导读:本文包含了目标分割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,归一化,目标检测,实例分割
目标分割论文文献综述
王旭,张幸,赵文仓[1]（2019）在《基于改进群组归一化的目标检测与实例分割》一文中研究指出训练卷积神经网络,尤其是在使用ImageNet这种大规模数据集进行深层卷积神经网络训练时,往往需要投入几天甚至几个月的时间。为了加快神经网络的迭代收敛速度,通常需要使用批量归一化算法对训练网络的输入输出分布进行统一调整。本工作结合实例归一化方法对群组归一化进行了改进,并将改进后的该方法结合Faster R-CNN和Mask R-CNN进行了目标检测与实例分割实践。(本文来源于《青岛科技大学学报(自然科学版)》期刊2019年06期）
张刚,马震环,雷涛,崔毅,张叁喜[2]（2019）在《基于嵌入式GPU的运动目标分割算法并行优化》一文中研究指出在光电监视系统中,广泛应用于运动目标分割的PBAS(pixel base adaptive segmenter)算法计算复杂、参数量大,难以达到实时分割的要求。针对PBAS算法是对图像中每个像素点进行独立处理,特别适合于GPU并行加速的特点,对其在嵌入式GPU平台Jetson TX2上进行了并行优化实现。在数据存储结构、共享内存使用、随机数产生机制3个方面对该算法进行了优化设计。实验结果表明,对于480×320像素分辨率的中波红外视频序列,该并行优化方法可以达到132 fps的处理速度,满足了实时处理的要求。(本文来源于《应用光学》期刊2019年06期）
张天飞,龙海燕,丁娇,张磊[3]（2019）在《基于目标多区域分割的抗干扰跟踪算法研究》一文中研究指出针对视频序列中运动目标跟踪过程中可能出现的目标旋转、遮挡、形变等原因造成的跟踪失败问题,提出了一种基于目标多区域分割的跟踪方法。主要通过将目标划分为多个部分相互重迭的区域,然后选择跟踪过程中相对稳定的多个区域进行定位,进而对跟踪的目标采用不同目标区域权重更新不同的模板更新策略,这样选择主要可以增加算法的抗遮挡、抗旋转能力。实验结果表明,该方法对目标遮挡、旋转等具有一定的适应能力。(本文来源于《电子技术应用》期刊2019年10期）
夏冬梅,李静,周亮[4]（2019）在《基于视觉显着模型和图像分割的文化图像目标检测（英文）》一文中研究指出针对图像目标识别中的高效率视觉注意机制问题,提出了一种基于视觉显着模型和图像分割的文化图像目标检测算法。首先采用基于颜色分量对比度视觉显着模型对现有的视觉显着计算方法进行了改进,提高了显着区域检测的效率。然后在传统Grab Cut图像分割算法的原理上,结合改进的视觉显着模型来实现显着区域初始化,无需人工交互步骤,从而实现全自动的图像目标检测。测试数据结果表明:相比于现有的几种典型方法,提出算法具有较好的目标检测性能和较快的检测速度。(本文来源于《机床与液压》期刊2019年18期）
张寅丹,王苗苗,陆海霞,刘勇[5]（2019）在《基于监督与非监督分割评价方法提取高分辨率遥感影像特定目标地物的对比研究》一文中研究指出基于地理对象的影像分析方法已成为高分辨率遥感影像分析的重要手段。影像分割作为其关键步骤,如何设置合适的分割算法参数对后续分割和分类结果有重要的影响。目前分割参数优选方法的探讨分别从非监督与监督分割质量评价2个方面展开,而何者更适合高分辨率遥感影像特定目标地物分析仍缺乏对比研究。本文以城镇和乡村为例,选取多源遥感数据Quickbird、WorldView-2和ALOS影像中共有的3种典型土地覆被为研究对象,基于2种具有代表性的非监督与监督方法ESP2 (Estimation of Scale Parameter 2)与ED2 (Euclidean distance 2)进行实验,对最优分割和分类的结果进行全面的对比分析。结果表明:①相同实验参数下,监督方法均能以较少的分割数据集获得目标地物的最优分割结果,且与真实地理对象吻合度更高;②非监督方法依靠影像自身特征分析进行分割参数优选,无法克服不同景观格局和影像分辨率的影响,而监督方法可通过改变参考数据集的面积和空间分布模式等来降低其影响;③非监督方法往往因为欠分割而漏分小目标地物,这样会严重影响局部分类结果。虽然本文中非监督与监督方法的整体分类精度均可达90.08%以上,但非监督方法的漏分率却是监督方法的1.43～4.65倍。因此,本研究认为监督方法更适合分析高分辨率遥感影像特定小目标地物。(本文来源于《地球信息科学学报》期刊2019年09期）
胡学刚,吴开元[6]（2019）在《基于SVM的显着性目标自动分割方法》一文中研究指出针对显着性检测算法显着图不均匀导致图像分割精度不高的问题,提出一种基于支持向量机(SVM)的显着性目标自动分割算法。通过显着性检测得到大致的显着区域和背景区域,将图像在HSV颜色空间量化,利用颜色直方图信息获取显着区域和背景区域的主色,以此自动选取正负训练样本,从训练样本中提取颜色等特征训练SVM,使用SVM对整幅图像精确分割出显着目标。理论分析和实验结果表明,所提算法具有更正错误检测信息的机制,有效解决了因显着图不均匀导致分割结果缺乏准确边界的问题,比现有同类算法能获得更准确的分割结果。(本文来源于《计算机工程与设计》期刊2019年09期）
马雪,杨大伟,毛琳[7]（2019）在《粗细粒度超像素行人目标分割算法》一文中研究指出针对车载视觉行人目标分割由于复杂场景对行人目标的分割结果产生干扰而出现信息冗余以及错误分割的问题,提出一种粗细粒度超像素行人目标分割算法。该算法以Mask R-CNN作为粗粒度一次分割,将所得结果经Slic超像素细粒度二次分割,融合两次输出结果来提高现有图像目标的分割精度,为行人目标识别和跟踪提供有益先验感知信息。经仿真验证,该算法能够对复杂背景情况下的图像进行有效分割,MS COCO标准公开集测试结果与原有Mask R-CNN检测算法相比,mAP提高0.71%,为图像识别和计算机视觉系统完成精准的预处理,具有较强的工程应用价值。(本文来源于《大连民族大学学报》期刊2019年05期）
叶靖雯,吴晓峰[8]（2019）在《端到端深度图像分割网络中抑制无效率学习的目标损失函数设计》一文中研究指出在端到端深度图像分割网络训练时,常出现前景和背景区域相差巨大的情况,造成目标特征学习不足而背景特征学习过度.对此提出一种基于代价敏感学习的目标函数构造方法:借鉴难例挖掘思想,使用表征难易程度的Focal因子对样本训练误差加权处理,有效抑制无效率学习;仿人类视觉系统引入感受野因子,兼顾上下文信息.在医学影像数据集上对方法的有效性和可扩展性进行了测试.结果表明,新方法有助于提升网络对于小目标的检出能力,同时分割结果更贴合目标轮廓.(本文来源于《微电子学与计算机》期刊2019年09期）
戴德云,王纪凯,包鹏,赵皓,陈宗海[9]（2019）在《基于Lidar点云的道路目标分割》一文中研究指出为提高自动驾驶系统环境感知的性能,本文关注于对车、行人等道路上目标的3D分割。在SqueezeSeg模型的基础上进行算法改进,并将改进后的模型命名为A-SqueezeSeg。考虑到由于类别分布不平衡导致的SqueezeSeg模型在行人、骑行者等小类别上的分割准确性低的问题,对交叉熵损失函数进行掩模加权处理,并利用多尺度扩张卷积对模型进行改进以增加特征图的感受域,聚合上下文信息。ASqueezeSeg模型以数据集中3DLiDAR点云经过球面投影后的球面图像作为模型的输入,并与基于递归网络的条件随机场(R-CRF)模型结合,共同训练以实现逐点类别预测,即3D目标分割。实验未使用合成数据集进行预训练,直接利用KITTI数据进行实验,结果表明A-SqueezeSeg提高了道路目标分割的准确性。(本文来源于《第二十届中国系统仿真技术及其应用学术年会论文集（20th CCSSTA 2019）》期刊2019-08-20）
汤润发,宋慧慧,张开华,姜斯浩[10]（2019）在《特征注意金字塔调制网络的视频目标分割》一文中研究指出目的视频目标分割是在给定第1帧标注对象掩模条件下,实现对整个视频序列中感兴趣目标的分割。但是由于分割对象尺度的多样性,现有的视频目标分割算法缺乏有效的策略来融合不同尺度的特征信息。因此,本文提出一种特征注意金字塔调制网络模块用于视频目标分割。方法首先利用视觉调制器网络和空间调制器网络学习分割对象的视觉和空间信息,并以此为先验引导分割模型适应特定对象的外观。然后通过特征注意金字塔模块挖掘全局上下文信息,解决分割对象多尺度的问题。结果实验表明,在DAVIS 2016数据集上,本文方法在不使用在线微调的情况下,与使用在线微调的最先进方法相比,表现出更具竞争力的结果,J-mean指标达到了78. 7%。在使用在线微调后,本文方法的性能在DAVIS 2017数据集上实现了最好的结果,J-mean指标达到了68. 8%。结论特征注意金字塔调制网络的视频目标分割算法在对感兴趣对象分割的同时,针对不同尺度的对象掩模能有效结合上下文信息,减少细节信息的丢失,实现高质量视频对象分割。(本文来源于《中国图象图形学报》期刊2019年08期）
目标分割论文开题报告
（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：
在光电监视系统中,广泛应用于运动目标分割的PBAS(pixel base adaptive segmenter)算法计算复杂、参数量大,难以达到实时分割的要求。针对PBAS算法是对图像中每个像素点进行独立处理,特别适合于GPU并行加速的特点,对其在嵌入式GPU平台Jetson TX2上进行了并行优化实现。在数据存储结构、共享内存使用、随机数产生机制3个方面对该算法进行了优化设计。实验结果表明,对于480×320像素分辨率的中波红外视频序列,该并行优化方法可以达到132 fps的处理速度,满足了实时处理的要求。
（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。
目标分割论文参考文献
[1].王旭,张幸,赵文仓.基于改进群组归一化的目标检测与实例分割[J].青岛科技大学学报(自然科学版).2019
[2].张刚,马震环,雷涛,崔毅,张叁喜.基于嵌入式GPU的运动目标分割算法并行优化[J].应用光学.2019
[3].张天飞,龙海燕,丁娇,张磊.基于目标多区域分割的抗干扰跟踪算法研究[J].电子技术应用.2019
[4].夏冬梅,李静,周亮.基于视觉显着模型和图像分割的文化图像目标检测（英文）[J].机床与液压.2019
[5].张寅丹,王苗苗,陆海霞,刘勇.基于监督与非监督分割评价方法提取高分辨率遥感影像特定目标地物的对比研究[J].地球信息科学学报.2019
[6].胡学刚,吴开元.基于SVM的显着性目标自动分割方法[J].计算机工程与设计.2019
[7].马雪,杨大伟,毛琳.粗细粒度超像素行人目标分割算法[J].大连民族大学学报.2019
[8].叶靖雯,吴晓峰.端到端深度图像分割网络中抑制无效率学习的目标损失函数设计[J].微电子学与计算机.2019
[9].戴德云,王纪凯,包鹏,赵皓,陈宗海.基于Lidar点云的道路目标分割[C].第二十届中国系统仿真技术及其应用学术年会论文集（20thCCSSTA2019）.2019
[10].汤润发,宋慧慧,张开华,姜斯浩.特征注意金字塔调制网络的视频目标分割[J].中国图象图形学报.2019