导读:本文包含了卷积模板论文开题报告文献综述及选题提纲参考文献，主要关键词:多模态影像,影像匹配,深度学习,Siamese网络
卷积模板论文文献综述
南轲,齐华,叶沅鑫[1]（2019）在《深度卷积特征表达的多模态遥感影像模板匹配方法》一文中研究指出多模态遥感影像间(光学、红外、SAR等)存在显着的非线性辐射差异,传统方法难以有效地提取影像间的共有特征,匹配效果不佳。鉴于此,本文将深度学习方法引入影像匹配中,提出了一种基于Siamese网络提取多模态影像共有特征的匹配方法。首先通过去除Siamese网络中的池化层和抽取特征来优化该网络,保持特征信息的完整性和位置精度,使其可有效地提取多模态影像间的共有特征,然后采用模板匹配策略,实现多模态遥感影像高精度匹配。通过利用多组多模态遥感影像进行试验,结果表明,本文方法的匹配正确率和匹配精度都优于传统的模板匹配方法。(本文来源于《测绘学报》期刊2019年06期）
蔡逸超,周晓,宋明峰,牟新刚[2]（2019）在《应用多尺度多方向模板卷积的筒子纱缺陷检测》一文中研究指出针对筒子纱不规则的纹理基元增加缺陷检测难度的问题,提出一种基于多尺度多方向模板卷积的筒子纱表面网纱缺陷检测算法。首先通过系统采集筒子纱的顶面纹理图像;其次对原图像进行OTSU阈值处理,并采用椭圆拟合确定纹理位置,利用极坐标变换将其展开;然后利用水平方向一维高斯差分算子提取边缘,通过改变高斯核的标准差获取多个尺度的边缘图像;进而将0°～180°角度区间量化成多个方向模板与各尺度的边缘图像进行卷积,并投票记录每个像素位置在各尺度下的多方向模板卷积结果的最大值;最后,选取经验阈值对最强卷积响应进行分割得到缺陷图像。实验结果表明,该方法可有效检测筒子纱表面的网纱缺陷,识别准确率达0. 96。(本文来源于《纺织学报》期刊2019年04期）
李东升[3]（2019）在《基于奶牛活动量数据和卷积神经网络的模板匹配奶牛识别的研究》一文中研究指出奶牛识别是奶牛管理的重要组成部分,传统的奶牛识别方式以人工识别为主,但这种工作效率低,识别结果因人而异。随着近几年的科技发展,电子标签识别(RFID)技术和图像识别技术也被应用于奶牛识别。但是,耳标式电子标签识别技术使用便捷但是存在掉标率高和工作范围受限的问题,瘤胃式电子标签则存在成本较高的问题;而图像识别技术则存在数据采集必须在本地工作、无法实时处理采集数据给出识别结果的问题。针对上述问题,本文提出了基于奶牛活动量数据和卷积神经网络的模板匹配识别奶牛的方法,该方法具有识别准确度高、可以远程实时进行奶牛识别工作的优点。本文主要研究基于奶牛活动量数据和卷积神经网络模板匹配识别奶牛,提出了基于卷积神经网络的奶牛识别算法和基于奶牛活动量特征值的奶牛识别算法,并将两者相结合,以卷积神经网络的奶牛识别算法作为奶牛识别的初步筛选算法,将奶牛活动量特征值的奶牛识别算法作为奶牛识别的确认算法。本文主要完成了以下工作:一是奶牛活动量数据收集及其预处理。奶牛活动量数据指奶牛头部运动数据、吞咽量数据、一般运动数据等的综合信息。本文通过数据采集装置将相应数据收集并上传至数据库进行存储。进入数据库内的奶牛活动量数据还将通过程序进行预处理提取出相应的特征值并存储。二是应用卷积神经网络对奶牛活动量数据进行训练分类。首先,将奶牛活动量数据制成12小时时段的波形图,然后将该波形图通过卷积神经网络进行训练分类获得分类模板,将被测试数据通过卷积神经网络进行训练后获得初步筛选的分类结果,将该结果作为初步匹配结果。叁是提出了提取奶牛活动量数据特征值的算法以及通过该特征值识别奶牛的方法。将初步匹配识别结果识别匹配分类组的特征值进行二次识别,进而给出确认结果,通过该识别方法有效地提升了奶牛识别的准确率。最后,本文还进行了实地测试工作。通过对实例的研究与完善,压缩了所需测试数据的时间长度,进一步提升了系统的工作效率,使该方法具有工程应用价值。(本文来源于《内蒙古大学》期刊2019-04-02）
刘星星,沈波[4]（2018）在《基于深度卷积特征的多模板视觉追踪》一文中研究指出针对视觉追踪的模板匹配和更新问题,提出了一种基于深度卷积特征的多模板视觉追踪算法。该方法通过学习不同更新速率的模板分别预测追踪目标的初始位置,然后对多个定位结果加权融合得到目标位置;同时提出一种目标丢失因子作为判别目标是否丢失的依据,从而减少了模板的错误更新率,更好的解决了目标遮挡、快速移动、形变等跟踪难点问题。在追踪基准数据集上的实验结果表明,该方法比目前一些优秀的算法取得了更好的效果。(本文来源于《2018中国自动化大会(CAC2018)论文集》期刊2018-11-30）
郭东昕,陈开颜,张阳,胡晓阳,魏延海[5]（2018）在《基于Alexnet卷积神经网络的加密芯片模板攻击新方法》一文中研究指出针对经典高斯模板攻击存在的问题,在分析了卷积神经网络方法具有的优势的基础上,提出了一种基于卷积神经网络的加密芯片旁路模板攻击新方法;该方法可以有效地处理高维数据,且可以通过不断地调整网络权值与偏置实现对数据无限逼近,明确分类的精确关系,提高模板刻画精度;最后选取AT89C52微控制器(单片机)运行的AES加密算法第一轮异或操作为攻击点,与传统的模板攻击进行了对比实验,实验结果表明:虽然在匹配成功率方面稍低于传统的模板攻击,模型结构和超参数仍需要进一步优化,但新方法在处理高维特征点方面较传统的模板攻击具有较大优势。(本文来源于《计算机测量与控制》期刊2018年10期）
董林鹭,杨平先,陈明举[6]（2018）在《基于阶乘权值模板的卷积滤波算法》一文中研究指出针对传统的空域平滑卷积模板的权值系数未有效利用图像相邻空间的位置信息,本文构建一种平滑卷积模板的权值系数由图像相邻距离的阶乘确定的空域滤波方法。通过对比实验证明,本文提出的基于阶乘权值模板的卷积滤波算法更好地地保留图像的细节与轮廓信息,峰值信噪比与结构相似度都有一定的提高,图像去噪性能更优。(本文来源于《电子世界》期刊2018年17期）
郭东昕,陈开颜,张阳,张晓宇,李健龙[7]（2019）在《基于VGGNet卷积神经网络的加密芯片模板攻击新方法》一文中研究指出针对传统模板分析在实际攻击中的难解问题,重点研究了在图像识别领域具有优异特征提取能力的VGGNet网络模型,提出了一种基于VGGNet网络模型的模板攻击新方法。为了防止信号质量对模型准确率带来较大影响,采用相关性能量分析方法对采集到的旁路信号质量进行了检验;为了适应旁路信号数据维度特征,对网络模型结构进行适度调整;在网络训练的过程中,对梯度下降速率较慢、梯度消失、过拟合等问题进行了重点解决,并采用5折交叉验证的方法对训练好的模型进行验证。最终实验结果表明,基于VGGNet模型的测试成功率为92. 3%,较传统的模板攻击效果提升了7. 7%。(本文来源于《计算机应用研究》期刊2019年09期）
王鹏翔,郭敬滨,谭文斌,李醒飞[8]（2018）在《结合多模板的多域卷积神经网络视觉跟踪算法》一文中研究指出为了适应视觉跟踪过程中目标外观变化,提高视觉跟踪算法的鲁棒性,本文基于卷积神经网络(Convolutional Neural Network,CNN)并结合多域学习法与多模板管理,提出一种通过树形结构管理多模板的多域卷积神经网络(Multi-Domain CNNs with Multiple Models in a tree structure)视觉跟踪算法。首先使用大量已标记目标位置的视频数据预训练多域结构的CNN,使CNN卷积层可从图像中提取出适用于跟踪任务的特征。然后在跟踪时中对CNN全连接层进行微调以适应跟踪目标,并使用树形结构管理存储不同时间段的目标模板得到模板树。使用模板树综合评价待检测帧,估计目标位置。最后按照一定规则将新模板添加进模板树,完成模板的更新。实验表明,该算法对跟踪过程中目标外观的变化有着良好的适应性,同时多模板可抑制CNN在跟踪时产生的模板漂移问题。(本文来源于《红外技术》期刊2018年01期）
王鹏翔[9]（2017）在《基于卷积神经网络与多模板的视觉跟踪算法研究》一文中研究指出视觉跟踪是机器视觉的主要研究方向之一。目标检测法是视觉跟踪常用方法,其本质上是图像分类任务,相较于多类别分类任务,它只需区分目标和背景这两种类别。所以提高分类器的性能是提高跟踪任务成功率和准确率的关键。近年来随着大数据、云计算、GPU和AI芯片的迅速发展,之前由于计算速度慢、数据量不足而得不到重视的人工神经网络算法被应用于实践。卷积神经网络(Convolutional Neural Network,CNN)作为一种神经网络结构,在处理图像时避免了人工设计特征,可直接处理原始图像,使得其卷积层提取的图像特征对跟踪任务有着更强的针对性和适用性。神经网络需要使用大量已标注的数据进行训练,但是在一个跟踪任务中,已标注的训练数据仅有第一帧或仅有一张图片。训练数据的不足会导致模型的过拟合,于是针对训练数据不足的问题本文引入了多域学习法进行网络的预训练。但是传统的CNN在跟踪任务中对于目标的遮挡和非刚性形变容易产生模板漂移的问题,而采用多模板策略可以抑制这种漂移。于是为了适应视觉跟踪过程中目标外观变化,提高视觉跟踪算法的鲁棒性,本文研究了CNN在视觉跟踪领域的应用,并基于CNN结合多域学习法与多模板管理,提出一种通过树形结构管理多模板的多域卷积神经网络(Multi-Domain CNNs with Multiple Models in a tree structure)视觉跟踪算法。首先使用大量已标记目标位置的视频数据预训练多域结构的CNN,使CNN的卷积层可从图像中提取出适用于跟踪任务的特征。然后在跟踪时中对CNN全连接层进行微调以适应跟踪目标,并使用树形结构管理存储不同时间段的目标模板得到模板树。使用模板树综合评价待检测帧,估计目标位置。最后按照一定规则将新模板添加进模板树,完成模板的更新。实验表明,该算法对跟踪过程中目标外观的变化有着良好的适应性,同时多模板可抑制CNN在跟踪时产生的模板漂移问题。(本文来源于《天津大学》期刊2017-12-01）
陆惟见[10]（2017）在《基于卷积网络的多模板鲁棒目标跟踪方法研究》一文中研究指出目标跟踪是计算机视觉研究领域的热点之一,本文首先介绍了目标跟踪技术的研究背景和发展现状,描述了目标跟踪中特征提取和运动估计两个关键部分,并简要分析了跟踪过程可能遇到的难点。大部分目标跟踪算法可分为两个步骤:目标特征提取和运用目标特征实现跟踪的算法。在复杂背景或目标被局部遮挡时,目标特征信息的唯一性和稳定性下降,使得跟踪算法不能准确的区分目标和背景,导致跟踪算法失效;目标模型更新策略同样是维系稳定跟踪的重点,跟踪算法中不可缺少的一部分。目前的模型更新方法仅依赖来于上一帧或最近帧定位到的目标信息,跟踪的历史信息未充分利用,当发生遮挡和形变后,跟踪算法不能准确的重新定位目标。针对上述问题本文提出算法采用了归一化距离加权函数和多模板模型更新策略,归一化加权方法通过目标模板像素到模板中心的距离构建加权函数,在复杂背景时可对目标特征进行增强,减少背景对目标特征信息的干扰;多模板模型更新策略可以在跟踪过程提供更完备的目标模型匹配信息,本文基于该更新模型结合卷积网络提出一种新的运动目标跟踪方法。与目前热点运动目标跟踪方法在V0T2015运动目标跟踪测试视频集下的对比实验表明,本文方法对于遮挡现象和目标自身形变具有较强的鲁棒性和较高的准确性。(本文来源于《昆明理工大学》期刊2017-03-01）
卷积模板论文开题报告
（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：
针对筒子纱不规则的纹理基元增加缺陷检测难度的问题,提出一种基于多尺度多方向模板卷积的筒子纱表面网纱缺陷检测算法。首先通过系统采集筒子纱的顶面纹理图像;其次对原图像进行OTSU阈值处理,并采用椭圆拟合确定纹理位置,利用极坐标变换将其展开;然后利用水平方向一维高斯差分算子提取边缘,通过改变高斯核的标准差获取多个尺度的边缘图像;进而将0°～180°角度区间量化成多个方向模板与各尺度的边缘图像进行卷积,并投票记录每个像素位置在各尺度下的多方向模板卷积结果的最大值;最后,选取经验阈值对最强卷积响应进行分割得到缺陷图像。实验结果表明,该方法可有效检测筒子纱表面的网纱缺陷,识别准确率达0. 96。
（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。
卷积模板论文参考文献
[1].南轲,齐华,叶沅鑫.深度卷积特征表达的多模态遥感影像模板匹配方法[J].测绘学报.2019
[2].蔡逸超,周晓,宋明峰,牟新刚.应用多尺度多方向模板卷积的筒子纱缺陷检测[J].纺织学报.2019
[3].李东升.基于奶牛活动量数据和卷积神经网络的模板匹配奶牛识别的研究[D].内蒙古大学.2019
[4].刘星星,沈波.基于深度卷积特征的多模板视觉追踪[C].2018中国自动化大会(CAC2018)论文集.2018
[5].郭东昕,陈开颜,张阳,胡晓阳,魏延海.基于Alexnet卷积神经网络的加密芯片模板攻击新方法[J].计算机测量与控制.2018
[6].董林鹭,杨平先,陈明举.基于阶乘权值模板的卷积滤波算法[J].电子世界.2018
[7].郭东昕,陈开颜,张阳,张晓宇,李健龙.基于VGGNet卷积神经网络的加密芯片模板攻击新方法[J].计算机应用研究.2019
[8].王鹏翔,郭敬滨,谭文斌,李醒飞.结合多模板的多域卷积神经网络视觉跟踪算法[J].红外技术.2018
[9].王鹏翔.基于卷积神经网络与多模板的视觉跟踪算法研究[D].天津大学.2017
[10].陆惟见.基于卷积网络的多模板鲁棒目标跟踪方法研究[D].昆明理工大学.2017