导读:本文包含了深度图像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:深度,图像,神经网络,卷积,超声,函数,销钉。
深度图像论文文献综述
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）
李泗兰,郭雅[2]（2019）在《基于深度学习哈希算法的快速图像检索研究》一文中研究指出现在存在的大部分监督哈希是将手工提取的特征转换为哈希值,然后根据图像标签为监督信息得到损失函数,但是手工提取特征以及不完全考虑所有损失的损失函数会降低检索精度。监督哈希算法主要目的是通过训练数据以及数据的标签提升数据与相应哈希的相似度,从而提高检索的相似度。论文提出了一个新的监督哈希算法,将每个图像的多标签转换为二进制向量,通过汉明距离得到成对图像的相似度,放入损失函数中作为监督信息,加上图像特征量化为哈希码时的量化误差以及所有图像哈希码与平衡值的差值,结合以上所有部分生成损失函数,进行网络训练。实验结果显示论文的方法在检索精度上比现有的方法有所提升。(本文来源于《计算机与数字工程》期刊2019年12期）
张常泉[3]（2019）在《基于深度学习的智能视频图像分析研究》一文中研究指出科技进步给更多行业带来了便利,在视频图像分析领域,使用者为了从海量的视频文档中能正确找出目标,减少因人工出错及不必要的时间开销,更是希望能机器能自动处理。因此本文提出基于深度学习的最大类间方差法算法和基于4-邻域的目标分离算法的改进,实现视频图像良好的分隔效果,识别准确性高。(本文来源于《计算机产品与流通》期刊2019年12期）
邹奕轩,赵紫婷,周蕾蕾,韩煜东,田书畅[4]（2019）在《基于深度学习的甲状腺超声图像辅助诊断研究进展》一文中研究指出介绍了超声成像在甲状腺疾病诊断中的优劣势,简述了深度学习辅助诊断与传统计算机辅助诊断的主要差异,分析了深度学习在甲状腺超声图像感兴趣区域检测与分割、结节分类2个方面的应用现状。提出了深度学习模型用于甲状腺超声诊断的难点,指出了跨模式多维度的迁移学习可能是未来甲状腺超声图像分析的一个发展方向。(本文来源于《医疗卫生装备》期刊2019年12期）
张璘,杨丰墒[5]（2019）在《基于深度学习的图像分类搜索系统》一文中研究指出图像分类是根据图像的信息将不同类别的图像区分开来,是计算机视觉中重要的基本问题,也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础。深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像、声音和文本。该系统基于Caffe深度学习框架,首先对数据集进行训练分析构建深度学习网络,提取数据集图像特征信息,得到数据对应的分类模型,然后以bvlc-imagenet训练集模型为基础,对目标图像进行扩展应用,实现"以图搜图"Web应用。(本文来源于《电子技术应用》期刊2019年12期）
南嘉格列,李锐,王海霞,周旭,王毅[6]（2019）在《基于深度学习的肝包虫病超声图像分型研究》一文中研究指出肝包虫病是一种严重的地域性寄生虫病,其病灶分型主要依靠临床医生对超声图像的主观判断,疾病筛查十分耗时,且容易造成误判.提出一种基于超声图像的肝包虫病病灶智能分型方法,首先从肝脏包虫病超声图像中直接裁剪得到病灶区域图像,利用深度卷积神经网络(convolutional neural network,CNN)提取图像多尺度特征,然后结合视觉注意力模型,通过分类网络的主分支和辅助分支分别学习图像的整体和局部细节特征,最后使用度量学习来表征同类别之间样本的相似特征,实现对9种类型的包虫病病灶进行全自动分类.构建了一个18层CNN网络,通过7 000张图像完成训练,在2 000张图像上测试得到的平均准确率为82%,平均F1分数为82%.实验结果表明,该方法能有效用于肝包虫病超声图像分型.(本文来源于《深圳大学学报(理工版)》期刊2019年06期）
苏赋,吕沁,罗仁泽[7]（2019）在《基于深度学习的图像分类研究综述》一文中研究指出近年来,深度学习在计算机视觉领域中的表现优于传统的机器学习技术,而图像分类问题是其中最突出的研究课题之一。传统的图像分类方法难以处理庞大的图像数据,且无法满足人们对图像分类精度和速度的要求,而基于深度学习的图像分类方法突破了此瓶颈,成为目前图像分类的主流方法。从图像分类的研究意义出发,介绍了其发展现状。其次,具体分析了图像分类中最重要的深度学习方法(即自动编码器、深度信念网络与深度玻尔兹曼机)以及卷积神经网络的结构、优点和局限性。再次,对比分析了方法之间的差异及其在常用数据集上的性能表现。最后,探讨了深度学习方法在图像分类领域的不足及未来可能的研究方向。(本文来源于《电信科学》期刊2019年11期）
吴柯薇,白玫[8]（2019）在《基于深度残差网络的冠状动脉CT血管造影图像斑块的识别算法研究》一文中研究指出目的:研究探讨基于深度残差网络(ResNet)的冠状动脉CT血管造影(CTA)图像斑块的识别算法。方法:结合深度学习在图像识别中的优势,提出一种基于深度ResNet的冠状动脉斑块识别算法。选择叁种不同深度的ResNet,卷积层数分别为18层、50层和152层,对来自100例患者的6000幅曲面重建(CPR)图像进行识别,最终选择出最适合冠状动脉斑块分析的ResNet深度,并用最佳网络深度辅助两名放射科诊断医师进行诊断,分析在实际临床应用中对斑块识别带来的影响。结果:不同网络深度的ResNet神经网络均能对冠状动脉斑块进行识别,其中ResNet-50的灵敏度最高为50.70%,ResNet-152的准确率和特异度最高,分别为86.28%和96.71%。选择ResNet-50网络辅助两名放射科诊断医师诊断准确率分别提升了10.91%和12.35%。结论:经过训练的ResNet神经网络可以有效对冠状动脉斑块进行识别,在适宜网络深度的ResNet的辅助下可以有效缩短放射科诊断医师的诊断时间,并且在保证特异性的同时提高诊断的准确性和灵敏度。(本文来源于《中国医学装备》期刊2019年11期）
姚晓峰,须文波,武利秀[9]（2019）在《基于深度神经网络的激光图像修复》一文中研究指出激光图像在采集和传输过程中,易受到其它因素的影响,会出现破损现象,针对传统技术无法实现高精度激光图像修复的难题,为此设计了基于深度神经网络的激光图像修复技术。首先对当前激光图像修复的研究现状进行分析,找到引入激光图像修复精度低的原因,然后采用深度学习神经网络对激光图像受损区的轮廓线结构进行映射,根据利用曲线拟合理论将激光图像受损区分割出来,最后对激光图像受损区的相关信息进行填充,完成激光图像修复,并进行了激光图像修复的仿真测试。结果表明,相对于原始激光图像,修改后的激光图像不仅信噪比大幅度提升,激光图像的视觉效果更佳,而且激光图像修复效果要明显优于传统激光图像修复技术,验证了本文激光图像修复技术的优越性。(本文来源于《激光杂志》期刊2019年11期）
宁柏锋[10]（2019）在《基于深度学习的无人机巡检图像销钉故障检测》一文中研究指出随着经济和社会的发展,发电量和用电量逐年上升;安全的电力保障关系到国计民生,在常年的使用过程中,由于电力传输的输电线路受到外界环境的影响,使得输电线路部件容易出现不同程度的破损,其中销钉是固定螺母的关键零件,销钉的脱落会导致各部件之间连接的不稳定,这给输电网络的安全运行带来了极大的隐患;随着深度学习技术在计算机视觉领域中的应用,使得机器自动识别销钉这一输电线路系统中的微小部件成为现实;采用Faster R-CNN算法对无人机巡检图像中的销钉脱落故障进行识别,并讨论了不同分类器对识别结果的影响,然后对ACF+Adaboost、Hough+LSD和Faster R-CNN检测方法进行比较;实验结果表明,基于Faster R-CNN的目标检测方法对于输电线路中销钉脱落故障的识别率可达到96%,同时对正常销钉的识别率最高可达98%。(本文来源于《计算机测量与控制》期刊2019年11期）
深度图像论文开题报告
（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：
现在存在的大部分监督哈希是将手工提取的特征转换为哈希值,然后根据图像标签为监督信息得到损失函数,但是手工提取特征以及不完全考虑所有损失的损失函数会降低检索精度。监督哈希算法主要目的是通过训练数据以及数据的标签提升数据与相应哈希的相似度,从而提高检索的相似度。论文提出了一个新的监督哈希算法,将每个图像的多标签转换为二进制向量,通过汉明距离得到成对图像的相似度,放入损失函数中作为监督信息,加上图像特征量化为哈希码时的量化误差以及所有图像哈希码与平衡值的差值,结合以上所有部分生成损失函数,进行网络训练。实验结果显示论文的方法在检索精度上比现有的方法有所提升。
（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。
深度图像论文参考文献
[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].李泗兰,郭雅.基于深度学习哈希算法的快速图像检索研究[J].计算机与数字工程.2019
[3].张常泉.基于深度学习的智能视频图像分析研究[J].计算机产品与流通.2019
[4].邹奕轩,赵紫婷,周蕾蕾,韩煜东,田书畅.基于深度学习的甲状腺超声图像辅助诊断研究进展[J].医疗卫生装备.2019
[5].张璘,杨丰墒.基于深度学习的图像分类搜索系统[J].电子技术应用.2019
[6].南嘉格列,李锐,王海霞,周旭,王毅.基于深度学习的肝包虫病超声图像分型研究[J].深圳大学学报(理工版).2019
[7].苏赋,吕沁,罗仁泽.基于深度学习的图像分类研究综述[J].电信科学.2019
[8].吴柯薇,白玫.基于深度残差网络的冠状动脉CT血管造影图像斑块的识别算法研究[J].中国医学装备.2019
[9].姚晓峰,须文波,武利秀.基于深度神经网络的激光图像修复[J].激光杂志.2019
[10].宁柏锋.基于深度学习的无人机巡检图像销钉故障检测[J].计算机测量与控制.2019
论文知识图
