一、A HYBRID METHOD FOR EFFICIENT TARGET RECOGNITION（论文文献综述）
宾康成[1]（2021）在《基于震动感知的运动目标识别关键技术研究》文中进行了进一步梳理开展智慧边境监测的研究具有重大的科学意义和现实意义。作为现代化数字环境中的终端设备,震动传感系统可用于识别运动目标。震动传感系统具有强隐蔽性和非视距检测等特点,因此在边境监测中应用该技术具有独特的优势。虽然基于震动信号的运动目标识别领域已发展二十余载,但相关课题在数据集、目标检测算法和目标分类算法方面都遇到了新的挑战。本文对该领域当前面临的挑战性问题进行了研究,形成了相对完整的目标识别震动感知体系,主要研究内容和创新点如下:（1）地面目标与低空目标诱导震动信号的机理研究。建立了各类目标在运动时的等效力学模型,讨论了地面目标与地表之间的摩擦、冲击作用以及空中目标声震耦合作用产生的震动信号,确定了以瑞利波为主导的运动目标识别方针,分析了层状地质介质中瑞利波的传播机理。通过理论分析,清楚地认识了运动目标震动信号的本质,为目标检测算法和目标分类算法的研究提供了理论指导。（2）独立、丰富的运动目标数据集构建。针对震动数据集匮乏的问题,本文对六大类常见运动目标的震动信号进行了两个季节的数据采集实验,并将所整理的数据集命名为“JL数据集”。数据分析的结果表明,所有类别的数据都符合客观事实和目标实体的运动规律。此外,JL数据集具有良好的信噪比,且信噪比跨度范围广,每类目标数据的信噪比极差都超过了15 d B。所收集的数据为目标检测算法和目标分类算法的测试与评估提供了必要的数据基础。（3）基于容量维数与线性支持向量机的目标检测算法研究。传统目标检测算法大多都依赖于震动信号的能量,在检测能量较弱的信号时存在较高的误报率和漏检率。为了进一步提高目标检测精度,本文提出了容量维数联合支持向量机的目标检测算法（FD-SVM）。容量维数可以定量地描述运动目标震动信号的混沌性和非线性行为,并以此完成震动特征的提取。线性支持向量机用于辨识容量维数中的有效信号成分和干扰噪声成分,从而实现运动目标的准确检测。两个案例研究的实验结果均表明,所提出的FD-SVM算法获得了较好的精确率、召回率和F1分数。对比实验的结果证明,FD-SVM算法在检测弱信号时全面优于基准算法。（4）基于压缩观测的震动深度神经网络目标分类算法研究。深度学习当前成为了分类运动目标震动信号最流行的方法,但是先前建立的深度神经网络主要面临冗余层次特征提取和抵抗噪声能力弱这两个关键问题。为了同时解决这两个问题,本文利用震动信号在时间域上的稀疏性,提出了基于压缩观测的深度学习目标分类算法（CO-SDL）。首先,CO-SDL算法中的测量矩阵将原始震动信号线性投影到压缩域并获得观测值。压缩观测大幅减小了震动数据的维度,但保留了绝大部分的原有信息,同时还压制了噪声能量。然后,CO-SDL算法中的深度神经网络可充分提取震动观测值的非线性特征,并实现观测值与目标类别的准确映射。两个案例研究的实验结果均表明,所提出的CO-SDL算法可高效地推理震动信号的深层关系,借助降维的观测值即可获得较高的分类准确率。与该领域最新的三个深度学习算法相比,CO-SDL算法仅需1/10的计算时间便可达到与之相当的分类性能,并且CO-SDL算法具有更好的抗干扰能力。
王玮[2]（2021）在《面向铁路异物入侵检测的深度神经网络轻量化算法研究》文中研究说明基于视频智能分析的异物入侵检测是铁路周界安全监测与防范领域的重要技术手段,对保障铁路行车安全具有重要意义。近年来,随着深度学习技术的快速发展,基于卷积神经网络等深度神经网络的视频分析算法极大提升了检测性能,但由于深度神经网络存在复杂度高、训练耗时长、计算和存储量大、对硬件需求高等问题,无法在具有大量监控相机的铁路周界安防系统中广泛应用。为此,论文研究卷积神经网络剪枝、压缩训练、网络架构自动优化等系列问题,探索深度神经网络轻量化方法,使铁路视频智能检测算法更好满足硬件资源需求少、实时好、可靠性高等实际应用需求。论文首先针对现有神经网络冗余辨识准则无法准确判断冗余卷积核的问题,提出基于特征图范数的冗余辨识准则,通过计算特征图范数来评估卷积核的重要性。为了进一步提升对各层冗余卷积核的辨识度,提出基于层级特征图范数的辨识准则并对卷积层进行递归剪枝,实现在逐步压缩模型的同时,降低模型的精度损失。在公共数据集CIFAR、SVHN和Image Net上的对比实验结果表明,相较于现有基于卷积核范数的冗余辨识准则,所提算法具备更加精准辨识冗余卷积核的能力,并且在相同的压缩量级下能够获得更高的识别精度,为后续的网络结构化稀疏与快速压缩奠定良好的基础。针对现有剪枝压缩算法普遍需要多次递归剪枝-再训练的问题,论文提出基于结构化特征稀疏训练的卷积神经网络快速压缩算法,通过在常规训练损失函数上增添特征结构化范数正则项,促使特征通道稀疏化和层稀疏化,实现在模型精度稳定条件下网络模型的单步剪枝。与其他现有的剪枝算法不同,结构化特征稀疏训练避免了多轮的递归剪枝-再训练步骤,提升了模型压缩训练的效率,有利于快速完成铁路沿线每个监控相机深度神经网络的独立压缩与优化。在多个公共分类识别数据集上的实验结果表明,所提算法可以增强剩余特征通道的显着性,降低了网络的压缩训练耗时且性能优于现有的剪枝方法。针对现有剪枝压缩算法受到预训练大网络架构的宽度限制、剪枝超参数需人工干预等问题,提出基于具有特征稀疏性学习和相似性度量的动态缩放通道搜索算法。该算法通过增加网络消耗成本、特征稀疏约束和相似性度量三个目标进行网络优化,实现在指定资源条件下对网络架构的端到端搜索。在多个公共分类识别数据集上的实验结果表明,相比于现有轻量化网络和其它压缩算法,所提算法搜索的网络结构能够在占用存储空间更小的条件下获得更高的识别准确度,为后续的轻量化检测算法奠定基础。最后针对铁路场景的多尺度目标快速可靠识别需求,论文提出了包含动态感受野运算与可衡量式密集残差连接的网络结构搜索空间,实现了网络多尺度特征处理和可衡量式的跨层特征信息传递。运用论文提出的搜索算法获取了高效轻量网络结构,以此作为目标检测器的基础骨干网络,实现了轻量化的目标检测算法。在高速铁路异物入侵快速识别应用中,利用多相机混合场景训练与单相机场景迁移训练,所提出的轻量化检测算法能够在占用较低硬件资源的同时,实现更高的识别检测性能。与现有技术相比,论文提出的系列网络轻量化算法可以大幅度压缩和加速神经网络模型,使得深度神经网络模型能够应用于高铁周界入侵的在线识别监测,降低了智能安防系统应用成本,目前已经在多个高速铁路上得到实际应用。
张乐[3]（2021）在《田间除草机器人目标识别与测距方法研究》文中研究表明田间草害一直是影响作物生长发育的重要因素,现有除草方式通常采用人工或者喷施化学除草剂,不仅耗时费力,而且效率低下,大量喷洒化学农药还会产生残留,危害农产品安全。随着人工智能和现代农业的发展,采用机器人进行田间除草作业成为一种有效手段,愈来愈受到国内外科研人员的关注。如何准确、高效的识别区分田间作物与杂草是机器人除草的前提,而多目标测距与除草路径规划成为了技术的关键。本文在充分调研国内外相关技术发展的基础上,开展了田间除草机器人实时目标识别与测距方法的研究,主要工作及结论如下:（1）提出了基于Faster R-CNN深度网络的田间杂草目标识别方法。以自然环境条件下幼苗期的油菜与杂草图像为样本,在Tensor Flow深度学习框架之上,构建了基于不同特征提取网络的Faster R-CNN深度网络模型;通过COCO数据集的深度网络模型进行迁移训练,利用Faster R-CNN深度网络模型和SSD深度网络模型共享卷积特征,分别对比了VGG-16,Res Net-50和Res Net-101特征提取网络,实验结果表明,基于VGG-16的Faster R-CNN深度网络模型在油菜与杂草目标识别中具有明显的优势,其油菜与杂草的目标识别精确度可达83.90%,召回率达到78.86%,1F值为81.30%。（2）提出了基于深度视觉的田间除草机器人多目标测距与除草路径规划方法。以处于“四叶一心”幼苗期的玉米与杂草图像为样本,采用VGG-16特征提取网络的Faster R-CNN深度网络模型,实现实时目标识别和自动剪切分类;采用超绿特征化（EXG）的参数进行图像灰度化处理,基于改进的OTSU算法（IOTSU）实现二值化图像的生成与优化;在Canny边缘检测算子的目标轮廓图像的基础之上,设计了选取目标二维坐标点的二次遍历算法（QTA）以及相应的遍历搜索框;通过将目标二维坐标点映射为三维坐标点,利用深度相机（Realsense D435i）进行多目标测距以及最短除草路径的规划。实验结果表明,大小为100×100的遍历搜索框可以确保目标二维坐标点的精准选取,二次遍历算法的搜索成功率在测试数据集上可以达到90.0%,不仅有效节约了计算资源,而且避免因使用深度相机而产生的大量冗余信息。（3）提出了基于目标识别、目标测距与路径规划集成的实时目标识别与测距方法,并进行了模型部署与方法验证。利用深度相机实时获取视频流中的关键帧图像,经过图像预处理操作并导入训练后的深度网络模型进行目标识别与检测,输出目标分类、目标概率以及目标二维坐标点等信息;将位于像素坐标系下的目标二维坐标点转化为位于相机坐标系下的目标三维坐标点,进行作物与作物、作物与杂草、杂草与杂草之间的测距以及最短除草路径规划。最后,通过模块化编程,封装实时目标识别与测距模型生成API,其功能易于修改与更新,具有较强的可移植性和可迭代性。
王帅[4]（2021）在《装配线仿真与装配件检测关键技术研究及应用》文中指出装配线仿真与装配件检测是装配线管控的重要任务。装配是智能制造的重要生产阶段,装配线是智能制造的关键组成单元,装配线管控也是装配制造中不可或缺的管理控制方式。中国制造2025科学和技术发展规划将数字化和智能化设计制造列为关键研究领域之一,装备制造业列为国家工业化和现代化的重要支柱产业之一,汽车产业列为重点产业项目之一。本论文以汽车装配线为研究对象,从装配线的前期搭建,布局优化实现装配效益最优,再到装配线的后期建成,装配件检测确保装配质量最佳。针对整条装配线布局仿真和装配件检测的主要问题进行深入的研究,紧密结合“三个之一”的“中国智造”核心需求,主要围绕四个关键技术:多目标布局优化、混合现实布局仿真、深度学习目标检测和混合现实装配检测,开展如下研究工作:1.基于组合多目标优化的机器人装配线的三维安全布局方法。针对现有的布局优化方法缺乏考虑机器人的高度信息和装配范围容易产生不安全布局的问题。首先,定义机器人等不规则设备的建模规则,使用蒙特卡罗（Monte Carlo）方法模拟机器人实际装配作业空间;再建立具有安全指标的装配线布局模型,兼顾物流成本最低和占地面积最小的多优化目标;然后,采用改进的结合优化方法求解该模型,有效提升主流的多目标优化算法求解该模型多样性和收敛性不佳的情况;最后,通过安全指标的阈值筛选确定安全布局,三维安全验证确保布局方案的安全性、多样性和经济性。2.基于混合现实的装配线布局人机交互方法。针对混合现实布局设计应用较少且人机交互不够直观灵活的问题,提出一种基于混合现实装配线布局的人机交互方法,为布局设计者提供直观便捷的辅助决策指导。视线跟踪和手势识别结合的方法进行目标选择,提升布局设计者单一手势选择的交互操作感和使用舒适性。针对传统布局需要实地布置,还需要不断的测试调整费时费力的问题,提出虚拟端和现实端数据驱动的装配线仿真方法。以数据驱动为载体,高保真度的完成装配线中各种设备间的信息交互,节约时间成本和人力成本,提高布局设计的时效性。3.基于深度学习的装配件质量检测方法。针对传统图像识别需要人工特征提取耗时长的问题,提出一种基于卷积神经网络目标识别的装配质量检测的方法,有效保证装配件的装配质量和效果。应用Alex Net和Faster R-CNN叠加,实现不同种类装配件的自适应装配检测。针对人为疲劳导致的装配失误,质量检测可跟踪记录检测过程,从管理端、操作端可视化装配线的工艺流程、生产节拍等装配信息。4.混合现实装配检测中深度学习数据增强方法。针对混合现实中装配操作者佩戴Holo Lens移动头戴显示设备具有检测视角多自由度且受检测环境影响大的问题,提出一种混合现实装配检测中深度学习数据增强方法。首先,采用人为最佳数据增强策略的数据预处理方法生成增强数据集;再用改进的图像增强方法,解决图像增强后装配件的部分检测目标特征失真的情况。该方法能有效生成数据增强集,无需大量的人工样本标注,既能有效提升检测模型的泛化能力,又能提高装配检测的识别精度。依托中国科学院沈阳计算技术研究所承担的国家级项目,理论研究成果已经应用于面向大型复杂结构件的多机器人协同制造子系统和基于数字孪生的智能车间管控技术之智能装配线的安全仿真子系统。本论文对装配线仿真与检测具有重要的应用意义。
宣晨[5]（2021）在《基于深度学习的合成孔径雷达图像目标识别研究》文中进行了进一步梳理合成孔径雷达（Synthetic Aperture Radar,SAR）图像在服务地球资源探测、区域发展水平评估和国防体系建设等领域扮演着重要的角色。深度学习技术的不断突破为助力高效解译SAR图像奠定了坚实基础,基于深度学习的SAR图像识别研究也进入了发展的快车道。目前,SAR图像自动识别技术面临着训练样本不足、模型结构复杂和鲁棒性不强的问题。针对以上SAR图像识别任务中面临的难点问题,本文以深度学习框架为基础,结合迁移学习、自注意力机制和知识蒸馏技术展开研究。本文相关的主要研究内容概括如下:（1）针对SAR图像背景充斥严重散斑噪声和训练小样本数据的过拟合问题,本文将空洞卷积（Atrous Convolution）和Inception模块相结合设计出基于迁移学习的TAI-SARNet（Transferred Atrous-Inception SAR Network,TAI-SARNet）,该网络能够指数级的扩增感受野,从而助力模型提取具有判别性的特征信息。除此之外,该网络严格控制参数增长,并结合批归一化策略,缓解因模型参数冗余和内部协变量转变问题造成的过度拟合数据现象。最后,本文联合迁移学习的相关方法,对光学领域、非光学领域、联合光学及非光学领域的先验知识迁移到SAR小样本数据集上的识别性能进行探究,并取得了良好的实验结果。（2）针对深度学习模型难以有效提取和利用小样本数据特征信息的问题,本文借鉴特征重用和特征融合的思想,并结合自注意力机制设计了多尺度特征融合卷积神经网络（Convolutional Neural Network,CNN）。首先,通过将高效轻量的Ghost模块与自注意力机制相结合构建自注意力Ghost模块,并用该模块替代传统的卷积操作,有效的提取SAR图像的显着特征。其次,通过构建高效的瓶颈单元进行网络架构,用以获取目标图像不同层次的特征信息。最后,引入通道混洗单元和最大池化层构建多尺度信息支路,促进信息的充分交互。实验结果表明,本文基于自注意力机制构建的多尺度特征融合网络在多种工作条件下采集的MSTAR数据集上取得了满意的识别结果,在自构建的SAR小样本数据集上也表现出良好的鲁棒性能。（3）针对CNN模型结构复杂和参数冗余的相关问题,本文引入知识蒸馏的相关技术对复杂模型重新设计得到精简的简单模型,并对通过教师模型获得的丰富知识进行蒸馏迁移。知识蒸馏突破了基于参数的迁移学习方法对模型结构的限制,通过调控温度参数的方式蒸馏出具有丰富知识的信息,从而进一步提升简单模型在相关任务上的识别性能。实验的相关结果显示,结合知识蒸馏的简单模型依旧具有类似复杂模型的强大学习能力,也有助于提升其在SAR小样本数据上的识别性能。
张国永[6]（2021）在《增强地理环境的虚实融合制图认知与方法研究》文中研究表明地图以形象化的图形语言表达抽象时空数据中蕴含的空间分布特征与规律,是人们认识世界的重要认知工具。随着制图技术和可视化载体的发展,地图的制图形式愈加丰富,信息表达与交互能力也不断提高。尤其是2016年随着虚拟现实（VR）、增强现实（AR）、混合现实（MR）等的新一波发展浪潮兴起,以Holo Lens、Magic leap、苹果、华为等为代表的商用AR设备成熟,使AR成为地图制图和空间数据可视化的新的媒介载体。在AR制图中,虚拟地图场景叠加于真实环境,构建了虚实融合的三维制图可视化场景,实现了制图空间与其表征的真实环境的统一,改变了经典地图通讯模型中地图空间与真实环境相互分离、割裂的状态。这也使虚实融合制图具备了不同于二维地图的新的认知特征和规律,同时也对传统制图理论和方法提出了新的发展要求。而面对AR、MR等新型制图方式,目前的地图学理论和方法被认为无法提供有效的理论指引,出现了地图理论落后于地图实践的问题。基于此,本文首先分析了虚实融合制图和传统地图制图的差异,明确融合制图的概念和特征;然后利用脑电仪、AR眼动仪等开展用户认知实验,对融合制图中制图变量、认知负荷、空间认知特征等开展量化研究;最后结合融合制图中认知和交互特征,在户外现场和室内模型空间两类融合制图环境中开展了制图方法研究实践,并通过用户实验验证制图方法的有效性。本文的主要成果和创新点如下:（1）从虚实融合制图的数学基础、具身认知、空间认知、社会伦理等多个角度分析了虚实融合制图的特征,明确了增强地理环境虚实融合制图的基本概念。根据环境制图载体类型,将融合制图划分为基于现场环境和基于模型空间的两类虚实融合制图方式,为融合制图提供了基础理论分析框架。（2）量化评估了传统视觉变量在融合制图环境中的视觉引导性和声音“制图”变量的空间引导性,并根据AR制图环境特点拓展了视觉变量的表现形式。实验结果表明,在传统地图中具有显着引导性的颜色视觉变量在融合制图中已无明显优势,且根据任务完成时间、首次凝视时间、注视率指标的综合评估,融合制图中视觉变量引导性排序为:形状≥发光材质颜色>角度尺寸≥反射材质颜色>长度尺寸。此外,实验结果也表明在空间声音引导下可有效压缩视觉搜索范围,使目标检索效率大约有34.5%的提升,从而证明了声音变量具有显着的空间引导性。（3）基于用户实验方法,研究现场环境和模型环境虚实融合制图的认知特征,建立了主、客观结合的融合制图场景认知负荷评估方法。针对现场环境融合制图,通过脑电试验与调查问卷结合方式,综合评估了不同视觉变量作为识别目标时地图场景符号密度的认知负荷过载值。实验结果显示,不同视觉变量的最大符号数量负载量如下:颜色=形状=闪烁=运动（40个）>尺寸=真实环境中目标识别（20个）,相应的认知负荷指数为运动（3.71）>闪烁（3.07）>真实环境目标识别（2.96）>颜色（2.91）>尺寸（2.68）>形状（2.53）。针对模型环境融合制图实验,脑活动能量频谱图结果显示,相较于其他制图载体,三维实体模型可提供更好的“在场感”,在辅助空间分析方面具有较好的天然优势。（4）提出并建立了一种根据用户交互行为模式自适应制图的方法。首先基于LSTM构建了适用于室外AR设备的用户行为模式识别网络BINet,识别融合制图中的七种典型交互行为模式,并在测试数据集中实现了91%的识别精度。其次,结合本文认知负荷评估结果,设定不同行为模型下场景符号密度的建议值,最后通过行为模式实时识别结果实现驱动场景的自适应更新制图。实验结果表明,该方法可有效降低制图场景感知的认知负荷。（5）构建了模型空间虚实融合制图方法的概念框架,基于三维打印模型,以洪水过程模拟的可视化制图为例,设计并实现了模型空间虚实融合制图中的关键技术和方法,并通过用户体验实验,验证了制图方法的有效性。此外,本文开展了与无实体模型AR地图场景感知的对比实验,结果表明实体三维模型支撑下的空间感知更加直观真实,且能提供更有效的空间认知参考。
陈琳[7]（2021）在《基于深度学习的SAR图像目标识别与分类》文中认为合成孔径雷达（Synthetic Aperture Radar,SAR）是一种能够产生高分辨率图像的成像雷达,因其特殊的成像过程,使其具备全天时、全天候、处理增益高、反干扰能力强的能力。SAR系统能够在恶劣条件下工作的特点,因而在军用、民用等各类领域都有广泛使用,应用价值极高。与传统图像应用相比,SAR图像不具有丰富的光谱,与人类视觉有变差,通用性较差,且数据集大小往往比较有限,传统的图像处理技术进行目标检测太过于依赖人工特征提取,鲁棒性及泛化能力较弱。随着深度学习在计算机等领域的不断发展,基于深度学习的SAR图像分析关注度越来越高。本文采用深度学习方法对SAR图像目标识别与分类进行深入研究。首先,研究SAR图像特征提取与匹配特征混合方法,利用该方法可更准确、有效地进行SAR图像自动配准;其次,在卷积神经网络（Convolutional Neural Networks,CNN）基础上提出改进方案用以识别SAR图像,提升识别精度;最后,研究基于Faster R-CNN的SAR图像目标识别与分类方法,进一步提升识别与分类效率。本文的主要贡献如下:1.研究并提出SAR图像特征提取与匹配特征混合方法。针对SAR图像难以直观表述,其特殊的成像机制和存在散斑噪声等问题,本文研究并提出一种提取和匹配特征的混合方法。该方法通过高斯制导滤波器（Gaussian Guidance Filter,GGF）与尺度不变特征变换结合来获得Blob特征,并从GGF中获得角特征,有效减少斑点效应。实验结果表明,该混合方法可有效提升SAR图像配准的精度。2.研究并提出基于改进卷积神经网络的SAR图像目标识别方法。传统CNN方法中,存在无法收敛或收敛速度很慢的问题。本文在CNN基础上进行改进,采用新提出的传递参数方法来训练CNN网络,并在CNN最后一层连接分类器做出输出层,最后,对参数训练做进一步训练微调,以找到全局最优点。实验结果表明,与基准方法相比,该方法具有更好的识别效果和成功率。3.研究并提出Faster R-CNN的SAR图像目标识别与分类方法。为提高深度学习方法在SAR图像目标识别与分类的准确性和效率,本文提出一种Faster R-CNN方法模型。该方法引入一个区域提议网络（Regional Proposal Network,RPN）,用以预测位置的对象范围和得分,进而生成高质量的区域建议,最终提高总体的目标识别和分类精度。实验结果表明,该方法在识别精度与效率方面都得到提升。
任沛[8]（2021）在《协同计算环境中移动Web增强现实服务提供技术研究》文中提出随着5G网络和人工智能的快速发展,增强现实作为一种全新的计算机视觉技术,以其独特的交互体验得到了广泛的关注。尤其是基于移动Web的实现方案有效避免了传统基于专用设备的AR应用实现方式面临的设备价格高、移动性差的问题和基于移动App的AR应用实现方式面临的服务跨平台提供难的问题,为AR技术的大规模推广和应用提供了有效的途径。同时,5G网络采用了全新的设计思路,为移动Web AR的服务质量提供了有力的保障。但是,分布式环境下计算设备的异构性和通信网络的动态性给移动Web AR系统中资源的管理和调度带来了新的挑战。因此,在5G网络中针对移动Web AR高效的服务提供机制的研究具有重要的实际意义与应用价值。本文通过对移动Web AR系统的分析与设计,利用“端边云”分布式资源协同调度的优势,从而满足了移动用户对于服务质量的要求和服务提供商对于部署成本的要求。本文将主要从“如何实现分布式协同计算”、“如何利用分布式结构提高多人移动Web AR系统效率”以及“如何协同分布式边缘网络系统资源”三个方面展开研究。主要内容及贡献如下:·针对5G网络下分布式神经网络计算任务的划分问题,本文首先通过对神经网络的结构重新设计并添加了额外的分支结构,从而为其提供了可动态调节的推理能力。简单的输入样本因此能够提前结束推理过程,从而提升了推理效率,降低了由于冗余计算造成的资源浪费。同时,通过对神经网络各层的推理时延与能耗属性进行分析,本文提出了一种基于强化学习的计算卸载算法以执行DNN任务的分布式划分决策,以实现计算任务的灵活调度。与现有的技术相比,本文提出的方法能够有效支持计算任务的细粒度弹性划分,对于提升用户体验、降低移动设备能耗具有重要的意义。·针对当前多人AR应用解决方案面临的效率低、性能差的问题,本文提出并实现了面向5G网络分布式环境下的多人协作式服务提供框架Edge ARX5。该框架通过改进集中式的通信机制,能够借助边缘服务器和D2D通信技术进行用户间交互信息的同步。此外,为了解决边缘系统计算效率低的问题,本文提出了基于预测的运动感知的调度机制,以实现自适应的AR关键帧的选择。同时,本文进一步通过借助D2D通信技术将轻量化的特征提取操作分流到用户周围的移动设备中执行,从而有效缓解了 AR服务初始化时间长的问题。通过合理调度各类计算与通信资源,Edge ARX5能够有效提升多人移动Web AR应用系统效率与服务质量。·针对“端边云”框架中边缘系统分布式资源管理和移动Web AR服务协同的问题,本文首先通过设计边缘节点的定位机制,从而为边缘网络的动态管理提供了基础,并进一步提出了基于动态哈希技术的AR服务查询请求负载均衡机制和基于最大堆技术的AR计算卸载负载均衡机制,以解决边缘系统中负载分布不均的问题。此外,针对移动Web AR应用的服务接入特性,本文还为分布式边缘系统设计了相应的服务迁移机制,以满足AR用户移动性的需求,解决AR服务的连续提供的问题。实验结果表明,通过对边缘系统资源的有效管理,能够进一步提高AR的服务质量和用户体验。
查佳乐[9]（2021）在《光学遥感影像目标特征分析及舰船识别应用研究》文中提出近年来成像侦察或对地观测的遥感信息分析已成为一种重要的技术手段,由于光学遥感影像具有获取目标特征详实信息的特点,所以被广泛用于军事情报侦察、智能交通监控等领域的目标检测与识别。对于获取的海量遥感影像,如何从大场景影像中获取感兴趣目标区域,提取目标特征,从而支撑目标检测与识别的应用仍是一个重要研究课题。本文以舰船为典型目标开展了光学遥感影像目标特征分析及检测识别应用研究,主要研究内容与创新工作如下:（1）研究了一种基于空间约束的遥感影像海陆区域分割方法,依据超像素分割与区域合并的思想,首先使用超像素算法划分子区域,然后利用空间约束的合并模型聚类相似区域,可以快速进行海陆区域划分。实验论证表明本方法对多种场景的区域分割准确率≥91%,保留了目标边界的完整性,可提升海上舰船目标的检测性能。（2）研究了一种基于Grab Cut图像分割的舰船目标特征提取方法,提出先分割目标后特征分析的递进策略,结合Grab Cut图能量模型与统计矩方法提取舰船的最小外接矩形框,可利用该几何特征进行目标检测;并采用多特征级联判别方法有效降低目标的虚警率。（3）研究了一种结合前景特征和背景先验知识的显着性特征分析方法,计算边界概率度量相似性并聚类生成背景显着图,引入特征权值约束聚类生成前景显着图,经过背景显着图引导加权融合获取舰船目标显着图。实验论证表明本方法准确率≥94%,召回率≥91%,能有效消除云雾干扰时舰船区域获取的困难。
刘中越[10]（2021）在《野外环境下的声目标识别技术研究》文中研究指明在边防区域的野外环境下,通过对入侵目标声音信号的分析处理,完成入侵目标的探测识别,以实现边防区域的智能化实时监控。传统的目标探测识别方法是使用多传感器进行组合探测,其中,声音传感器易受噪声和其它声源的干扰,导致声目标识别的准确率下降。针对上述问题,本文设计了一个野外环境下的人车识别方案,并对其中的端点检测算法进行优化改进。本文主要围绕基于声音传感器的声目标识别技术进行重点研究,并从以下四部分展开讨论:（1）在野外环境下,采集到的声目标信号难免会受背景噪声的干扰,使目标信号失去原有的特性。因此,需要对采集到的信号进行降噪处理,以提高目标信号信噪比。由于野外环境下的背景噪声复杂多变,所以采用基于RLS与LMS的自适应噪声抵消算法进行降噪处理,并通过仿真实验结果进行对比分析,最终选取收敛速度与收敛精度都更好的RLS算法完成对信号的降噪处理。（2）把采集到的声音信号进行降噪处理后,对出现的声目标信号进行端点检测。当有入侵的声目标出现时,采用基于短时能量的改进端点检测算法对其进行端点检测,通过一次长帧粗检测与一次短帧细检测,精确地定位出目标信号的起止点,进而排除掉无效的背景噪声段。另外,设计一个基于短时平均幅度的门限判决方案,在完成端点检测之后对是否有入侵目标出现做一次预判断。（3）对时频域特征参数提取的基本原理及提取步骤进行简要叙述,并对不同特征参数在声目标识别中的适用性进行对比分析。通过对不同特征参数的分析及后续的实验结果对比,选取梅尔频率倒谱系数作为人车识别的特征参数。（4）为声目标识别系统选取一个合适的分类器,完成野外环境下的人车目标识别。本文根据运动目标的声音信号与说话人类似的特点,以人车声信号的MFCC作为特征,采用基于高斯混合模型（GMM）的分类器完成人车目标识别。最后通过对实验结果和野外环境下的现场测试结果进行综合分析,证明本文设计的识别方案可以完成野外环境下的人车识别,且识别率与识别速度均可满足实际需求。
二、A HYBRID METHOD FOR EFFICIENT TARGET RECOGNITION（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、A HYBRID METHOD FOR EFFICIENT TARGET RECOGNITION（论文提纲范文）
（1）基于震动感知的运动目标识别关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 基于震动信号的运动目标识别算法研究现状 |
| 1.2.1 目标检测算法 |
| 1.2.2 目标分类算法 |
| 1.3 目标识别算法的研究案例综述 |
| 1.3.1 目标检测研究 |
| 1.3.2 目标分类研究 |
| 1.4 论文研究思路和结构安排 |
| 1.4.1 挑战性问题与本文的研究思路 |
| 1.4.2 本文的组织结构 |
| 第2章 运动目标诱导震动信号的机理研究 |
| 2.1 引言 |
| 2.2 运动目标产生震动信号的机理 |
| 2.2.1 地面运动目标的力学模型 |
| 2.2.2 低空飞行目标的声震耦合模型 |
| 2.3 震动信号的传播机理 |
| 2.3.1 地震波概述 |
| 2.3.2 瑞利波在多层介质中的传播模型 |
| 2.4 本章小结 |
| 第3章 SITEX02 数据集分析与JL数据集构建 |
| 3.1 引言 |
| 3.2 SITEX02 数据集 |
| 3.2.1 实验描述 |
| 3.2.2 数据分析 |
| 3.3 JL数据集 |
| 3.3.1 数据采集系统 |
| 3.3.2 数据采集实验 |
| 3.3.3 数据分析 |
| 3.4 本章小结 |
| 第4章 基于容量维数与支持向量机的目标检测算法研究 |
| 4.1 引言 |
| 4.2 信号的分形容量维数 |
| 4.2.1 混沌与分形 |
| 4.2.2 分形维数 |
| 4.2.3 分形容量维数的计算 |
| 4.2.4 实际信号的容量维数分析 |
| 4.3 使用支持向量机完成容量维数的辨识 |
| 4.3.1 超平面 |
| 4.3.2 线性支持向量机 |
| 4.3.3 非线性支持向量机 |
| 4.3.4 线性与非线性支持向量机的比较 |
| 4.4 基于容量维数与线性支持向量机的目标检测算法模型 |
| 4.5 实验与讨论 |
| 4.5.1 算法评估指标 |
| 4.5.2 案例研究Ⅰ(以SITEX02 数据为例) |
| 4.5.3 案例研究Ⅱ(以JL数据为例) |
| 4.6 本章小结 |
| 第5章 基于压缩观测的震动深度神经网络目标分类算法研究 |
| 5.1 引言 |
| 5.2 压缩观测理论分析 |
| 5.2.1 压缩观测思想 |
| 5.2.2 特征保留与噪声压制 |
| 5.2.3 应用压缩观测值的目标分类 |
| 5.2.4 压缩观测作为特征提取 |
| 5.3 基于压缩震动观测值的深度特征分类算法模型 |
| 5.4 实验与讨论 |
| 5.4.1 算法评估指标 |
| 5.4.2 案例研究Ⅰ(以SITEX02 数据为例) |
| 5.4.3 案例研究Ⅱ(以JL数据为例) |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文总结与创新点 |
| 6.2 后续工作展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（2）面向铁路异物入侵检测的深度神经网络轻量化算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高铁视频监控及智能分析技术 |
| 1.2.2 深度卷积网络轻量化技术 |
| 1.2.3 现状总结及存在的问题 |
| 1.3 论文主要内容与章节安排 |
| 2 卷积神经网络的冗余辨识与剪枝 |
| 2.1 卷积神经网络模型与计算资源 |
| 2.1.1 卷积神经网络的基本构架 |
| 2.1.2 网络计算量与存储量 |
| 2.2 卷积神经网络冗余辨识准则 |
| 2.2.1 基于特征范数的冗余辨识 |
| 2.2.2 基于层级特征范数的冗余辨识 |
| 2.3 卷积神经网络剪枝算法 |
| 2.3.1 单路卷积的剪枝算法 |
| 2.3.2 多分枝卷积的剪枝算法 |
| 2.4 实验与分析 |
| 2.4.1 VGG-16 网络裁剪 |
| 2.4.2 Res Net-50 网络裁剪 |
| 2.4.3 Mobile Net V2 网络裁剪 |
| 2.4.4 铁路异物入侵检测神经网络裁剪 |
| 2.5 本章小结 |
| 3 卷积神经网络的结构化稀疏与快速压缩 |
| 3.1 神经网络快速剪枝的难点 |
| 3.2 结构化特征稀疏约束 |
| 3.2.1 结构化特征稀疏训练架构 |
| 3.2.2 通道与层的结构化稀疏 |
| 3.3 实验与分析 |
| 3.3.1 VGGNet网络的稀疏训练 |
| 3.3.2 Res Net网络的稀疏训练 |
| 3.3.3 Mobile Net V2 网络的稀疏训练 |
| 3.4 本章小结 |
| 4 神经架构搜索与多目标优化 |
| 4.1 神经架构搜索的难点 |
| 4.2 网络通道自适应搜索算法 |
| 4.2.1 神经网络消耗成本约束 |
| 4.2.2 特征稀疏学习 |
| 4.2.3 相似度衡量 |
| 4.2.4 网络搜索训练优化目标 |
| 4.3 实验与分析 |
| 4.3.1 基于Mobile Net V2 搜索 |
| 4.3.2 基于Res Net-50 搜索 |
| 4.4 本章小结 |
| 5 轻量化目标识别算法在铁路异物检测中的应用 |
| 5.1 搜索空间设计 |
| 5.1.1 动态感受野运算 |
| 5.1.2 压缩和激励运算 |
| 5.1.3 可衡量式密集残差连接 |
| 5.1.4 骨干网络性能验证 |
| 5.2 轻量化目标检测算法 |
| 5.2.1 基于SSD的轻量化检测算法 |
| 5.2.2 基于YOLOv3 的轻量化检测算法 |
| 5.2.3 算法对比与分析 |
| 5.3 实验与分析 |
| 5.3.1 铁路场景目标识别数据集 |
| 5.3.2 多相机混合场景训练 |
| 5.3.3 单相机场景迁移训练 |
| 5.4 本章小结 |
| 6 结论 |
| 6.1 论文的主要创新点 |
| 6.2 研究工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）田间除草机器人目标识别与测距方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究内容 |
| 1.3 论文结构 |
| 第二章 国内外研究现状与进展 |
| 2.1 国内外研究现状 |
| 2.1.1 农业机器人研究现状 |
| 2.1.2 除草机器人研究现状 |
| 2.2 相关技术研究进展 |
| 2.2.1 目标识别与检测技术研究进展 |
| 2.2.2 除草机器人相关技术研究进展 |
| 2.3 存在的问题分析 |
| 2.4 本章小结 |
| 第三章 基于Faster R-CNN深度网络的田间杂草识别方法 |
| 3.1 实验数据 |
| 3.1.1 图像数据采集 |
| 3.1.2 数据集分析 |
| 3.2 基于Faster R-CNN的油菜与杂草目标识别网络 |
| 3.2.1 模型算法 |
| 3.2.2 评价指标 |
| 3.3 结果与讨论 |
| 3.3.1 实验平台及训练设置 |
| 3.3.2 模型训练结果分析 |
| 3.3.3 模型识别结果 |
| 3.3.4 讨论 |
| 3.4 本章小结 |
| 第四章 基于深度视觉的多目标测距与除草路径规划方法 |
| 4.1 技术流程框架 |
| 4.2 实验设置 |
| 4.2.1 田间除草机器人平台 |
| 4.2.2 数据采集与预处理 |
| 4.3 图像处理方法与二次遍历算法 |
| 4.3.1 数据预处理方法 |
| 4.3.2 改进的OTSU算法 |
| 4.3.3 基于Canny算子的边缘检测算法 |
| 4.3.4 二次遍历算法 |
| 4.3.5 目标测距与除草路径规划 |
| 4.4 实验结果与性能评估 |
| 4.4.1 数据预处理结果 |
| 4.4.2 绿色区域提取方法评估 |
| 4.4.3 图像分割方法性能对比 |
| 4.4.4 边缘检测实验结果 |
| 4.4.5 二次遍历算法评估 |
| 4.4.6 目标测距与除草路径规划评估 |
| 4.4.7 路径规划性能对比 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）装配线仿真与装配件检测关键技术研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 装配线概述 |
| 1.1.2 XR技术概述 |
| 1.2 国内外研究现状 |
| 1.2.1 装配线仿真优化的研究现状 |
| 1.2.2 布局设计中XR技术应用的研究现状 |
| 1.2.3 深度学习目标识别的研究现状 |
| 1.2.4 装配检测中AR和MR技术应用的研究现状 |
| 1.3 研究意义和论文来源 |
| 1.3.1 研究意义和目的 |
| 1.3.2 论文来源 |
| 1.4 研究内容和论文结构 |
| 1.4.1 研究内容 |
| 1.4.2 论文组织结构 |
| 1.5 本章小结 |
| 第2章 基于组合多目标优化的机器人装配线安全布局方法的研究 |
| 2.1 问题提出 |
| 2.2 基于安全指标的装配线布局模型 |
| 2.2.1 装配线布局描述 |
| 2.2.2 安全布局建模 |
| 2.2.3 确定模型参数 |
| 2.3 基于组合多目标优化的安全布局方法 |
| 2.3.1 NSGA-II算法的理论基础 |
| 2.3.2 DE算法的理论基础 |
| 2.3.3 组合多目标优化安全布局方法的研究 |
| 2.3.4 布局安全验证方法 |
| 2.4 实验与验证 |
| 2.4.1 性能测试及对比实验 |
| 2.4.2 求解安全布局实例 |
| 2.4.3 组合多目标优化的机器人装配线安全布局方法的应用 |
| 2.5 本章小结 |
| 第3章 基于混合现实的装配线布局人机交互方法的研究 |
| 3.1 问题的提出 |
| 3.2 混合现实装配线布局仿真人机交互方法 |
| 3.2.1 混合现实装配线布局仿真人机交互框架 |
| 3.2.2 基于数字孪生的装配线布局仿真方法 |
| 3.2.3 基于混合现实的人机交互方法 |
| 3.3 实验与验证 |
| 3.3.1 实验结果 |
| 3.3.2 基于数字孪生的虚拟模型的实现 |
| 3.3.3 基于混合现实装配线布局人机交互方法的应用 |
| 3.4 本章小结 |
| 第4章 基于深度学习的装配件质量检测方法的研究 |
| 4.1 问题的提出 |
| 4.2 基于深度学习的装配件质量检测方法 |
| 4.2.1 装配件质量检测框架 |
| 4.2.2 基于Faster R-CNN的装配件目标识别方法 |
| 4.2.3 基于AlexNet卷积神经网络的装配件分类方法 |
| 4.3 实验与验证 |
| 4.3.1 实验数据集 |
| 4.3.2 实验结果 |
| 4.3.3 基于深度学习的装配质量检测方法的应用 |
| 4.4 本章小结 |
| 第5章 混合现实装配检测中深度学习数据增强方法的研究 |
| 5.1 问题的提出 |
| 5.2 混合现实装配检测方法 |
| 5.2.1 混合现实装配检测框架 |
| 5.2.2 混合现实装配检测方法的研究 |
| 5.3 混合现实装配检测中数据增强方法 |
| 5.3.1 改进的CLAHE的图像增强方法 |
| 5.3.2 数据集预处理几何变换方法 |
| 5.4 实验与验证 |
| 5.4.1 增强数据集 |
| 5.4.2 实验结果 |
| 5.4.3 混合现实装配检测中深度学习数据增强方法的应用 |
| 5.5 本章小结 |
| 第6章 总结 |
| 6.1 本文工作总结 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（5）基于深度学习的合成孔径雷达图像目标识别研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统方法的SAR图像识别技术研究现状 |
| 1.2.2 深度学习的SAR图像识别技术研究现状 |
| 1.3 本文主要研究内容与章节安排 |
| 2 相关基础理论 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积运算 |
| 2.1.2 池化运算 |
| 2.2 空洞卷积 |
| 2.3 深度可分离卷积 |
| 2.4 迁移学习概述 |
| 2.5 本章小结 |
| 3 基于深度迁移学习的TAI-SARNet目标识别 |
| 3.1 引言 |
| 3.2 TAI-SARNet网络结构 |
| 3.3 Atrous-Inception模块 |
| 3.4 网络优化策略 |
| 3.4.1 RMSProp优化算法 |
| 3.4.2 批归一化策略 |
| 3.5 多源域迁移学习 |
| 3.6 实验结果与分析 |
| 3.6.1 数据集描述 |
| 3.6.2 实验环境及训练策略介绍 |
| 3.6.3 网络结构设置性能分析 |
| 3.6.4 整体性能分析 |
| 3.6.5 基于小样本数据集的迁移学习性能分析 |
| 3.6.6 性能对比分析 |
| 3.7 本章小结 |
| 4 面向小样本SAR图像识别的自注意力多尺度特征融合网络 |
| 4.1 引言 |
| 4.2 自注意力多尺度特征融合网络 |
| 4.3 自注意力Ghost模块 |
| 4.3.1 自注意力机制 |
| 4.3.2 改进的Ghost模块 |
| 4.4 瓶颈单元 |
| 4.5 实验结果与分析 |
| 4.5.1 数据集配置 |
| 4.5.2 实验环境及参数配置 |
| 4.5.3 网络结构设置性能分析 |
| 4.5.4 SOC配置的性能分析 |
| 4.5.5 EOC配置的性能分析 |
| 4.5.6 基于SAR小样本数据的实验分析 |
| 4.6 本章小结 |
| 5 结合知识蒸馏的SAR图像分类预测 |
| 5.1 引言 |
| 5.2 知识蒸馏 |
| 5.3 学生网络构建 |
| 5.4 实验结果与分析 |
| 5.4.1 知识蒸馏在SOC和 EOC配置下的性能分析 |
| 5.4.2 知识蒸馏在SAR小样本数据下的实验分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
（6）增强地理环境的虚实融合制图认知与方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.1.1 数据驱动-时空数据场景化 |
| 1.1.2 技术驱动-地图制图技术的发展 |
| 1.1.3 地图发展驱动-地图的使用场景多元化 |
| 1.2 国内外研究现状 |
| 1.2.1 地图制图及地图学研究现状 |
| 1.2.2 增强现实研究现状 |
| 1.2.3 增强现实制图研究现状 |
| 1.2.4 增强地理环境 |
| 1.3 研究目标与内容 |
| 1.3.1 研究目标 |
| 1.3.2 主要研究内容 |
| 1.4 论文章节安排 |
| 第2章 虚实融合制图的基础理论问题 |
| 2.1 增强地理环境虚实融合制图概述 |
| 2.1.1 增强地理环境虚实融合制图的概念 |
| 2.1.2 虚实融合制图基本特征 |
| 2.2 虚实融合制图数学基础 |
| 2.2.1 空间划分与索引 |
| 2.2.2 融合制图相关坐标系定义 |
| 2.2.3 坐标系转换 |
| 2.2.4 模型空间坐标系 |
| 2.3 虚实融合制图中的认知理论 |
| 2.3.1 视觉感知 |
| 2.3.2 具身认知 |
| 2.3.3 地理空间认知 |
| 2.3.4 认知负荷 |
| 2.4 本章小结 |
| 第3章 虚实融合制图变量视/听觉引导性研究 |
| 3.1 虚实融合制图变量概述 |
| 3.1.1 视觉变量 |
| 3.1.2 声音变量 |
| 3.2 融合制图中视觉变量拓展 |
| 3.2.1 颜色视觉变量 |
| 3.2.2 尺寸视觉变量 |
| 3.2.3 形状视觉变量 |
| 3.2.4 视觉变量动态增强 |
| 3.3 融合制图中视觉变量引导性评估 |
| 3.3.1 实验设计 |
| 3.3.2 实验场景 |
| 3.3.3 实验设备 |
| 3.3.4 实验参与者与流程 |
| 3.3.5 实验结果分析 |
| 3.4 融合制图中听觉变量引导性评估 |
| 3.4.1 实验设计与实验场景 |
| 3.4.2 实验参与者与实验流程 |
| 3.4.3 实验结果分析 |
| 3.5 本章小结 |
| 第4章 虚实融合制图认知负荷与特征研究 |
| 4.1 现场虚实融合制图认知负荷研究 |
| 4.1.1 认知负荷概述 |
| 4.1.2 融合制图认知负荷评估方法 |
| 4.1.3 认知负荷实验 |
| 4.1.4 实验结果分析 |
| 4.2 模型空间虚实融合制图认知特点研究 |
| 4.2.1 实验设计 |
| 4.2.2 实验流程 |
| 4.2.3 实验结果分析 |
| 4.3 本章小结 |
| 第5章 室外交互行为模式智能识别与自适应制图 |
| 5.1 融合制图中的典型交互行为模式 |
| 5.2 行为模式智能识别 |
| 5.2.1 网络结构设计 |
| 5.2.2 行为数据采集 |
| 5.2.3 网络训练与评估 |
| 5.3 行为模式驱动的自适应制图关键技术 |
| 5.3.1 现场融合制图三维注册 |
| 5.3.2 云+端的制图场景人机交互 |
| 5.3.3 制图场景动态更新 |
| 5.4 实验与分析 |
| 5.4.1 实验设计与流程 |
| 5.4.2 结果分析 |
| 5.5 本章小结 |
| 第6章 室内模型空间虚实融合制图方法研究 |
| 6.1 模型空间融合制图原则 |
| 6.2 模型空间融合制图关键技术 |
| 6.2.1 模型空间融合制图方法概念框架 |
| 6.2.2 创建三维打印地形模型 |
| 6.2.3 地图场景数据适配 |
| 6.2.4 场景虚实融合 |
| 6.3 模型空间融合制图有效性评估 |
| 6.3.1 实验设计 |
| 6.3.2 问卷设计 |
| 6.3.3 实验系统 |
| 6.3.4 实验流程 |
| 6.3.5 实验结果分析 |
| 6.4 本章小结 |
| 第7章 结论与展望 |
| 7.1 主要结论及创新点 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（7）基于深度学习的SAR图像目标识别与分类（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 SAR技术发展 |
| 1.2.2 SAR图像研究 |
| 1.3 研究内容及目标 |
| 1.4 论文组织结构 |
| 第二章 基于SAR图像的特征提取和图像识别 |
| 2.1 SAR模型与成像特征 |
| 2.1.1 SAR概述 |
| 2.1.2 SAR成像原理 |
| 2.2 SAR检测和识别系统 |
| 2.3 SAR目标识别 |
| 2.3.1 SAR图像预处理 |
| 2.3.2 特征设计与提取 |
| 2.3.3 目标识别 |
| 2.4 特征提取与分类 |
| 2.4.1 SIFT算法 |
| 2.4.2 使用GGF进行斑点检测 |
| 2.4.3 使用GGF进行角检测 |
| 2.4.4 图像特征匹配 |
| 2.5 实验结果及分析 |
| 2.5.1 斑点噪声误差对比分析 |
| 2.5.2 图像配准分析 |
| 2.5.3 性能对比分析 |
| 2.6 本章小结 |
| 第三章 基于改进CNN的SAR目标识别方法 |
| 3.1 改进的卷积神经网络算法 |
| 3.1.1 卷积神经网络组成结构 |
| 3.1.2 改进的CNN算法 |
| 3.2 改进CNN算法关键函数 |
| 3.2.1 网络拓扑 |
| 3.2.2 输入层 |
| 3.2.3 隐藏层 |
| 3.2.4 目标函数 |
| 3.3 实验结果及分析 |
| 3.3.1 实验分析 |
| 3.3.2 可靠性分析 |
| 3.4 本章小结 |
| 第四章 基于改进Faster R-CNN的SAR目标识别与分类 |
| 4.1 Faster R-CNN及改进 |
| 4.1.1 Faster-R-CNN |
| 4.1.2 区域划分网络 |
| 4.1.3 RPN |
| 4.1.4 RoI Align |
| 4.2 SAR图像检测识别 |
| 4.2.1 预筛 |
| 4.2.2 鉴别器 |
| 4.2.3 分类器 |
| 4.3 实验结果及分析 |
| 4.3.1 置信度对比分析 |
| 4.3.2 检测结果对比分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 学位论文评阅及答辩情况表 |
（8）协同计算环境中移动Web增强现实服务提供技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 移动Web AR服务提供面临的问题 |
| 1.3 研究内容及主要贡献 |
| 1.4 论文组织结构 |
| 第二章 移动增强现实研究综述 |
| 2.1 增强现实主要流程和相关技术 |
| 2.2 增强现实技术的发展历程 |
| 2.3 基于Web的移动增强现实 |
| 2.3.1 移动Web增强现实支撑技术 |
| 2.3.2 移动Web增强现实应用的实现方式 |
| 2.4 本章小结 |
| 第三章 分布式神经网络的细粒度弹性划分 |
| 3.1 引言 |
| 3.2 5G网络下面向移动Web AR的协作式计算框架 |
| 3.2.1 基于边缘计算的分布式DNN协作模式 |
| 3.2.2 基于D2D通信技术的分布式DNN协作模式 |
| 3.3 细粒度的深度神经网络 |
| 3.3.1 多分支深度神经网络结构设计 |
| 3.3.2 DNN各层推理时延及能耗预测模型 |
| 3.4 分布式DNN计算任务划分机制 |
| 3.4.1 分布式DNN协作式计算问题构建 |
| 3.4.2 DNN计算任务划分算法 |
| 3.5 实验结果与分析 |
| 3.5.1 实验环境设置 |
| 3.5.2 DNN计算任务划分算法IoRLO性能分析 |
| 3.5.3 移动Web AR应用性能分析 |
| 3.6 本章小结 |
| 第四章 边缘辅助的多人移动Web AR服务提供机制 |
| 4.1 引言 |
| 4.2 5G网络下面向多人移动Web AR的协作式框架 |
| 4.2.1 多人移动Web AR的协作式通信 |
| 4.2.2 多人移动Web AR的协作式计算 |
| 4.2.3 多人移动Web AR的协作式框架服务处理流程 |
| 4.3 多人协作式通信设计 |
| 4.3.1 多人通信规划问题构建 |
| 4.3.2 多人通信规划机制 |
| 4.4 多人协作式计算设计 |
| 4.4.1 基于边缘计算的关键帧选择机制 |
| 4.4.2 基于D2D通信技术的AR服务初始化优化 |
| 4.5 实验结果与分析 |
| 4.5.1 实验环境设置 |
| 4.5.2 多人通信规划算法BA-CPP性能分析 |
| 4.5.3 关键帧选择机制Mo-KFP性能分析 |
| 4.5.4 AR服务初始化性能分析 |
| 4.6 本章小结 |
| 第五章 分布式边缘系统中移动Web AR服务协同 |
| 5.1 引言 |
| 5.2 EARNet方案概述 |
| 5.3 位置感知的移动Web AR任务调度 |
| 5.3.1 边缘节点定位机制 |
| 5.3.2 EARNet负载均衡机制 |
| 5.4 EARNet服务迁移机制 |
| 5.4.1 服务迁移机制基础方案 |
| 5.4.2 服务迁移机制优化方案 |
| 5.5 实验结果与分析 |
| 5.5.1 实验环境设置 |
| 5.5.2 负载均衡机制性能分析 |
| 5.5.3 服务迁移机制性能分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 附录 缩略语表 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（9）光学遥感影像目标特征分析及舰船识别应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 光学遥感影像区域分割研究现状 |
| 1.2.2 光学遥感影像目标特征分析及应用研究现状 |
| 1.3 本文研究内容及论文结构 |
| 1.3.1 论文研究内容与创新点 |
| 1.3.2 论文结构安排 |
| 第二章 光学遥感影像区域分割与目标识别基础理论 |
| 2.1 区域分割相关理论 |
| 2.1.1 遥感影像区域分割 |
| 2.1.2 常用的分割方法 |
| 2.2 遥感影像目标识别 |
| 2.2.1 遥感影像目标识别方法 |
| 2.2.2 遥感影像目标识别难点 |
| 2.3 本章小结 |
| 第三章 基于空间约束超像素法的影像区域分割 |
| 3.1 超像素分割 |
| 3.1.1 SLIC分割算法 |
| 3.1.2 SLIC算法改进加速 |
| 3.2 区域邻接表示与合并 |
| 3.2.1 区域邻接图与最近邻接图 |
| 3.2.2 层次区域合并 |
| 3.3 空间约束的超像素分割与区域合并 |
| 3.3.1 空间约束的颜色纹理模型 |
| 3.3.2 区域分割与合并 |
| 3.4 实验结果与分析 |
| 3.4.1 数据集描述与实验设置 |
| 3.4.2 实验结果定性分析 |
| 3.4.3 实验结果定量评价 |
| 3.5 本章小结 |
| 第四章 基于Grab Cut图像分割的目标提取 |
| 4.1 目标识别特征 |
| 4.1.1 目标特征概述 |
| 4.1.2 形状特征 |
| 4.1.3 纹理特征 |
| 4.1.4 矩特征与轮廓特征 |
| 4.2 候选区域获取 |
| 4.2.1 基于GrabCut图割的高斯混合模型 |
| 4.2.2 统计矩获取目标外框 |
| 4.3 特征提取与应用 |
| 4.3.1 多特征提取 |
| 4.3.2 多特征级联目标识别 |
| 4.4 实验结果与分析 |
| 4.4.1 数据集描述与实验设置 |
| 4.4.2 实验结果定性分析 |
| 4.4.3 实验结果定量评价 |
| 4.5 本章小结 |
| 第五章 基于背景先验与前景约束的目标显着特征提取 |
| 5.1 图像目标显着性 |
| 5.1.1 显着对象分割 |
| 5.1.2 显着性分析方法 |
| 5.2 基于背景先验与前景约束的显着图提取 |
| 5.2.1 背景先验的显着性度量 |
| 5.2.2 特征约束的前景显着性分析 |
| 5.2.3 引导加权融合的显着图增强 |
| 5.3 实验结果与分析 |
| 5.3.1 数据集描述与实验设置 |
| 5.3.2 实验结果定性分析 |
| 5.3.3 实验结果定量评价 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻硕期间取得的研究成果 |
（10）野外环境下的声目标识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 声目标识别技术应用国内外研究现状 |
| 1.2.2 信号降噪技术国内外研究现状 |
| 1.2.3 特征参数提取实际应用现状 |
| 1.3 本文主要工作内容 |
| 1.4 技术路线 |
| 第2章 自适应噪声抵消算法研究 |
| 2.1 自适应噪声抵消系统 |
| 2.1.1 自适应噪声抵消系统概述 |
| 2.1.2 自适应噪声抵消系统基本原理 |
| 2.2 自适应滤波算法 |
| 2.2.1 最佳滤波准则 |
| 2.2.2 基于LMS的自适应噪声抵消算法 |
| 2.2.3 归一化LMS(NLMS)算法 |
| 2.2.4 基于RLS的自适应噪声抵消算法 |
| 2.3 仿真结果对比分析 |
| 2.4 本章小结 |
| 第3章 端点检测与预判断 |
| 3.1 端点检测 |
| 3.2 预处理 |
| 3.3 双门限端点检测 |
| 3.3.1 双门限端点检测基本原理 |
| 3.3.2 双门限端点检测实现步骤 |
| 3.4 基于短时能量的改进端点检测算法 |
| 3.4.1 检测流程设计 |
| 3.4.2 端点检测结果分析 |
| 3.5 基于短时平均幅度的预判断 |
| 3.5.1 预判断的门限设置思路 |
| 3.5.2 预判断的门限判决方案设计 |
| 3.6 本章小结 |
| 第4章 声目标信号特征提取 |
| 4.1 时域特征分析 |
| 4.2 频域特征分析 |
| 4.2.1 短时傅里叶变换(STFT) |
| 4.2.2 快速傅里叶变换(FFT) |
| 4.2.3 频域特征参数提取 |
| 4.3 本章小结 |
| 第5章 声目标识别方法研究与结果分析 |
| 5.1 常用的声音目标识别方法 |
| 5.2 基于高斯混合模型(GMM)的声目标识别 |
| 5.2.1 基于高斯混合模型的分类算法设计 |
| 5.2.2 数据采集 |
| 5.2.3 实验方案设计 |
| 5.3 仿真实验与结果分析 |
| 5.3.1 不同特征参数下的目标识别结果分析 |
| 5.3.2 端点检测对识别结果的影响 |
| 5.3.3 自适应消噪对识别结果的影响 |
| 5.3.4 基于短时平均幅值的预判断结果分析 |
| 5.3.5 现场实验结果分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
四、A HYBRID METHOD FOR EFFICIENT TARGET RECOGNITION（论文参考文献）
- [1]基于震动感知的运动目标识别关键技术研究[D]. 宾康成. 吉林大学, 2021(01)
- [2]面向铁路异物入侵检测的深度神经网络轻量化算法研究[D]. 王玮. 北京交通大学, 2021(02)
- [3]田间除草机器人目标识别与测距方法研究[D]. 张乐. 安徽农业大学, 2021(02)
- [4]装配线仿真与装配件检测关键技术研究及应用[D]. 王帅. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021
- [5]基于深度学习的合成孔径雷达图像目标识别研究[D]. 宣晨. 五邑大学, 2021(12)
- [6]增强地理环境的虚实融合制图认知与方法研究[D]. 张国永. 中国科学院大学(中国科学院空天信息创新研究院), 2021(01)
- [7]基于深度学习的SAR图像目标识别与分类[D]. 陈琳. 山东大学, 2021(11)
- [8]协同计算环境中移动Web增强现实服务提供技术研究[D]. 任沛. 北京邮电大学, 2021(01)
- [9]光学遥感影像目标特征分析及舰船识别应用研究[D]. 查佳乐. 电子科技大学, 2021(01)
- [10]野外环境下的声目标识别技术研究[D]. 刘中越. 沈阳理工大学, 2021(01)