导读:本文包含了中层表示论文开题报告文献综述及选题提纲参考文献，主要关键词:低层特征,特征提取,中层语义表示,场景分类
中层表示论文文献综述
江传华[1]（2016）在《视频低层特征与中层语义表示研究》一文中研究指出随着高速发展的互联网技术与大量普及的智能终端、摄像机等设备,互联网上的视频数据呈爆炸性地增长。对视频数据的处理,例如分类、检索与管理等都随之成为研究热点,因此视频的内容分析技术成为一个先决条件。对视频内容分析的研究,目前存在着如下的几个问题:1)视频低层特征中存在大量冗余信息。如何有效的压缩冗余信息并且保留低层特征的基本鲁棒性和可区分性;2)语义鸿沟问题。低层特征不具备视频的情感、场景和行为等高层语义,如何打破这其中存在的语义鸿沟;3)视频内容分类建模问题。对提取得到庞大的视频信息数据,如何有效的进行分类建模以更好地适用于视频的分类、检索等应用。为了解决上述问题,本文主要围绕着视频低层特征和中层语义表示、以及在视频中层语义表示的分类建模上进行了研究,本文的主要研究工作如下:(1)在研究视频低层特征方面,由于目前视频关键帧提取算法对海量视频数据通用性不强,本文采取了均匀采样提取视频代表帧,在每一幅代表帧中提取较低维度SIFT(Short SIFT,简称S-SIFT)特征,并融合局部密度聚类方法,对冗余特征进行聚类压缩得到特征块(Patch of S-SIFT,简称PSIFT),在视频空间域上压缩冗余信息。由于相邻视频帧之间存在大量的相似信息,本文在时间域上对代表帧中的PSIFT特征块采用目标跟踪的方法进行逐帧跟踪,对相似特征块进行累积取均值再次在时间域上压缩冗余信息。通过实验验证本文提出的基于视频时空属性压缩的低层特征(Temporal compression of PSIFT,简称TCPSIFT)能有效的压缩视频的冗余信息并且保持了基本的鲁棒性和可区分性。(2)在研究视频中层语义表示方面,分析了图像中层部件提取算法存在的问题,并在此基础上,结合图像上下文感知显着性检测,在视频代表帧提取中层部件的初始数据选取上,计算每个中层部件在整体图像中的显着度权重,选取权重较高的中层部件作为交叉迭代的初始部件,最终得到更具语义信息的中层部件。(3)借鉴文本分类模型思想,在视频中层语义表示的基础上构建视频场景分类模型,并且在建模中采用了局部密度聚类方法,克服了传统文本分类模型使用K-means方法带来的初始聚类中心不确定性和不断迭代直至收敛的不足。(本文来源于《深圳大学》期刊2016-06-30）
董震,裴明涛,吴心筱,贾云得[2]（2015）在《从正面车辆图像中识别车型的中层特征表示方法》一文中研究指出为有效识别正面车辆图像中的车辆类型,提出了一种车辆中层特征表示方法.该方法以SIFT特征为底层特征,建立两类中层特征:结构特征分布和表观特征分布.结构特征分布是对SIFT特征在图像中位置信息的统计,描述车辆不同部分之间的相对位置关系,在不同类车辆之间以及车辆与背景之间具有较强的判别力;表观特征分布是对SIFT特征本身的统计,描述车辆的局部表观信息,对光照变化和背景干扰十分鲁棒.利用多核学习方法融合两类中层特征,进而识别车辆类型.实验结果表明,该方法在光照变化和有背景干扰等复杂情况下表现出良好的车型识别性能.(本文来源于《北京理工大学学报》期刊2015年05期）
矫月[3]（2014）在《朗姿股份推933万股员工持股计划 董秘称将130名骨干与公司利益捆绑在一起》一文中研究指出自今年5月份，国务院发布资本市场新“国九条”，明确上市公司可以根据员工意愿实施员工持股计划后，证监会也紧跟着发布了《关于上市公司实施员工持股计划试点指导意见》（以下简称：《指导意见》），此后，越来越多的上市公司开始选择推出各种员工持股计划。而曾经终止股权(本文来源于《证券日报》期刊2014-11-04）
赵悦[4]（2014）在《基于中层特征表示的图像分类研究》一文中研究指出随着互联网技术的高速发展,网络中积累了大量的数字图像和视频数据,这些数据为人们的使用带来了新的技术挑战。为此,许多专家学者对图像分类、图像检索、目标识别等领域进行了相关研究,而图像特征提取是这些研究的基础工作。图像特征提取是将图像映射到特征集合的过程,针对图像特征提取,目前已经提出了许多优秀的算法,这些算法可以根据语义表达能力的不同进行分类。其中,基于中层语义的特征表示因其性能较好而成为人们关注的研究对象。本文对典型的底层特征表示和中层特征表示进行了分析和改进,并通过图像分类实验对性能进行了验证,具体工作如下：第一,提出了一种基于词袋模型(BoW)的图像空间语义中层特征方法。由于BoW及其改进方法假设视觉词间相互独立,而这种假设忽视了视觉词间的关联性,所以本文提出了结合空间语义信息的图像特征表示方法。该方法通过计算图像中视觉词间的分布距离提取相似的视觉词,组成视觉短语,融入图像的全局空间信息；同时,在这些视觉短语中提取具有语义代表性的视觉短语,建立短语词典来加入图像的语义信息。结合视觉词间的这两种信息,构成新的图像空间语义特征。在UIUC-Sports8图像库和Scene-15图像库进行图像分类实验,实验结果表明这种结合空间语义信息的特征具有更好的分类准确率。第二,对局部二值模式(LBP)进行改进：1)提出了一种基于LBP的纹理短语特征方法；2)提出了一种基于BoWL的图像空间语义特征方法。实验表明,这两种方法都取得了较好的图像分类效果。最后,针对当前网络图像特征方法的实际情况,以及LBP的简单性和较好的表达力,本文还研究了LBP对实际网络图像分类的作用,通过实验结果可以看出该方法能够有效地对网络文字图像进行表示。(本文来源于《北京交通大学》期刊2014-02-01）
解文杰[5]（2011）在《基于中层语义表示的图像场景分类研究》一文中研究指出随着多媒体技术和计算机网络技术的发展,人们接触到的图像数据以前所未有的速度增长。面对海量的图像资源,如何有效地分析、组织和管理图像数据,实现基于内容的图像检索成为多媒体技术的研究热点。场景分类(Scene Classification)任务就是在这种背景下产生的。场景分类根据给定的一组语义类别对图像数据库进行自动标注,为指导目标识别等更高层次的图像理解提供了有效的上下文语义信息。其研究的难点在于如何使计算机能够从人类的认知角度来理解图像的场景语义信息,有效辨别图像场景类内差异性和场景类间相似性。本文在场景的中层语义表示的基础上,着重讨论了如何从场景图像中提出有效的视觉特征,弥合图像低层特征和高层语义之间的语义鸿沟。围绕该问题,本文取得了以下研究成果：提出了一种构建类别视觉辞典的场景分类算法,该算法使用互信息作为特征选择方法来构建类别视觉辞典。根据视觉单词对给定类别的贡献度,从全局视觉辞典中选择对给定类别贡献度高的视觉单词,组成该类的类别视觉辞典,进而生成类别直方图。最终的融合直方图由基于全局视觉辞典的全局直方图和基于类别视觉辞典的类别直方图通过自适应加权合并生成,这种加权合并方法可以使类别直方图和全局直方图通过互相竞争的方式来描述图像。融合直方图不仅可以保留全局直方图的的区分能力,而且通过类别直方图加强了不同类别的相似场景的区分能力,以克服不同场景类别间的相似性问题,提高分类正确率。提出了一种基于不同特征粒度的多尺度多层次场景分类模型(Multi-Scale Multi-Level Generative Model, MSML-pLSA)。该模型由两部分组成：多尺度部分负责从不同尺度的场景图像中提取视觉细节,构建多尺度直方图；多层次部分将对应不同数量语义主题的场景表示线性连接生成最终的场景表示一多尺度多层次直方图MSML-pLSA模型可以在一个统一的框架下整合了不同粒度的视觉信息和语义信息,从而得到更加完善的场景描述。提出了一种使用无监督学习方法提取上下文信息的场景分类算法,该算法将局部视觉单词扩展到上下文视觉单词。上下文视觉单词不仅包含了当前尺度下给定感兴趣区域(Region Of Interest, ROI)的局部视觉信息,而且还包含了ROI相邻区域和相邻粗糙尺度下与ROI同中心的区域包含的视觉信息。通过引入ROI的上下文信息,上下文视觉单词能够更加有效地描述图像场景的语义信息,从而减少了图像场景语义的歧义性,进而减少了场景分类的错误率。研究了基于词包模型(Bag of Words, BoW)表示的特征点的数量对分类正确率的影响。在构建词包模型的过程中,如何选取特征点,以便能更好地表征图像的视觉信息是一个非常重要的工作。在场景分类领域中有一个普遍认同的观点,即较大数量的特征点可以获得较高的分类正确率,但是该观点却没有被验证过。在词包模型的框架下,本文做了大量的实验来验证这个观点,本文采用了四种特征选择方法和叁种不同的SIFT特征(Scale Invariant Feature Transform)来改变特征点的数量。实验结果证明特征点的数量可以明显影响场景分类的正确率。(本文来源于《北京交通大学》期刊2011-04-01）
徐媛[6]（2009）在《全面推进机关作风和效能建设》一文中研究指出本报讯 5月16日上午，全市市直机关广大中层干部就机关作风和效能建设展开座谈。 讨论中，大家围绕加强党性修养，提高中层干部的执行能力，提升机关效能，改进机关工作作风等众多直接关系到我市经济社会发展的深层次问题，踊跃发言，提出了意见或建议。大家一(本文来源于《安庆日报》期刊2009-05-18）
中层表示论文开题报告
（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：
为有效识别正面车辆图像中的车辆类型,提出了一种车辆中层特征表示方法.该方法以SIFT特征为底层特征,建立两类中层特征:结构特征分布和表观特征分布.结构特征分布是对SIFT特征在图像中位置信息的统计,描述车辆不同部分之间的相对位置关系,在不同类车辆之间以及车辆与背景之间具有较强的判别力;表观特征分布是对SIFT特征本身的统计,描述车辆的局部表观信息,对光照变化和背景干扰十分鲁棒.利用多核学习方法融合两类中层特征,进而识别车辆类型.实验结果表明,该方法在光照变化和有背景干扰等复杂情况下表现出良好的车型识别性能.
（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。
中层表示论文参考文献
[1].江传华.视频低层特征与中层语义表示研究[D].深圳大学.2016
[2].董震,裴明涛,吴心筱,贾云得.从正面车辆图像中识别车型的中层特征表示方法[J].北京理工大学学报.2015
[3].矫月.朗姿股份推933万股员工持股计划董秘称将130名骨干与公司利益捆绑在一起[N].证券日报.2014
[4].赵悦.基于中层特征表示的图像分类研究[D].北京交通大学.2014
[5].解文杰.基于中层语义表示的图像场景分类研究[D].北京交通大学.2011
[6].徐媛.全面推进机关作风和效能建设[N].安庆日报.2009