导读:本文包含了多尺度随机场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:尺度,卷积,马尔,神经网络,语义,图像,特征。
多尺度随机场论文文献综述
汪萍[1]（2019）在《基于多尺度条件随机场的语义图像分割深度卷积网络》一文中研究指出针对复杂边界处语义分割信息在多尺度情况下表现出的不一致性,引起的现有模型产生错误语义分割标记预测问题,受到空间语境关系启发,提出一种多尺度条件随机场的深度卷积网络模型。首先,不同尺度的初始标记通过深度卷积网络获得,从而构建语义标记的多尺度表达;其次,引入多尺度表达的条件随机场模块,并在该模块上添加同层二元关系和异层二元关系,构建新的条件随机场能量评价;最后,针对模型中的深度网络参数和条件随机场参数学习过程,设计一种两阶段的训练过程,兼顾了模型的收敛速度和精度。实验给出了公认的PASCAL VOC 2012数据集的语义分割结果,能够说明该方法较现有主流方法有一定优势。(本文来源于《宿州学院学报》期刊2019年07期）
邵磊,董广军,于英,张阿龙,姚强强[2]（2019）在《结合多尺度体素和高阶条件随机场的点云分类》一文中研究指出针对利用经典高阶条件随机场模型进行点云分类时,由于海量节点和无向边导致的点云分类效率低的问题,提出一种结合多尺度体素和高阶条件随机场的点云分类方法.首先以多尺度体素代替海量离散点云作为无向图图模型节点,减少节点和无向边的数量;然后使用超体分割结果作为高阶团,并基于此设计了一种非监督分布性空间上下文作为高阶团特征向量,用于改善分类结果;最后结合构建的图模型和各阶特征向量,采用经典高阶条件随机场模型实现点云数据的自动分类.采用Oakland标准数据集作为实验数据,实验结果表明,该方法在有效地保证分类精度的前提下,高阶条件随机场点云分类模型的分类效率提高了5～10倍.(本文来源于《计算机辅助设计与图形学学报》期刊2019年03期）
董永峰,杨雨?,王利琴[3]（2019）在《基于多尺度特征提取和全连接条件随机场的图像语义分割方法》一文中研究指出针对图像语义分割中图像的上下文信息利用不充分、边缘分割不清等问题,提出一种基于多尺度特征提取与全连接条件随机场的网络模型。分别以多尺度形式将RGB图像和深度图像输入网络,利用卷积神经网络提取图像特征;将深度信息作为补充信息添加到RGB特征图,得到语义粗分割结果;采用全连接条件随机场优化语义粗分割结果,最终得到语义精细分割结果。实验结果表明,所提方法提高了图像语义分割的精度,优化了图像语义分割的边缘,具有实际应用价值。(本文来源于《激光与光电子学进展》期刊2019年13期）
李凯,韩冰,张景滔[4]（2018）在《基于条件随机场与多尺度卷积神经网络的交通标志检测与识别》一文中研究指出交通标志的检测与识别主要可以分为候选区域的提取与识别两个阶段。在候选区域提取阶段,首先生成颜色先验特征图和颜色概率特征图,然后利用条件随机场(CRF)对道路场景图像的颜色先验特征图与颜色概率特征图进行融合,得到交通标志显着性图像,进而通过最大稳定极值区域(MSER)算法进行候选区域提取,克服光照强烈变化以及复杂背景对提取结果的影响。在候选区域的识别阶段,通过多尺度卷积神经网络来完成交通标志的识别。(本文来源于《计算机应用》期刊2018年S2期）
孟月波,刘光辉,徐胜军,冯峰[5]（2019）在《一种具有边缘保持的多尺度马尔可夫随机场模型图像分割方法》一文中研究指出针对图像分割中常规四叉树结构的多尺度马尔可夫随机场模型非重迭区域在最优化过程中所造成的块效应,以及建模和推理过程导致低分辨率图像边缘细节模糊、缺失的现象,提出了一种具有边缘保持的多尺度马尔可夫随机场(Edge Preserving Multi-Resolution Markov Random Field, EPMRMRF)模型。该模型首先利用邻接区域之间的交互重迭约束,将局部区域的优化传递到相邻区域;其次采用具有边缘保持作用的Cauchy分布提取图像的多尺度边缘先验知识,在不同尺度上实现图像局部区域特征和多尺度边缘特征的融合。之后,为了对EPMRMRF模型进行迭代优化,提出一种分层区域置信度传播算法(Hierarchical Regional Belief Propagation Algorithm,HRBP),基于最大后验准则,求解马尔可夫随机场最大后验全局分布。实验结果表明,EPMRMRF模型和HRBP分割算法不仅有效保持了图像分割结果的边缘,获得了更好的分割结果,而且具有较快的分割速度,概率兰德指数相似性评价指标平均提升至0.890 9,全局一致性误差差异性评价指标平均降低至0.192 3。(本文来源于《西安交通大学学报》期刊2019年03期）
杨俊涛,康志忠[6]（2018）在《多尺度特征和马尔可夫随机场模型的电力线场景点云分类法》一文中研究指出及时、准确地监测电力线安全可以预防危险情况的发生。本文以机载点云为研究对象,提出了一种基于随机森林后验概率的马尔可夫随机场模型,用于电力线场景的点云分类。首先结合空间金字塔理论构建多尺度视觉分类特征以此描述空间点及其邻域的几何形状信息;接着利用随机森林分类器描述观测数据的概率分布,基于马尔可夫随机场模型建立顾及上下文信息的先验概率,从而构建一个多标记能量函数;最后利用多标记图割技术最小化能量函数完成分类标签优化。利用直升机巡线系统和小型无人机巡线系统获取的LiDAR点云数据来验证本文提出的模型。试验结果表明,该模型能够有效地分类场景中的电塔、电力线和植被且总分类正确率得到98%以上。与其他分类方法相比,本文提出的模型总体精度更高,尤其是电塔的分类优势明显。(本文来源于《测绘学报》期刊2018年02期）
解超,王安琪,柳鹏[7]（2016）在《多尺度马尔科夫随机场在基于高分辨率合成孔径雷达影像的城市地物分类中的应用》一文中研究指出本文通过基于多尺度马尔科夫随机场模型的最大似然算法及基于传统马尔科夫随机场势函数的像素间Gabor相似方法,使用迭代条件模型对影像进行分割,使用K均值分类算法对分割后的影像进行分类,选择北京市通州区作为研究区,使用上述方法对多幅该区域的高分辨率合成孔径雷达影像进行了分类,新方法可以实现优于传统算法的分割精度,能够清晰区分建筑物之间的边界。(本文来源于《数字通信世界》期刊2016年05期）
杜明芳,王军政,李多杨,何玉东[8]（2016）在《基于语义树Markov随机场模型的地面机器人多尺度道路感知》一文中研究指出道路实时感知是自主式地面移动机器人实现自主导航的关键技术,但由于室外道路环境的复杂性与不确定性,其算法开发难度较大。提出了一种基于小波域语义树Markov模型的多尺度仿生道路感知算法。在时空域上采用叁维随机场对机器人采集到的道路图像序列进行建模,提出了一种采用树结构约束、面向道路识别的语义树Markov随机场(RT-MRF)模型;采用遗传算法优化的有监督RT-MRF模型进行道路图像序列分割;机器人通过跟踪分割边界实现道路区域识别及自主导航。采用自主研制的四足仿生机器人作为研究和实验平台。实验结果表明:该方法能够在具有阴影、裂纹、坑洞、不平整及光照度变化的较差道路检测条件下鲁棒分割出道路边界,算法实时性高,可满足室外移动机器人自主导航需求。(本文来源于《兵工学报》期刊2016年03期）
景军锋,李阳,李鹏飞,焦洋[9]（2014）在《基于小波域多尺度Markov随机场的织物印花图案分割》一文中研究指出为提高纺织印花图案的分色精度,采用小波域的多尺度Markov随机场模型实现了织物印花图案的分割。首先对图像进行预处理,然后对图像进行小波金字塔分解,在每个尺度的分割过程中利用了各尺度上的有关信息:特征场建模通过描述小波系数之间的相关性反映每个像素位置的特征属性,标记场建模通过考虑邻域标记间的相互作用反映图像分割的区域性。2种随机场建模以联合概率乘积的形式相互约束,共同作用于该尺度的分割过程。在分割过程中,从最低分辨率尺度到原始分辨率尺度逐次进行图像分割,低分辨率尺度的分割结果通过直接投影作为相邻的更高分辨率尺度的初始分割,最高分辨率尺度上的分割结果作为该方法的分割结果。(本文来源于《纺织学报》期刊2014年01期）
赵志诚,白雅娟,周仁来,蔡安妮[10]（2013）在《基于Tobii眼动和多尺度条件随机场的视觉显着性模型》一文中研究指出提出了一种新的基于分类的视觉显着性计算模型。运用频谱残差、全局亮度和颜色对比度分别检测图像的显着区域,随后将显着性检测看作一个图像标注问题,提出一种基于多尺度条件随机场(CRFs)的显着性融合算法,以产生标注结果。CRFs的参数以Tobii眼动跟踪结果为依据,通过最大似然估计算法学习出来。实验结果表明,该模型优于当前的8种典型算法,与心理学实验结果有较好的一致性。(本文来源于《高技术通讯》期刊2013年03期）
多尺度随机场论文开题报告
（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：
针对利用经典高阶条件随机场模型进行点云分类时,由于海量节点和无向边导致的点云分类效率低的问题,提出一种结合多尺度体素和高阶条件随机场的点云分类方法.首先以多尺度体素代替海量离散点云作为无向图图模型节点,减少节点和无向边的数量;然后使用超体分割结果作为高阶团,并基于此设计了一种非监督分布性空间上下文作为高阶团特征向量,用于改善分类结果;最后结合构建的图模型和各阶特征向量,采用经典高阶条件随机场模型实现点云数据的自动分类.采用Oakland标准数据集作为实验数据,实验结果表明,该方法在有效地保证分类精度的前提下,高阶条件随机场点云分类模型的分类效率提高了5～10倍.
（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。
多尺度随机场论文参考文献
[1].汪萍.基于多尺度条件随机场的语义图像分割深度卷积网络[J].宿州学院学报.2019
[2].邵磊,董广军,于英,张阿龙,姚强强.结合多尺度体素和高阶条件随机场的点云分类[J].计算机辅助设计与图形学学报.2019
[3].董永峰,杨雨?,王利琴.基于多尺度特征提取和全连接条件随机场的图像语义分割方法[J].激光与光电子学进展.2019
[4].李凯,韩冰,张景滔.基于条件随机场与多尺度卷积神经网络的交通标志检测与识别[J].计算机应用.2018
[5].孟月波,刘光辉,徐胜军,冯峰.一种具有边缘保持的多尺度马尔可夫随机场模型图像分割方法[J].西安交通大学学报.2019
[6].杨俊涛,康志忠.多尺度特征和马尔可夫随机场模型的电力线场景点云分类法[J].测绘学报.2018
[7].解超,王安琪,柳鹏.多尺度马尔科夫随机场在基于高分辨率合成孔径雷达影像的城市地物分类中的应用[J].数字通信世界.2016
[8].杜明芳,王军政,李多杨,何玉东.基于语义树Markov随机场模型的地面机器人多尺度道路感知[J].兵工学报.2016
[9].景军锋,李阳,李鹏飞,焦洋.基于小波域多尺度Markov随机场的织物印花图案分割[J].纺织学报.2014
[10].赵志诚,白雅娟,周仁来,蔡安妮.基于Tobii眼动和多尺度条件随机场的视觉显着性模型[J].高技术通讯.2013
论文知识图
