卷积滤波论文_王巍,周凯利,王伊昌,王广,袁军

导读:本文包含了卷积滤波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:卷积,神经网络,特征,目标,尺度,算法,视觉。

卷积滤波论文文献综述

王巍,周凯利,王伊昌,王广,袁军^[1]（2019）在《基于快速滤波算法的卷积神经网络加速器设计》一文中研究指出为减少卷积神经网络(CNN)的计算量,该文将2维快速滤波算法引入到卷积神经网络,并提出一种在FPGA上实现CNN逐层加速的硬件架构。首先,采用循环变换方法设计行缓存循环控制单元,用于有效地管理不同卷积窗口以及不同层之间的输入特征图数据,并通过标志信号启动卷积计算加速单元来实现逐层加速;其次,设计了基于4并行快速滤波算法的卷积计算加速单元,该单元采用若干小滤波器组成的复杂度较低的并行滤波结构来实现。利用手写数字集MNIST对所设计的CNN加速器电路进行测试,结果表明:在xilinx kintex7平台上,输入时钟为100 MHz时,电路的计算性能达到了20.49 GOPS,识别率为98.68%。可见通过减少CNN的计算量,能够提高电路的计算性能。(本文来源于《电子与信息学报》期刊2019年11期）

张恒,苏飞^[2]（2019）在《基于全相位滤波的卷积窗设计》一文中研究指出理论推导出全相位数字滤波器的频率采样定理,并证明了无窗、单窗条件下系统特性通过频率采样点而双窗条件下则低于采样点的结论。基于矩形窗、Bartlett、Cosine、Hanning、Hamming、Blackman和Papoulis,分别给出全相位单窗和双窗下卷积窗的过渡带宽度、最小旁瓣衰减及旁瓣衰减速度。在此基础上,本文提出了按照最小二乘准则的窗函数构造的新方法,理论推导出窗函数的算术表达式。实验中,基于全相位数字滤波器幅频特性函数,采用最小二乘法设计最小误差的基窗,与Bartlett基窗相比,误差降低2%且过渡带减少6.9 dB。(本文来源于《信号处理》期刊2019年10期）

石晓红,黄钦开,苗佳欣,苏卓^[3]（2019）在《基于卷积网络的边缘保持滤波方法》一文中研究指出边缘保持滤波是计算机视觉、图像处理领域的重要基础理论研究,作为图像预处理操作对后续的处理结果有着重要影响。区别于传统滤波方法,边缘保持滤波方法不仅注重图像的平滑处理,还注重保持边缘细节。卷积神经网络在很多领域得到了应用,并取得显着的成果。本文将卷积神经网络引入边缘保持滤波,利用卷积神经网络的良好扩展性和灵活性来构建深度卷积神经网络模型(Deep Convolutional Neural Network,DCNN),通过3种类型的网络堆迭层,采用反向传播迭代更新网络参数,训练残差图像,实现基于DCNN的边缘保持滤波方法;还构建了基于梯度域的卷积神经网络模型(Gradient CNN,GCNN),对彩色图像的梯度信息进行学习,通过叁层卷积对梯度图进行边缘保持平滑操作,得到边缘保持平滑梯度图,进而利用输入图像引导平滑梯度图进行彩色重建,得到彩色滤波图像。最后通过实验与常见的边缘保持滤波方法进行主观和客观评价对比。DCNN不仅在视觉上达到了其他滤波的效果,同时在处理时间上也存在较大优势,表明DCNN可以通过大量的数据训练有效地拟合出多种边缘保持滤波算法。与其他边缘保持滤波结果相比,GCNN在视觉上可以保持颜色风格与输入图像整体一致,而且图像相似度评价指标也更好,表明GCNN解决了部分滤波处理出现颜色偏差、梯度反转等问题,而且提高了处理效率。(本文来源于《计算机科学》期刊2019年09期）

陈倩倩,王伟^[4]（2019）在《基于卷积神经网络的尺度自适应相关滤波目标跟踪算法》一文中研究指出目标跟踪是计算机视觉领域一项重要而具有挑战的工作,由于现实场景的复杂性,在目标跟踪过程中会因受到目标尺度变化、遮挡、快速运动等影响而出现跟踪漂移或混淆的现象。本文通过线下目标识别数据集中的大量样本训练学习,得到深层卷积神经网络模型以进行特征提取,将目标的深度特征信息有效表达;然后在原有位置相关滤波器的基本框架下,本文再引入了尺度相关滤波器以增强对目标尺度变化的自适应能力,可更好地估计目标;最后结合线下训练模型和线上滤波响应最大的学习过程,提高算法在目标跟踪中的准确性。本文算法在OTB Benchmark公开数据集的50组具有不同视频属性的视频序列上进行测试,分别与一些主流跟踪算法比较,结果表明该算法有较好的成功率和鲁棒性。并在快速运动、尺度变化、运动模糊、遮挡等复杂环境下表现出了较好的应对能力。(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）

李健鹏,尚振宏,刘辉^[5]（2019）在《融合多层卷积特征的相关滤波运动目标跟踪算法》一文中研究指出在目标跟踪算法中,相关滤波算法近几年来发展迅速,成为了该领域的研究热点。相关滤波跟踪算法具有速度快、效果好等优点,但受限于传统手工特征对目标表达能力不足,仍然难以应对诸如形变、遮挡、模糊等情形。最近,卷积神经网络在诸多领域取得了极大的成功,研究人员将相关滤波与卷积特征相结合,克服了传统手工特征缺少目标语义信息的缺点。为了有效处理目标外观变化,文中提出一种融合多层卷积特征的相关滤波运动目标跟踪算法。该算法将目标跟踪分为预测位置和估计尺度两个步骤:提取多层卷积特征并在每个卷积层上估计目标位置,通过固定权重将所有卷积层的结果融合以确定目标的最终位置;确定位置后通过提取目标多个尺度的方向梯度直方图特征来估计目标的最佳尺度。在公开数据集中选取20段视频来验证所提算法,并将该算法与4种运动目标跟踪算法进行比较。实验数据表明,与次优的基于传统手工特征的DSST算法相比,所提算法的距离精度提高了48.9%,重迭精度提高了51.9%;与同样使用卷积特征的HCFT算法相比,其距离精度提高了19.1%,重迭精度提高了25.2%。文中提出的算法较好地克服了传统手工特征表达能力弱的缺点,其性能优于使用手工特征的传统相关滤波跟踪算法,相比同样使用卷积特征的相关滤波算法也有所提高。在目标发生遮挡、模糊等复杂情况下,该算法仍然能够准确跟踪目标。(本文来源于《计算机科学》期刊2019年07期）

吴灏,周亮,李亚星,郭宇,孟进^[6]（2019）在《基于卷积神经网络和稀疏滤波的调制识别方法》一文中研究指出针对当前通信系统所采用的主要调制方式,提出了一种基于卷积神经网络和稀疏滤波的调制识别方法。首先,分析了利用信号循环谱二维灰度图进行通信信号调制识别的可行性;然后,通过降采样和裁剪技术对循环谱图预处理;最后,设计了深度卷积神经网络架构,并提出了稀疏滤波预训练的方法。仿真结果表明:相比于经典的基于深度学习的调制识别方法,该方法模型简单,优化量少,且在小样本场景下性能最佳,具有很高应用价值。(本文来源于《系统工程与电子技术》期刊2019年09期）

张福涛^[7]（2019）在《基于相关滤波和分层卷积特征的目标跟踪方法研究》一文中研究指出计算机视觉跟踪是计算机视觉和图像处理领域的一个重要的方向,在智能视频监控、智能交通系统、现代军事和医疗等领域有着广泛的应用前景。计算机视觉跟踪本质是在一组给定初始位置的视频序列里鲁棒的估计被跟踪目标的运动状态,包括运动的位置和尺度变化,进而对被跟踪目标的运动姿态进行识别以及对该目标运动趋势的预测和其异常行为的检测。基于相关滤波器的视觉跟踪算法借助于循环样本和核技巧的优势使得跟踪算法复杂度降低,跟踪速度加快,其高速鲁棒的性能吸引了计算机视觉跟踪领域研究人员的广泛关注。近年来,基于卷积神经网络和相关滤波器结合的算法已成为当下的研究热点,尽管利用卷积神经网络提取特征或建立端到端的网络进行跟踪均取得了显着成效,然而运动场景的复杂多变使得视觉目标跟踪仍旧面临诸如尺度变化,严重遮挡,丢失视野等问题。针对上述问题,本文对基于传统相关滤波和分层卷积特征的目标跟踪算法进行提升改进。针对目标在跟踪过程中遇到尺度变化,严重遮挡和出视野等挑战,本文基于传统核相关滤波器提出了一种融合自适应相关滤波器、Kalman滤波器和SVM(Support Vector Machine)重检测器的长期视觉跟踪算法,并应用自适应模型更新策略防止目标模型更新错误目标。实验结果表明,本文提出的跟踪器在跟踪长期视频目标过程中表现优异,在OTB2013基准数据集基于遮挡和出视野属性的视频序列中,本文算法的跟踪准确率和成功率相对于传统的核相关滤波跟踪器有了较好的提升。针对目标在跟踪过程中遇到尺度变化、模型漂移等问题,本文基于相关滤波器和深度卷积网络提出了一种融合相关滤波器和分层卷积特征的快速尺度相关跟踪算法,利用分层卷积特征加权输出响应图定位目标位置,增加尺度相关滤波器用于尺度检测,并利用PCA(Principal Component Analysis)降低尺度样本的特征维度,以平衡跟踪算法尺度检测和跟踪速度的关系,并通过自适应模型更新策略防止目标模型发生漂移。实验结果表明,本文提出的跟踪器在具有尺度变化和遮挡属性的视频序列中表现优异,在OTB2013基准数据集中,跟踪速度保持实时的前提下,跟踪成功率相对于不含尺度检测模块的分层卷积特征跟踪器有了一定程度的提升。(本文来源于《西安邮电大学》期刊2019-06-01）

车满强^[8]（2019）在《基于深度卷积特征的相关滤波视觉跟踪算法研究》一文中研究指出计算机视觉跟踪技术在智能交通、监控、人机交互等领域有着广泛的应用,随着计算机性能的不断提升,以及人工智能等技术的快速发展,视觉跟踪技术也取得了长足的进步。然而现有的跟踪算法在遇到复杂环境变化,以及目标自身表观模型的改变时,存在高精度的跟踪算法不易满足实时性要求,快速的跟踪算法的精度不高的问题。因此本文结合深度学习和相关滤波视觉跟踪框架,以保证实时跟踪为前提,尽可能提升跟踪的精度为目标,从深度卷积特征选取、相关滤波模型训练、目标位置预测、模型更新四个方面进行算法改进,提出了四种视觉跟踪算法,其主要工作如下:(1)为减少深度卷积特征的冗余性,提高算法速度和精度,设计了一种自适应卷积特征选择算法。该算法利用目标区域与搜索区域的特征均值比对卷积层和卷积通道进行评估,选择有效卷积特征进行目标跟踪。在OTB-100数据集上对该算法进行了测试,平均距离精度达86.4%,速度达29.9帧/秒,满足实时跟踪的要求。(2)为充分利用不同卷积层特征的优势,设计了一种自适应卷积特征切换跟踪算法。该算法选用了跟踪性能较好的两层中高层卷积特征,使用自适应卷积特征选择算法减少卷积通道数,同时利用峰旁比选择每一帧适合的单层卷积特征进行跟踪,保证实时跟踪的前提下提升了跟踪的准确度。在OTB-100数据集上进行测试,跟踪的平均距离精度达89.3%,平均速度为25.8帧/秒,提升了跟踪精度,达到实时跟踪的要求。(3)根据每个卷积通道的不同特性,提出了一种基于通道可靠性加权的精定位跟踪算法。该算法先选取适合目标跟踪的单层卷积特征,利用自适应卷积特征选择算法选取有效卷积特征,减少特征的维度,提高跟踪速度;然后为了避免卷积特征层数和通道数减少对跟踪精度的影响,构造了通道加权相关滤波算法提高目标跟踪精度,并利用峰旁比评估目标定位的可靠性,通过帧差均值最小化精定位算法抑制累积误差,提升定位准确性。在OTB-100数据集上对算法进行测试,平均距离精度为91.3%,跟踪速度达31.9帧/秒,进一步提高了跟踪的精度和速度。(4)为了提升算法整体的鲁棒性,提出了基于通道裁剪的连续卷积跟踪算法。该算法选用裁剪的卷积模型提高卷积特征的计算速度,对选取的卷积特征进行通道裁剪,减少卷积特征的维度,同时融合梯度直方图和颜色属性特征,在连续卷积相关滤波框架下进行跟踪,采用自适应迭代方法减少精定位迭代次数,提升跟踪的实时性。在OTB-2013、OTB-2015、VOT-2016和VOT-2017数据集上对提出的算法进行了测试,在OTB-100上的跟踪精度达到了93.8%,进一步提升了跟踪算法的精度和稳定性。(本文来源于《北方工业大学》期刊2019-05-20）

王明雪,杨海清,徐勇军^[9]（2019）在《卷积神经网络与核相关滤波相结合的跟踪算法》一文中研究指出卷积神经网络已经在计算机视觉领域得到了成功的应用,在目标跟踪方面的相关滤波算法也得到了极大的关注,针对卷积神经网络的训练需要花费大量数据和时间,以及跟踪目标的不确定性,本文提出了一种在线的卷积神经网络训练方法,通过完全前馈的浅网络层提取目标上下文的特征,并结合核相关滤波算法进行目标跟踪,最后在Object Tracking Benchmark中进行实验测试,结果表明仅用两层简单的网络层提取目标特征,作为核相关滤波的多通道特征进行目标跟踪也能达到优秀的结果.(本文来源于《小型微型计算机系统》期刊2019年04期）

李贝贝,李志华,班晓征^[10]（2019）在《GPU加速卷积反投影算法的滤波并行化方法》一文中研究指出当重建的图像规模偏大、实时性要求高时,卷积反投影(CBP)重建过程比较慢,达不到预期满意的速度。针对这一不足,通过深入研究卷积反投影算法的原理,优化投影数据在图形处理器(GPU)中的存储结构、分析和挖掘算法执行过程中滤波阶段的可并行性,对其中的滤波操作进行并行化处理,从而提出并行滤波过程的方法。通过在MATLAB进行仿真实验,实验结果表明:所提出的并行化方法在保证重建图像精度和清晰度的前提下,同串行卷积法相比较,滤波过程运算的加速比得到了较大程度的提高。(本文来源于《传感器与微系统》期刊2019年04期）

卷积滤波论文开题报告

（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：

理论推导出全相位数字滤波器的频率采样定理,并证明了无窗、单窗条件下系统特性通过频率采样点而双窗条件下则低于采样点的结论。基于矩形窗、Bartlett、Cosine、Hanning、Hamming、Blackman和Papoulis,分别给出全相位单窗和双窗下卷积窗的过渡带宽度、最小旁瓣衰减及旁瓣衰减速度。在此基础上,本文提出了按照最小二乘准则的窗函数构造的新方法,理论推导出窗函数的算术表达式。实验中,基于全相位数字滤波器幅频特性函数,采用最小二乘法设计最小误差的基窗,与Bartlett基窗相比,误差降低2%且过渡带减少6.9 dB。

（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。

卷积滤波论文参考文献

[1].王巍,周凯利,王伊昌,王广,袁军.基于快速滤波算法的卷积神经网络加速器设计[J].电子与信息学报.2019

[2].张恒,苏飞.基于全相位滤波的卷积窗设计[J].信号处理.2019

[3].石晓红,黄钦开,苗佳欣,苏卓.基于卷积网络的边缘保持滤波方法[J].计算机科学.2019

[4].陈倩倩,王伟.基于卷积神经网络的尺度自适应相关滤波目标跟踪算法[C].第30届中国过程控制会议（CPCC2019）摘要集.2019

[5].李健鹏,尚振宏,刘辉.融合多层卷积特征的相关滤波运动目标跟踪算法[J].计算机科学.2019

[6].吴灏,周亮,李亚星,郭宇,孟进.基于卷积神经网络和稀疏滤波的调制识别方法[J].系统工程与电子技术.2019

[7].张福涛.基于相关滤波和分层卷积特征的目标跟踪方法研究[D].西安邮电大学.2019

[8].车满强.基于深度卷积特征的相关滤波视觉跟踪算法研究[D].北方工业大学.2019

[9].王明雪,杨海清,徐勇军.卷积神经网络与核相关滤波相结合的跟踪算法[J].小型微型计算机系统.2019

[10].李贝贝,李志华,班晓征.GPU加速卷积反投影算法的滤波并行化方法[J].传感器与微系统.2019

论文知识图

标签：卷积论文;  神经网络论文;  特征论文;  目标论文;  尺度论文;  算法论文;  视觉论文;