导读:本文包含了图像语义论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:语义,图像,深度,神经网络,遥感,建筑,网络。
图像语义论文文献综述
陈一鸣,彭艳兵,高剑飞[1]（2019）在《基于深度学习的遥感图像新增建筑物语义分割》一文中研究指出目前在土地监察业务中很重要的一项工作就是监管地上建筑物的建、拆、改、扩。对于大城市及其郊区来说,很难靠工作人员来每天全城巡查,依靠高分辨率卫星遥感图像和深度学习算法可以革新现有的工作流程。论文基于深度学习方法 U-net神经网络原理设计了一种新的网络结构,并采用随机梯度下降与Momentum组合的优化方法训练深度学习模型实现语义级别的图像分割。通过使用改进的基于U-net的方法,实验表明可以更准确地识别出更多更复杂的新增建筑物。(本文来源于《计算机与数字工程》期刊2019年12期）
赵迪,刘桂雄[2]（2019）在《面向智能维护的通信机房机柜图像语义分割技术》一文中研究指出通信机房机柜的智能维护是实现设备无人化、智能化监管的核心工作之一,结合语义分割技术实现设备图像识别、位置检测、检修操作点确定,形成泛用性强的人工智能方法。该文从深度学习语义分割方法入手,提出基于Mask R-CNN的机房机柜设备图像语义分割技术方案,实现不同视野、存在物体遮挡条件下的机房机柜图像识别与分割。通过模拟不同语义分割算法在通信机房机柜检测场景的应用效果,表明基于Mask R-CNN的语义分割技术准确性良好,Top-1错误率为7.1%、像素级分割准确性mIOU达82.3%。(本文来源于《中国测试》期刊2019年11期）
刘贝贝,华蓓[3]（2019）在《基于编码器-解码器的半监督图像语义分割》一文中研究指出基于深度卷积神经网络的图像语义分割方法需要大量像素级标注的训练数据,但标注的过程费时又费力.本文基于生成对抗网络提出一种编码-解码结构的半监督图像语义分割方法,其中编码器-解码器模块作为生成器,整个网络通过耦合标准多分类交叉熵损失和对抗损失进行训练.为充分利用浅层网络包含的丰富的语义信息,本文将编码器中不同尺度的特征输入到分类器,并将得到的不同粒度的分类结果融合,进而优化目标边界.此外,鉴别器通过发现无标签数据分割结果中的可信区域,以此提供额外的监督信号,来实现半监督学习.在PASCAL VOC2012和Cityscapes上的实验表明,本文提出的方法优于现有的半监督图像语义分割方法.(本文来源于《计算机系统应用》期刊2019年11期）
罗会兰,卢飞,孔繁胜[4]（2019）在《基于区域与深度残差网络的图像语义分割》一文中研究指出该文提出了一种结合区域和深度残差网络的语义分割模型。基于区域的语义分割方法使用多尺度提取相互重迭的区域,可识别多种尺度的目标并得到精细的物体分割边界。基于全卷积网络的方法使用卷积神经网络(CNN)自主学习特征,可以针对逐像素分类任务进行端到端训练,但是这种方法通常会产生粗糙的分割边界。该文将两种方法的优点结合起来:首先使用区域生成网络在图像中生成候选区域,然后将图像通过带扩张卷积的深度残差网络进行特征提取得到特征图,结合候选区域以及特征图得到区域的特征,并将其映射到区域中每个像素上;最后使用全局平均池化层进行逐像素分类。该文还使用了多模型融合的方法,在相同的网络模型中设置不同的输入进行训练得到多个模型,然后在分类层进行特征融合,得到最终的分割结果。在SIFT FLOW和PASCAL Context数据集上的实验结果表明该文方法具有较高的平均准确率。(本文来源于《电子与信息学报》期刊2019年11期）
董建升,袁景凌,钟忺[5]（2019）在《一种嵌入式GPU上的实时图像语义分割方法》一文中研究指出复杂的深度学习网络在嵌入式平台上的推理速度较低,很难满足实际应用需求.因此针对自动驾驶、智能机器人等实时性应用背景,提出了一个轻量级图像语义分割网络,并利用NVIDIA的推理加速器TensorRT进行合并层、精度校准、并行优化等操作,提高模型的计算效率,在嵌入式平台上实现了对深度学习模型的推理加速.实验结果表明,提出的模型在Cityscapes数据集上取得了72. 17%的m Io U,对于尺寸为512×1024的输入图像,经过TensorRT的推理加速后,在嵌入式平台NVIDIA Jetson Xavier上达到了45 FPS的推理速度,该速度约为原模型的1. 8倍.提出的模型和优化方法在保留较高准确度的前提下,实现了嵌入式平台上的实时图像语义分割,为深度学习模型在嵌入式平台上的实时性应用提供了支持.(本文来源于《小型微型计算机系统》期刊2019年11期）
李昂[6]（2019）在《基于对抗神经网络和语义分割技术的图像超分辨率系统的研发和应用》一文中研究指出在广电超高清(4K、8K)产业发展的背景下,以深度学习为代表的人工智能技术在图像超分辨率领域发展迅速。我们以对抗生成超分辨率网络(SRGAN)为基础,结合语义分割概率图和迭代校验内核(IKC)技术,提出了新颖的图像超分辨率生成模型。此模型可根据应用需求对图像中的目标物体进行识别,并使生成的超高清图像纹理更加真实。为此,我们以广电媒资大数据为基础制作了IFTV(Images From TV)数据集,用以对广电常见应用场景(如人脸或文字较多的场景)进行优化训练,使该模型能够在多个场景中达到令人满意的图像超分辨率效果,为今后广电领域超高清内容制作提供有力支持。(本文来源于《有线电视技术》期刊2019年11期）
李智能,刘任任,梁光明[7]（2019）在《基于卷积神经网络的医学宫颈细胞图像的语义分割》一文中研究指出显微细胞分割的精度直接影响疾病的判别诊断,特别在宫颈细胞的显微病理图像中,细胞核的形态大小、与细胞质之间的比例参数等对于病情的良恶诊断具有重大的意义。为提高宫颈细胞核质分割的精度,提出一种基于卷积神经网络的医学宫颈细胞图像的语义分割方法。标定宫颈细胞显微图像中的细胞核和细胞质轮廓,制作基于长沙市第二人民医院的基于新柏氏液基细胞学检测TCT(Thinprep cytologic test)制片技术的宫颈TCT细胞涂片的CCTCT数据集;通过卷积神经网络对核质分割模型进行训练,避免人工提取特征;通过反卷积达到图像的语义分割。实验结果表明,该算法在宫颈细胞的显微病理图像中的核质分割准确率高达94.7%,具有很高的鲁棒性和适应性。(本文来源于《计算机应用与软件》期刊2019年11期）
曹凯中[8]（2019）在《图像叙事与空间操作：概念建筑的语义变迁及其研究》一文中研究指出本文从概念建筑这一特点类型建筑实践出发,通过对布雷、超级工作室、埃森曼、海杜克以及屈米等人的实践读解,归纳了这一类型实践的特征,并进一步从图像叙事与空间操作两个维度探讨了概念建筑的操作途径。(本文来源于《住区》期刊2019年05期）
董珊,杨占昕,庞龙,庄胤,陈禾[9]（2019）在《语义分割网络在可见光遥感图像地物分类中的应用》一文中研究指出遥感技术的发展推动遥感图像数据爆发式增长,并呈现出更高分辨率、更大幅宽的趋势。传统地物分类方法特征提取能力和泛化能力不足以解决高分辨率遥感图像的多地物分类问题。语义分割网络在自然场景图像中展现了强大的特征提取能力。针对复杂场景的高分辨率遥感图像,需结合遥感图像的特点,提出更适用于遥感图像地物分类的遥感语义分割模型。(本文来源于《第十叁届全国信号和智能信息处理与应用学术会议论文集》期刊2019-10-25）
张贤波,倪阳,陶郅[10]（2019）在《图像与观念:建筑的两种语义类型与叙事模式》一文中研究指出通过分析图像语义与观念语义的生成逻辑,探讨建筑的图像叙事和观念叙事的特点及其启示。巴克桑德尔和卡尔维诺等人的叙事文本中呈现出两种语义类型。参考李格尔和贡布里希对于艺术叙事的分类方法,文章分析两种语义类型如何影响与其对应的建筑叙事。两种语义类型分别反映了建筑叙事的艺术性与逻辑性,两种叙事模式的结合可以形成新的叙事结构和体裁,演化出新的空间形态和空间观念。(本文来源于《世界建筑》期刊2019年10期）
图像语义论文开题报告
（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：
通信机房机柜的智能维护是实现设备无人化、智能化监管的核心工作之一,结合语义分割技术实现设备图像识别、位置检测、检修操作点确定,形成泛用性强的人工智能方法。该文从深度学习语义分割方法入手,提出基于Mask R-CNN的机房机柜设备图像语义分割技术方案,实现不同视野、存在物体遮挡条件下的机房机柜图像识别与分割。通过模拟不同语义分割算法在通信机房机柜检测场景的应用效果,表明基于Mask R-CNN的语义分割技术准确性良好,Top-1错误率为7.1%、像素级分割准确性mIOU达82.3%。
（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。
图像语义论文参考文献
[1].陈一鸣,彭艳兵,高剑飞.基于深度学习的遥感图像新增建筑物语义分割[J].计算机与数字工程.2019
[2].赵迪,刘桂雄.面向智能维护的通信机房机柜图像语义分割技术[J].中国测试.2019
[3].刘贝贝,华蓓.基于编码器-解码器的半监督图像语义分割[J].计算机系统应用.2019
[4].罗会兰,卢飞,孔繁胜.基于区域与深度残差网络的图像语义分割[J].电子与信息学报.2019
[5].董建升,袁景凌,钟忺.一种嵌入式GPU上的实时图像语义分割方法[J].小型微型计算机系统.2019
[6].李昂.基于对抗神经网络和语义分割技术的图像超分辨率系统的研发和应用[J].有线电视技术.2019
[7].李智能,刘任任,梁光明.基于卷积神经网络的医学宫颈细胞图像的语义分割[J].计算机应用与软件.2019
[8].曹凯中.图像叙事与空间操作：概念建筑的语义变迁及其研究[J].住区.2019
[9].董珊,杨占昕,庞龙,庄胤,陈禾.语义分割网络在可见光遥感图像地物分类中的应用[C].第十叁届全国信号和智能信息处理与应用学术会议论文集.2019
[10].张贤波,倪阳,陶郅.图像与观念:建筑的两种语义类型与叙事模式[J].世界建筑.2019
论文知识图
