源于《福建电脑》期刊2019年11期）
刘运梅,李长玲,杜德慧[2]（2019）在《时间序列视角下PLOS ALM指标特性识别模型构建与应用》一文中研究指出文章基于时间序列分析方法,提出及时性指数(T)、波动性指数(V)和持续性指数(P),并基于叁维立体散点图建立计量指标特性识别模型。研究了PLOS网站ALM指标的动态变化特征,分析不同指标不同时间段在论文影响力评价中的作用。以PLOS网站的PLOS使用指标、Scopus引用指标、Twitter讨论指标为例,选择2016年期刊PLOS ONE的前50篇高被引论文为数据样本,进行实证研究。研究发现:PLOS使用指标具有高及时性、低波动性、高持续性的特点,可将学术论文整个生命周期的平均被使用情况作为学术影响力判定指标;Scopus引用指标具有低及时性、高波动性、高持续性的特点,可将学术论文中长期的被引情况作为学术影响力判定指标;Twitter讨论指标具有低及时性、低波动性、低持续性的特点,可将学术论文首月的讨论情况作为社会影响力判定指标。(本文来源于《情报资料工作》期刊2019年06期）
刘龙威,魏瑄[3]（2019）在《基于时间序列Sentinel-1A数据的水稻识别》一文中研究指出基于时间序列的Sentinel-1A数据,利用光谱相似性方法(SSM)对广东省台山县汶村镇和海宴镇进行了水稻识别。首先将SSM应用于时间序列SAR图像中,计算光谱相似度;再通过设置阈值获得初始水稻种植面积图;最后消除斑点噪声,获得水稻种植面积图。结果表明,基于VH极化图像,利用SSM和阈值法获得的水稻种植面积图的总体精度最高为97.34%,Kappa系数为0.94。因此,时间序列Sentinel-1A数据对于识别水稻或其他作物具有很大的潜力。(本文来源于《地理空间信息》期刊2019年11期）
康佩,许军,黄福强,刘颖欣,安胜利[4]（2019）在《Adaptive Elastic Net结合加速失效时间模型在亚组识别中的应用》一文中研究指出目的针对临床试验中的生存数据,基于加速失效时间模型提出一种亚组识别方法。方法将Adaptive Elastic Net应用于加速失效时间模型(称为惩罚模型),通过检验协变量与治疗组别的交互项来识别亚组相关协变量。采用基于极大似然的change-point算法寻找预测计分的截断点以对患者进行亚组分类。采用二阶段适应性设计,以评价治疗效果是否存在于所识别的获益亚组人群中。对比四种模型(含协变量主效应的惩罚模型、单变量模型,以及不含协变量主效应的惩罚模型、单变量模型)的亚组识别效果。结果模拟结果显示,在样本量较小、删失率较高、获益亚组占比较小以及样本量不超过协变量个数的情况下,含协变量主效应的惩罚模型在获益亚组的识别上有明显的优势;而其他情况下,则是不含主效应的单变量模型较优。在二阶段适应性设计中,这两种模型进行亚组识别的Ⅰ类错误均控制在0.05左右;当潜在获益亚组时,相比于传统设计,适应性设计很大程度上提高了检验效能。结论含协变量主效应的惩罚模型适用于生存数据的亚组识别;相比于传统设计,二阶段适应性设计更适用于潜在获益亚组的疗效评价。(本文来源于《南方医科大学学报》期刊2019年10期）
李雪松[5]（2019）在《“人脸识别+摄像头全程监控”多维解读——大学生混日子的时间不长了》一文中研究指出【新闻素材】2019年秋,地处南京,有"药界清华"之称的中国药科大学在五个试点教室、图书馆和实验楼安装了人脸识别系统。该校图书与信息中心主任许建真向《澎湃新闻》透露,该系统将帮助教师检查学生出勤率,并监控学生在课堂上的行为——"当你进入教室的那一刻,摄像头就会全程跟踪,监(本文来源于《作文成功之路(高考冲刺)》期刊2019年11期）
罗胜,张翔,胡杰,王慕抽,张笑钦[6]（2019）在《时间压缩轨迹特征识别的火灾烟雾检测》一文中研究指出目的检测烟雾可以预警火灾。视频监控烟雾比传统的单点探测器监控范围更广、反应更灵敏,对环境和安装的要求也更低。但是目前的烟雾检测算法,无论是利用烟雾的色彩、纹理等静态特征和飘动、形状变化或者频域变化等动态特征的传统方法,还是采用卷积神经网络、循环神经网络等深度学习的方法,准确率和敏感性都不高。方法本文着眼于烟雾的升腾特性,根据烟雾运动轨迹的右倾直线特性、连续流线型特性、低频特性、烟源固定特性和比例特性,采用切片的方式用卷积神经网络(CNN)抽取时间压缩轨迹的动态特征,用循环神经网络(RNN)抽取长程的时间关联关系,采用分块的方式提高空间分辨能力,能准确、迅速地识别烟雾轨迹并发出火灾预警。结果对比CNN、C3D(3d convolutional networks)、traj+SVM(trajectory by support vector machine)、traj+RNNs(trajectory by recurrent neural network)和本文方法traj+CNN+RNNs(trajectory by convolutional neural networks and recurrent neural network)以验证效果。CNN和C3D先卷积抽取特征,后分类。traj+SVM采用SVM辨识视频时间压缩图像中的烟雾轨迹,traj+RNNs采用RNNs分辨烟雾轨迹,traj+CNN+RNNs结合CNN和RNNs识别轨迹。实验表明,与traj+SVM相比,traj+CNN+RNNs准确率提高了35.2%,真负率提高15.6%。但是深度学习的方法往往计算消耗很大,traj+CNN+RNNs占用内存2.31 GB,网络权重261 MB,前向分析时帧率49帧/s,而traj+SVM帧率为178帧/s。但与CNN、C3D相比,本文方法较轻较快。为了进一步验证方法的有效性,采用一般方法难以识别的数据进一步测试对比这5个方法。实验结果表明,基于轨迹的方法仍然取得较好的效果,traj+CNN+RNNs的准确率、真正率、真负率和帧率还能达到0.853、0.847、0.872和52帧/s,但是CNN、C3D的准确率下降到0.585、0.716。结论从视频的时间压缩轨迹可以辨认出烟雾的轨迹,即便是早期的弱小烟雾也能准确识别,因此traj+CNN+RNNs辨识轨迹的方法有助于预警早期火灾。本文方法能够在较少的资源耗费下大幅度提高烟雾检测的准确性和敏感性。(本文来源于《中国图象图形学报》期刊2019年10期）
胡正平,刁鹏成,张瑞雪,李淑芳,赵梦瑶[7]（2019）在《基于注意力机制的时间分组深度网络行为识别算法》一文中研究指出受人脑视觉感知机制启发,在深度学习框架下提出基于注意力机制的时间分组深度网络行为识别算法.针对局部时序信息在描述持续时间较长的复杂动作上的不足,使用视频分组稀疏抽样策略,以更低的成本进行视频级时间建模.在识别阶段引入通道注意力映射,进一步利用全局特征信息和捕捉分类兴趣点,执行通道特征重新校准,提高网络的表达能力.实验表明,文中算法在UCF101、HMDB51数据集上的识别准确率较高.(本文来源于《模式识别与人工智能》期刊2019年10期）
王栋,张广泽,徐正宣,赵志祥[8]（2019）在《基于时间序列InSAR技术的铁路地质灾害识别研究》一文中研究指出我国西南山区铁路沿线地形条件复杂,地质灾害频发,传统的人工排查和群测群防难以全面排查灾害隐患,且工作强度大、效率低。合成孔径雷达干涉技术(InSAR)作为一项先进的空间对地观测技术,具有全天候、全天时工作、大范围连续跟踪微小形变的特性,适用于开展大范围地灾普查与监测。本文选取2017年1月7日～2018年8月30日共48景C波段Sentinel-1卫星数据,采用SBAS-InSAR技术对内六线铁路K145～K149路段进行地质灾害识别。研究结果表明:通过InSAR技术识别出该区段存在4处疑似变形区,且最大变形量为78mm,历史形变速率结果显示区内最大形变速率为81mm/a,通过无人机获取的叁维模型及DEM数据对一处疑似形变区的复核结果表明,该形变区主要为两处古滑坡,变形迹象明显,较好地证明了InSAR技术在铁路地质灾害识别中的有效性。(本文来源于《地质灾害与环境保护》期刊2019年03期）
王建洪[9]（2019）在《基于趋势熵维数识别时间序列动量与反转效应的转换研究》一文中研究指出识别时间序列动量与反转效应的转换对构建市场时机选择策略至关重要。文章结合证券价格时间序列具有分形波动特征的实际情况,研究了趋势熵维数识别时间序列动量和反转效应的转换情况,并基于识别结果构建了市场时机选择策略。研究表明,趋势熵维数能有效识别时间序列动量与反转效应的转换,可为投资者构建市场时机选择策略提供参考。(本文来源于《统计与决策》期刊2019年18期）
曲昊[10]（2019）在《使用XGBoost识别时间序列中的结构》一文中研究指出现实中的时间序列数据中一般包含杂讯而且维度很高。GBDT决策树算法在处理这类数据中有天生的优势。使用XGBoost来对股票数据的结构进行分类,结果显示了这种方法的有效性。(本文来源于《九江职业技术学院学报》期刊2019年03期）
时间识别论文开题报告
（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：
文章基于时间序列分析方法,提出及时性指数(T)、波动性指数(V)和持续性指数(P),并基于叁维立体散点图建立计量指标特性识别模型。研究了PLOS网站ALM指标的动态变化特征,分析不同指标不同时间段在论文影响力评价中的作用。以PLOS网站的PLOS使用指标、Scopus引用指标、Twitter讨论指标为例,选择2016年期刊PLOS ONE的前50篇高被引论文为数据样本,进行实证研究。研究发现:PLOS使用指标具有高及时性、低波动性、高持续性的特点,可将学术论文整个生命周期的平均被使用情况作为学术影响力判定指标;Scopus引用指标具有低及时性、高波动性、高持续性的特点,可将学术论文中长期的被引情况作为学术影响力判定指标;Twitter讨论指标具有低及时性、低波动性、低持续性的特点,可将学术论文首月的讨论情况作为社会影响力判定指标。
（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。
时间识别论文参考文献
[1].姚文杰,艾旭升,栾咏红,李良.建立时间戳识别模型的一种新方法[J].福建电脑.2019
[2].刘运梅,李长玲,杜德慧.时间序列视角下PLOSALM指标特性识别模型构建与应用[J].情报资料工作.2019
[3].刘龙威,魏瑄.基于时间序列Sentinel-1A数据的水稻识别[J].地理空间信息.2019
[4].康佩,许军,黄福强,刘颖欣,安胜利.AdaptiveElasticNet结合加速失效时间模型在亚组识别中的应用[J].南方医科大学学报.2019
[5].李雪松.“人脸识别+摄像头全程监控”多维解读——大学生混日子的时间不长了[J].作文成功之路(高考冲刺).2019
[6].罗胜,张翔,胡杰,王慕抽,张笑钦.时间压缩轨迹特征识别的火灾烟雾检测[J].中国图象图形学报.2019
[7].胡正平,刁鹏成,张瑞雪,李淑芳,赵梦瑶.基于注意力机制的时间分组深度网络行为识别算法[J].模式识别与人工智能.2019
[8].王栋,张广泽,徐正宣,赵志祥.基于时间序列InSAR技术的铁路地质灾害识别研究[J].地质灾害与环境保护.2019
[9].王建洪.基于趋势熵维数识别时间序列动量与反转效应的转换研究[J].统计与决策.2019
[10].曲昊.使用XGBoost识别时间序列中的结构[J].九江职业技术学院学报.2019