一、基于Super Map IS.NET开发平台构建空间信息网络（论文文献综述）
刘步实[1]（2021）在《复杂交通场景下轻量化视觉感知方法研究》文中进行了进一步梳理复杂交通场景的构成要素丰富、目标多元,智能车辆的环境感知技术不仅可以帮助其精确感知和理解周围态势,及时掌握自身行驶状态并与外界环境信息实现交互,还能够有助于促进安全性能的提升。随着以图像、视频为媒介的多媒体技术蓬勃发展,视觉传感设备提供的场景信息更加充裕可靠且成本较低,因此基于视觉的环境感知已成为了智能车辆完成路径规划、决策控制等功能不可或缺的途径之一。其中,轻量化感知方法是在保持精度基础上进一步降低模型复杂度和参数量,旨在减轻计算机存储以及运算量负担,既涵盖了对模型架构压缩等思想的灵活运用,也包含了相应计算效率的探索。这类方法推动了机器视觉、控制科学等技术在移动和嵌入式设备的应用落地,并在智能驾驶、智慧交通等诸多领域都得以广泛应用。本文重点研究如何利用图像处理方法实现更精准的环境感知,运用和设计新颖的轻量化感知结构模型,帮助自动驾驶技术可以在更加便携、易操作的处理平台上实现对高分辨率道路图像的感知与理解,提升智能车辆对于复杂交通场景的判断和辅助控制能力。环境感知的关键挑战来自于系统对高层视觉内容的灵敏解读和判断,从而辅助智能车辆迅速感知交通场景中的空间布局、目标特征等动态信息,为之提供值得信赖且足够精确的执行操作与探测响应的依据。不过,实际交通场景中的道路前景和背景会时刻发生变化,多种复杂目标特征各异且相互关联,即使是同类物体不同实体之间也可能会因为拍摄角度、距离等造成尺度变化或遮挡的情况发生。诸多客观因素都为基于视觉的环境感知方法带来了严苛的考验,使其实现全局的准确理解和信息交互仍有待巩固和提升。因此,本文围绕复杂交通场景视觉感知任务的关键技术进行深入研究与创新,利用基于机器视觉的思想感知不同层级的视觉特征,构建了多种改善环境感知性能的轻量化模型和方法,同时提高其精度及效率。首先,利用轻量化的机器学习分割方法获取图像浅层特征,完成了道路环境感知中的可行驶区域识别与提取。接着,为了更全面地理解道路语义内容,结合轻量化的级联卷积神经网络获取更深层次的图像特征,实现作为环境感知问题中核心解决方案的场景语义分割。在此基础上,为了能够进一步实现对场景中可能存在的车辆障碍物及时地感知和规避,构建了轻量化的车辆目标检测模型。研究成果对于智能车辆的环境感知能力和发展具有实际意义和参考价值。本文的具体研究内容与贡献概述如下:（1）道路场景因其结构的多样性、纹理变化的复杂性和自然曝光的不稳定性,使得基于道路分割的可行驶区域识别方法大多存在信息冗余,并且存在边界丢失、模糊等质量问题。本文提出了一种基于MS-RG混合图像分割模型,该模型在无监督学习方法下提供了更多的位置像素信息,且不依赖于数据量的大小,应用在道路图像分割上完成对目标可行驶区域的提取。引入图像变换增强理论进行预处理,利用超像素算法进行更直接高效地分割,优化多种子点区域生长分割方法,解决不能完整分割问题,有效处理全局与局部像素特征,更好地控制噪音和灰度不平均,使得图像各区域之间的边界信息分割也更加分明,改善了分割方法的鲁棒性和实时性。在道路图像数据集的实验结果表明,本文提出的模型适用性强,相比于其它方法有效地提升了分割准确性和实时性,可准确识别出图像中的道路信息,可以满足实际应用需求。（2）由于深度学习对街道环境的准确认知,卷积神经网络在交通道路场景的应用中取得了巨大的发展。然而,复杂的网络深度、大型数据集、实时需求等都是实现智能驾驶技术迫切需要解决的典型问题。本文提出了一种改进的轻量级实时语义分割网络,利用图像级联网络体系结构,同时考虑道路语义建模及深入到语义层次的道路环境深度理解,使用多尺度分支和级联特征融合单元来提取丰富的多层特征。在本文中,空间信息网络被设计为传输更多关于空间位置和边缘信息的先验知识。在训练阶段的过程中,本文还附加了额外的加权损失函数,优化道路图像语义分割的鲁棒问题,以增强深度学习网络系统的学习过程。这种轻巧的网络可以快速感知道路语义信息并根据分割结果实现对道路场景的环境感知,从而满足了辅助驾驶的需求。在道路数据集的实验结果表明,相比较其他流行的语义分割算法,本文模型对细节信息的处理能力和时效性上都得到了显着的提升。（3）在复杂道路场景下执行车辆障碍物检测任务,车辆目标易受到不同物体实例之间尺度变化以及其他交通目标遮挡等干扰,模型提取的特征属性不一致,尤其是目标物体和小尺度的物体发生漏检、误检问题。为了平衡检测性能和实时需求,本文提出了一种轻量化的基于多视野特征融合的车辆检测模型,采用单阶段多框的目标检测框架,利用不同的任务模块挖掘图像深层次关联信息,减少局部特征丢失,并且保证复杂交通场景中目标障碍物检测的效率。在深层特征上,构建了特征融合模块促进算法对多层特征层的上下文信息传递;在浅层特征上,采用基于多分支卷积和膨胀卷积构建特征金字塔的多视野模块多尺度特征,学习目标车辆障碍物的位置和类别。实验结果表明,本文模型在保证实时性的前提下,不仅提升了复杂交通目标中多尺度、遮挡物的检测性能,提高了环境感知算法的工作效率。
程铖[2]（2021）在《基于嵌入式GPU的实时视频超分辨率算法研发》文中进行了进一步梳理视频超分辨率是一种将低清视频流转换为高清视频流的图像处理技术。近年来,基于深度学习的视频超分辨率算法的重建指标已经超过了传统算法,但是这类算法的模型参数量通常较大,即使在高性能的服务器上也很难达到实时推理,导致算法难以在实际场景中得到广泛应用。为了降低视频超分辨率算法的模型参数量、加快网络的前向推理速度,本文对实时的视频超分辨率算法展开研究,主要内容如下:（1）为了解决参数量小的算法无法有效应对视频中大规模运动的问题,本文研发了基于3D卷积的视频超分辨率算法。首先利用多尺度的可变形卷积结构来估计相邻帧关于中心帧的运动,然后设计了基于3D卷积的时空融合结构来融合不同时刻运动估计后的特征图,并采用深度可分离卷积方案来降低模型的参数量,最后设计了基于注意力机制的特征重建结构来关注网络中重要的特征通道。实验结果表明,该算法在保持较高重建指标的同时能以更快的速度对视频进行前向推理,在REDS4数据集上的PSNR与SSIM值为27.69dB与0.8055。（2）为了提高基于3D卷积的视频超分辨率算法的计算性能,本文在该算法的基础上通过优化网络结构设计得到轻量级视频超分辨率算法。为了提高该算法的重建指标,本文设计了一种面向视频超分辨率算法的知识蒸馏方法。实验结果表明,知识蒸馏方法训练得到的模型能够取得0.45dB重建指标的提升。在比较的三种参数量小于2M的算法中,本文的轻量级视频超分辨率算法在REDS4数据集上的PSNR与SSIM值达到最优,分别为26.89dB与0.7725,同时能够以34.76fps在Nvidia 1080Ti的服务器上进行推理;在Vimeo-90k数据集上,本文的轻量级视频超分辨率算法的PSNR与SSIM值分别为33.52dB与0.9128,接近主流视频超分辨率算法的效果,并且能在嵌入式GPU Xavier上以27.55fps的速度对视频进行前向推理。
吴云鹏[3]（2021）在《高铁沿线典型设备的无人机图像智能缺陷检测研究》文中研究表明目前我国针对高铁沿线设备的巡检主要采用人工巡检和轨检车巡检两种方式。现有的统计数据和巡检数据表明钢轨和接触网支持设备缺陷对铁路运行安全影响较为重大。然而,现有的两类巡检方式普遍存在着夜间巡检条件差、巡检频率低、受综合维修天窗约束、检查区域窄等问题。而且,现有缺陷检测系统依然存在图像理解能力差、自动化分析能力差、缺陷识别过分依赖人工辅助等问题。因此,为克服以上问题,本文针对钢轨和接触网支持设备,提出了高铁沿线典型设备的无人机图像智能缺陷检测方法,并解决了无人机室外巡检中常遇到的雾霾问题,最终完善巡检手段、提升巡检效率、提高现有检测系统的智能水平。本文主要工作如下:（1）针对无人机室外巡检过程中遇到的雾霾问题,提出了一种端到端的图像去雾网络,重点研究了网络结构和损失函数两个关键问题。一方面,利用残差网络和级联网络结构充分提取了特征图像中的语义信息,并在不同的尺度上显着的增加了网络深度。另一方面,该网络引入了结构相似性指标损失函数项来保留更多的结构信息,从而恢复清晰图像。最后通过广泛的实验对比证明该方法的先进性。（2）针对无人机铁路图像中高显着、高纵横比的钢轨表面分割,提出了一种轨道边缘引导显着性检测网络。首先该网络充分利用钢轨表面和钢轨边缘之间的互补信息,通过渐进式融合的方法将高层的钢轨表面信息注入到钢轨浅层边缘特征中,获得精细的边缘特征。然后将精炼的边缘特征融合到不同高层的钢轨表面特征中,实现钢轨表面精确的分割。其次,该网络引入一种由二值交叉熵、结构相似性指标和交并比组成的混合损失函数,监督学习网络输入与真实值之间的映射,进一步细化轨道表面的位置和边缘。最后通过在无人机图像上的实验对比,验证该方法的优越性。（3）针对无人机图像中无深度、多变形的钢轨表面缺陷检测,重点研究了两个关键问题:图像增强和缺陷分割。首先,提出了一种新的基于局部类韦伯对比定律的钢轨图像增强算法,该算法具有照度不相关、局部非线性等优点,可以在不同的日照强度下突出钢轨表面缺陷,均匀背景。其次,提出了一种灰度延伸最大熵缺陷分割方法,该方法主要对无人机钢轨图像进行灰度延伸和去噪,并选择一个最佳分割阈值检测缺陷。最后通过与经典方法的实验对比和整个系统实验评估,证明该方法的有效性。（4）针对无人机铁路图像中少样本、高冗余的高铁接触网支持设备连接处定位,提出一种基于级联多注意机制的定位网络CYOLO（cascaded YOLO）。该网络融合了图像浅层边缘特征和深层的语义信息,并且根据连接处图像占比建立了两个yolo预测层,提高了检测精度。另外,本文提出使用gridmask数据增广方法,克服了数据样本少和过度相似导致的模型训练过拟合问题。最后本文在轨检车和无人机数据集上全面的验证了该方法的先进性。（5）针对无人机图像中任意方向、小目标的高铁接触网支持设备紧固件缺陷（螺丝缺失,开口销损坏等）检测,提出可旋转金字塔网络RRNet（rotation Retina Net）。该网络结构和锚框机制可以为这些零部件缺陷生成合适大小和数量的候选框,避免了不必要的计算开销,而且引入旋转交并比损失的损失函数克服了预测框的角度预测不精确问题。最后通过在轨检车和无人机数据集上与经典方法的实验对比,证明提出方法的先进性。（6）针对高铁不同专业的日常安全监测管理要求和高铁运行环境安全保障要求,提出了无人机图像巡检方法,包括巡检内容及方案、载荷选型、航线规划以及巡检安全保障等。最后展示了无人机巡检系统平台,列举分析了实际现场案例。以实际案例证明了本文针对铁路沿线不同模式典型设备提出的缺陷检测方法的有效性。
蒋妮[4]（2021）在《基于密度估计的细胞计数方法及其在显微图像中的应用研究》文中进行了进一步梳理随着我国经济的飞速发展,医疗体系建设不断完善,人们对生命科学的研究也越来越深入。细胞作为一切生命活动的基本单元,其空间分布及数量能够很大程度地反映个体的健康状况,在生命科学、医疗诊断等方面具有重要的研究价值。传统的细胞计数任务由人工手动完成,对阅片者的专注度有较高要求。随着阅片量的增加,阅片者的工作强度逐渐增大,可能会影响计数效率和准确性,因此实现细胞计数任务的自动化十分有必要。近年来,监督学习在图像视频领域取得了较大进展,相继有多种细胞计数模型提出。这些模型通过学习之后能自动推断出图像中包含的细胞数量,相较基于传统图像处理的细胞计数模型,准确度有了明显提升。其中,基于密度估计的计数方法不仅能提供任意感兴趣区域内的细胞数量,还能显示细胞的空间分布,是当前包括细胞计数在内的多种目标计数领域的主流方法。本文围绕基于密度估计的细胞计数方法,分别从随机森林的局限性、注意力机制、模型复杂度三个角度出发,提出了三种细胞计数模型,基本上解决了细胞计数在实际应用中存在的细胞重叠、染色不均匀、背景杂质干扰、离焦模糊、细胞形变程度大、尺寸各异等问题。在此基础上设计和实现了一款交互式显微图像细胞计数软件。首先,本文提出了一种基于随机森林的和密度图的细胞计数算法,它包含两个阶段:训练数据准备和细胞检测框架。第一阶段定义了一种反映细胞空间分布的真实概率图。一方面缓解了数据不平衡的问题,克服了随机森林输出值的统计局限性,增强了模型的拟合能力;另一方面突出了细胞的中心,以便下一阶段的细胞检测。第二阶段提出了一种基于多个随机森林的细胞检测框架。利用上一阶段定义的真实概率图特性,通过海森矩阵对细胞中心进行检测,降低了噪声的干扰,然后合并每个随机森林生成的不同细胞检测结果并将其转换为密度估计结果,进一步提高了计数结果的准确性和鲁棒性。相比现阶段直接估计细胞密度的机器学习方法,所提出的计数方法通过细胞检测来估计密度,显着降低了模型拟合的难度,突破了随机森林输出范围有限的限制。多个随机森林的结合,有效提升了模型的计数性能。其次,本文提出了一种基于注意力机制的细胞计数算法,以特征金字塔网络为主干网络,在提取多尺度特征的同时,通过嵌入通道注意力模块和空间注意力模块,分别在不同维度、不同尺度上对特征进行筛选,并将具有不同尺度和感受野大小的特征进行融合,丰富了特征的表达。其中,网络的金字塔结构解决了细胞的多尺度问题;注意力机制在通道维度上增强了有用特征通道的权重;在空间维度上提升了网络对细胞区域的关注度,抑制了背景噪声的干扰;融合不同尺度下的全局信息和局部信息,提高了网络对多尺度细胞的鲁棒性。实验结果表明,所提出的计数算法在三种不同类型的细胞数据集上均取得了较好的计数结果,两种注意力模块的嵌入,有效提升了细胞计数的准确性。第三,本文基于实时语义分割网络提出了一种低复杂度的双边细胞计数算法。该算法使用两条网络分支分别提取细节信息和语义信息,通过细节指导、特征融合以及特征优化三个模块的共同作用,使网络在保持低复杂度的同时,增强了网络的计数性能。细节指导模块利用深层特征的语义信息对底层特征进行过滤,加强了网络对细胞位置信息的指导;特征融合模块在不同尺度上融合细节特征和语义特征,充分衔接了网络的细节路径和上下文路径;特征优化模块多次重复利用底层细节信息对语义特征进行优化,提升了高分辨率下的密度图质量。在不同数量训练样本上的实验结果表明,所提出的算法既能实现较低的计数误差,又能防止过拟合,进而克服了实际应用中细胞图像匮乏这一问题。最后,本文设计并开发了一款Windows平台下的交互式显微图像细胞计数软件,集成了本文提出的三种细胞计数算法,实现了细胞计数的自动化。最终,通过实际采集不同类型的细胞图像,利用计数软件对模型进行在线训练,充分验证了本文提出算法的有效性和设计软件的实用性。
侯颖[5]（2021）在《基于WebGIS的绿地资源信息管理系统设计与实现 ——以合肥市为例》文中研究指明城市绿地资源对支撑经济社会发展规模,维持良好生态系统发挥着越来越重要的作用,但城市绿地资源信息管理工作仍存在着资源分散,管理平台整合度低,业务协调度低,城市相关绿地信息资源共享不够等问题。本文通过收集研究区的绿地资源以及相关基础地理和环境资源数据,建立研究区基础地理与资源数据库,综合利用GIS技术和互联网开发技术,通过平台架构设计及关键技术的研究,基于WebGIS技术,采用“SOA”面向服务架构思想,进行模块化开发,构建绿地资源信息管理系统,实现绿地资源信息的采集、更新、管理、分析和利用等应用功能。本文的主要研究成果为:1.从城市绿地发展和绿地资源管理角度入手,充分调研当前的绿地资源信息管理的发展现状,以实际业务需求和技术水平支持为基础,构建了研究区绿地资源的基础地理数据库和业务数据库,为系统的设计与搭建提供可靠的数据支撑。2.根据绿地资源信息管理系统的业务开发需求,确定了绿地资源信息管理系统设计与开发的技术路线,对系统数据库与各个业务功能模块进行了详细的设计。采用三层架构模式,利用.NET Core框架访问数据库,提供前端接口,利用PostgreSQL数据库保存数据,通过GeoServer发布地图数据服务,并利用OpenLayers+Angular组合进行客户端开发,重点设计和实现了基础功能模块、绿地资源“一张图”展示模块、绿地资源查询统计功能模块、绿地资源指标测算等功能模块。采用高适配度的主流开发路线,为系统功能的拓展和技术的跟进提供支撑。3.对研究区实现系统功能的各项测试,实现了对研究区绿地信息资源的多类型信息整合分析和资源共享。并对系统的适用性以及灵活性进行评价分析,系统基于B/S架构的设计与实现满足了相关业务工作的需求,面向服务式的架构思想提高了系统的延展和灵活性。4.以合肥市绿地数据资源为例,在实现对合肥市绿地资源的信息整合、查询、分析和管理应用的基础上,对合肥市绿地资源的建设现状进行综合分析。本文通过绿地资源信息管理系统的设计与实现,整合各类绿地资源和调查数据,利用绿地资源信息“一张图”实现了城市各类绿地资源信息的可视化工作,实现了对绿地数据的统计分析与指标测算,而且为城市绿地信息化管理工作提供现代化手段,也为WebGIS在城市管理建设中提供一定的应用案例。
谢宇光[6]（2021）在《路口多相机多维立体监控系统研究》文中研究指明
闭云峰[7]（2021）在《视觉语义SLAM关键技术研究》文中研究说明在没有先验信息的情况下,在未知的环境中通过相机自主确定自身位姿并构建空间的地图,是视觉即时定位和建图（Simultaneous Localization And Mapping,简称SLAM）需要完成的任务。传统的视觉SLAM框架经过多年的发展,取得了很多成果,在不少场景下得到了广泛的应用。其中通过稀疏特征点实现定位和地图构建是目前的主流做法之一。但是在面对复杂的弱纹理场景和剧烈光照变化等成像条件下,传统视觉SLAM的鲁棒性和精度受到了很大的挑战。近年来随着深度学习技术的发展,使用深度学习方法来解决视觉SLAM中的问题成了研究热点,但是目前端到端的SLAM模型很难取得媲美传统方法的效率和精度。但深度学习擅长提取图像的深层特征和语义信息,通过合适的模型设计并与传统方法相结合,有望获得鲁棒性更好的SLAM方法。本文通过利用深度网络提取特征点和语义类别信息,并将其融入到传统视觉SLAM中来实现一种语义SLAM方法。主要研究内容和贡献如下:第一,针对传统特征点完全依赖于图像的几何信息,容易受光照、噪声和图像模糊等问题的影响,本文使用深度学习方法来提取特征点和描述子。利用虚拟数据集解决缺乏标注数据集的问题,并通过数据增强迁移到真实场景中。在工程方面,我们训练了适用的字典用于词袋模型,同时借鉴了传统框架中的流程,我们对网络输出的特征图划分网格并使用高低阈值动态提取,保证特征点有足够的数量并尽可能分布均匀。最后将该特征点融入到传统SLAM框架中并进行了实验验证。第二,为了挖掘和利用图像更高层次的语义信息,本文提出了基于语义类别信息的SLAM系统。利用优化后的实时语义分割网络获取图像的语义信息,并对语义信息进行充分的利用。首先对动态物体类别的分割信息进行形态学膨胀,弥补语义分割精度问题,滤掉相应的特征点。根据图像的分割信息计算语义分数,取出备选关键帧队列中分数最高的帧作为关键帧,提升关键帧的信息量。通过不断更新地图点的语义统计信息,建立语义地图,同时在优化位姿和地图点时对匹配地图点添加语义权重,提升优化的精度。最后通过实验验证了方法的有效性。
陶劲宇[8]（2020）在《基于深度学习的医学图像超分辨率重建研究》文中指出随着计算机医疗辅助诊断系统的发展,高质量的医学图像对准确诊断疾病起着至关重要的作用。高分辨率医学图像可以提供丰富的结构细节,有利于疾病的准确分析和定量测量。但是,在实际应用场景中,图像分辨率受到采集设备成本、传输带宽、信噪比和时间约束等因素的限制,难以获得边缘锐化,无块状模糊的高分辨率图像。图像超分辨率重建是利用图像恢复算法把采集设备获取的低分辨率图像重建为高分辨率图像,是图像处理领域的研究热点之一,在医学图像辅助诊断中具有重要的应用价值。本文对图像超分辨率重建方法进行了较深入的分析和研究,提出了基于深度学习的医学图像超分辨重建算法,实现了从低分辨率图像到高分辨率图像的映射,重建的医学图像具有更多的纹理细节和更高的像素信息。本文的主要工作如下:（1）提出一种基于路由结构的胶囊残差深度神经网络,用于医学CT图像的超分辨重建。首先,将原图像进行双三次插值上采样到目标图像大小,获得放大后的低分辨率图像。其次,通过卷积层提取上采样图像的特征信息并将其封装在一个胶囊结构中。然后,把获取的胶囊残差特征图像输入到神经网络,预测图像的高分辨率细节。最后,将预测的胶囊残差特征图像与插值的低分辨率图像进行融合,重构高分辨率医学图像。本文利用癌症影像档案（TCIA）数据集对算法进行测试,将原图像放大2,3,4倍,分别用SRCNN、DRCN、VDSR和本文算法进行超分辨率重建。实验结果表明,本文算法重建图像的峰值信噪比（Peak-Signal-to-Noise-Ratio,PSNR）和结构相似度（Structural Similarity Index,SSIM）均高于其他几种方法,同时在主观视觉效果上也有明显的提高,能够恢复出更多的图像细节。本文算法的网络参数数目和训练时间也远低于其他几个有代表性的超分辨率重建网络。（2）针对传统的SCSR图像超分辨率重建算法在恢复质量上的不足,利用不同模态MR图像之间的互补信息,提出了一种结合对比加权先验信息的MCSR重建方法。首先,构建了一个传输高频信息的网络,实现细节信息能够从一种图像传输到另一种图像。其次,通过EDSR网络的三个版本探究不同情形下重建质量的关系,证明了图像细节的高频信息能够在不同加权对比度的图像之间实现联通传输,利用1T加权图像和2T加权图像之间高频信息的互补性和相似性来提高超分辨重建质量。最后,通过消融实验的对比选取最优参数在重建质量与重建效率之间取得了平衡。（3）提出一种采用伪3D卷积的轻量级密集残差连接三维卷积神经网络P3DSRNet。首先,利用改进网络的密集残差块,拓宽残差块中卷积层的通道,将更多的特征信息输入激活函数,使得网络中浅层图像特征更容易传播到高层,增强MR医学图像超分辨率的表达能力。然后,采用伪3D可分离卷积策略训练网络,将标准3D卷积核分离成多个卷积核,分阶段进行训练,网络训练收敛速度更快,解决了标准3D卷积拓宽维数导致网络训练难度加大,参数急剧增加的问题。实验结果表明,与传统插值算法和LRTV算法相比,采用P3DSRNet超分辨率算法重建的医学图像纹理细节更丰富,视觉效果更佳。与卷积神经网络超分辨率算法ReCNN相比,网络参数大大减少,PSNR和SSIM性能也有提升。（4）在P3DSRNet的基础上,设计了一个新的损失函数,在常用的L1损失函数的基础上结合中间层误差,获得了更好的重建质量,兼具鲁棒性,为丰富计算机辅助诊断技术提供了更广阔的应用前景。不同应用场景的实验表明,本文提出的超分辨率重建算法,图像重建质量高,鲁棒性好,在计算机辅助疾病诊断中有很大的应用前景。
吴荣贵[9]（2020）在《基于深度学习的图像超分辨率重建研究》文中研究说明图像超分辨率重建是从一幅或一组低分辨率图像通过软件的手段得到高分辨率图像的技术。近年来,基于深度学习的图像超分辨率重建技术得到了快速的发展。但是由于超分辨率作为一个病态问题的复杂性和应用场景的多样性,使得目前的算法远没有达到各方面都令人满意的程度。本文从算法的计算量、内存占用、重建图像质量等方向出发做了以下三个工作:1)提出了一种基于密集连接结构的快速单幅图像超分辨率重建算法。该算法采用密集连接的方式聚集不同层输出的不同感受野的特征,解决目前快速超分辨率重建算法重建层的特征感受野单一导致重建图像精度低的问题,同时在密集连接结构中尽可能少的包含卷积层,引入1×1卷积,以减少网络运算开销。实验表明,在保证较小运算量的前提下,大幅提高了图像的重建质量。2)提出了一种基于密集连接、残差和注意力机制的单幅图像超分辨率重建算法。该算法是内外两层的分层结构。内层针对传统密集连接存在冗余的问题进行改进,提出了通道可分密集连接结构。外层将残差连接理解为一种不加权重的特征融合方式,并以内层结构为基本元件,将来自不同元件的输出经过注意力机制加权后密集加和连接。多层的结构将不同层次特征进行更细粒度的聚合。为了提高网络的实用性,算法采用较少卷积核和网络层数。实验表明,相比其他算法,算法采用相对更少的参数量和运算量得到更高的图像重建质量。3)通过实验证明了卷积神经网络超分辨率算法在遥感图像中的泛化能力,同时提出分块处理策略解决算法占用内存过大的问题。用遥感数据集对网络进行局部微调和全局微调的策略,证明了常见图像训练集的算法预训练模型可以直接用于可见光遥感图像的处理,为实际应用提供了依据。针对大规模模型图像处理过程中运行平台内存不足的问题,采用分块处理策略,将输入图像分为小图像块多次处理,在保证不改动算法模型的前提下,算法能在内存资源受限的平台使用。
付茜雯[10]（2020）在《计算机科技论文摘要的机翻错误类型及译后编辑》文中研究表明科研论文在知识传播过程中作用重大,推动国际范围内的知识共享。摘要是科研论文中必不可少的一部分,既是对论文的概括性总结,也是读者发现和探寻相关领域知识的快捷途径。然而,目前英文摘要的机器翻译质量在精确性和专业性方面都不尽人意,需要通过后期编辑和人工校对才能产出高质量的中文翻译文本。本文以计算机科学论文摘要为例,对谷歌机器翻译的300篇计算机英文论文摘要的中文版本进行了翻译错误类型分析并归类,并提出相应的译后编辑策略。首先在赖斯文本类型理论翻译策略指导下,对机器翻译系统生成的译文进行译后编辑,再邀请计算机专业以及翻译专业的专业人士进行确认。之后以DQF-MQM错误类型分类框架为依据,对机器翻译系统生成的译文中的错误进行分类。研究发现,机器翻译的计算机英文论文摘要的中文版本中存在七大类翻译错误,其中不符合中文表达习惯的翻译错误占比最大,其次是术语误译、误译、欠译、漏译、过译以及赘译。本论文研究发现,由于源文本的信息型学术文本特征,长难句、被动语态以及术语翻译是造成机器翻译错误的主要原因。针对源文本的逻辑缜密、语步序固定等特征,本研究针对性地对各类错误类型提出了相应译后编辑策略。建议译者在译后编辑中通过将隐性连接转换为显性连接从而保持源文逻辑性,通过增加主语以及调整语序处理被动语态保持源文的学术精准,通过恰当选取词意处理半技术词汇等。本研究采用定性和定量分析方法,系统归类了计算机科技文本摘要中机器翻译出现的错误,并提出相应译后编辑策略,为该领域的译者提供参考建议,从而提高该领域的机器翻译质量。
二、基于Super Map IS.NET开发平台构建空间信息网络（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、基于Super Map IS.NET开发平台构建空间信息网络（论文提纲范文）
（1）复杂交通场景下轻量化视觉感知方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状分析 |
| 1.2.1 智能驾驶车辆发展现状 |
| 1.2.2 可行驶区域识别算法研究 |
| 1.2.3 场景语义分割算法研究 |
| 1.2.4 道路车辆检测算法研究 |
| 1.2.5 研究现状总结与难点分析 |
| 1.3 论文主要创新点 |
| 1.4 论文研究内容与框架 |
| 1.5 本章小结 |
| 2 交通场景环境感知相关工作概述 |
| 2.1 基于视觉的环境感知任务 |
| 2.2 深度学习原理 |
| 2.2.1 卷积神经网络 |
| 2.2.2 经典网络模型 |
| 2.2.3 网络学习框架 |
| 2.3 轻量化感知的图像处理方法 |
| 2.3.1 图像语义分割 |
| 2.3.2 目标检测任务 |
| 2.4 本章小结 |
| 3 轻量化的无监督可行驶区域识别方法研究 |
| 3.1 引言 |
| 3.2 多视觉的特征提取算法 |
| 3.2.1 超像素视觉特征 |
| 3.2.2 基于聚类的区域分割算法 |
| 3.3 基于多区域的轻量化道路识别模型 |
| 3.3.1 道路图像增强 |
| 3.3.2 基于多种子点的像素提取 |
| 3.3.3 构建道路分割模型 |
| 3.4 实验与性能分析 |
| 3.4.1 测试数据集与评价指标 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 4 轻量化的尺度感知语义分割方法研究 |
| 4.1 引言 |
| 4.2 基于级联感知的语义分割网络 |
| 4.2.1 基于信息感知的空洞卷积 |
| 4.2.2 基于上下文的金字塔池化 |
| 4.2.3 图像级联特征网络 |
| 4.3 基于双分支的轻量化语义分割模型 |
| 4.3.1 空间信息网络 |
| 4.3.2 加权损失函数 |
| 4.3.3 框架整体结构 |
| 4.4 实验与性能分析 |
| 4.4.1 测试数据集与评价指标 |
| 4.4.2 实验设置 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 5 轻量化的多视野车辆目标检测方法研究 |
| 5.1 引言 |
| 5.2 基于回归的目标检测算法 |
| 5.2.1 单阶段多框预测网络 |
| 5.2.2 候选区域生成 |
| 5.2.3 边框回归与损失函数 |
| 5.3 基于多模块的轻量化车辆检测模型 |
| 5.3.1 特征融合模块 |
| 5.3.2 多视野特征提取模块 |
| 5.3.3 框架整体结构 |
| 5.4 实验与性能分析 |
| 5.4.1 测试数据集与评价指标 |
| 5.4.2 实验设置 |
| 5.4.3 实验结果与分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 研究展望 |
| 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 |
（2）基于嵌入式GPU的实时视频超分辨率算法研发（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 单张图像超分辨率研究现状 |
| 1.2.2 视频超分辨率研究现状 |
| 1.2.3 模型压缩加速研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 2 视频超分辨率相关技术概述 |
| 2.1 卷积神经网络与网络计算量简介 |
| 2.1.1 卷积神经网络 |
| 2.1.2 网络计算量 |
| 2.2 视频超分辨率物理模型与相关技术 |
| 2.2.1 超分辨率问题模型 |
| 2.2.2 视频超分辨率算法评价指标 |
| 2.2.3 视频超分辨率相关数据集 |
| 2.3 视频超分辨率算法相关的网络结构 |
| 2.3.1 基于空间信息的网络结构 |
| 2.3.2 基于3D卷积的网络结构 |
| 2.3.3 基于可变形卷积的网络结构 |
| 2.3.4 注意力机制 |
| 2.4 知识蒸馏 |
| 2.5 本文使用的软件工具与嵌入式GPU |
| 2.5.1 相关软件工具 |
| 2.5.2 嵌入式GPU |
| 2.6 本章小结 |
| 3 基于3D卷积的视频超分辨率算法研发 |
| 3.1 基于3D卷积的超分辨率算法网络结构研发 |
| 3.1.1 多帧图像的特征抽取 |
| 3.1.2 多尺度的可变形卷积 |
| 3.1.3 时空融合与特征重建 |
| 3.2 实验环境 |
| 3.3 实验结果与分析 |
| 3.4 本章总结 |
| 4 轻量级视频超分辨率算法研发 |
| 4.1 轻量级网络设计 |
| 4.1.1 基于3D卷积的视频超分辨率算法分析 |
| 4.1.2 轻量级网络设计 |
| 4.2 面向视频超分辨率算法的知识蒸馏方法 |
| 4.3 实验环境与超参数表 |
| 4.4 实验结果与实验分析 |
| 4.4.1 本章设计网络的实验结果 |
| 4.4.2 知识蒸馏有效性实验结果 |
| 4.4.3 与主流算法的性能对比试验 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
（3）高铁沿线典型设备的无人机图像智能缺陷检测研究（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究综述 |
| 1.3.1 无人机巡检现状 |
| 1.3.2 图像去雾增强方法 |
| 1.3.3 钢轨缺陷检测方法 |
| 1.3.4 接触网系统缺陷检测方法 |
| 1.4 关键问题 |
| 1.5 研究内容 |
| 1.6 论文章节安排 |
| 2 基于多尺度金字塔式级联残差网络融合设计的图像去雾增强方法 |
| 2.1 引言 |
| 2.2 残差、级联深度学习网络与图像去雾转换模型 |
| 2.2.1 残差和级联网络 |
| 2.2.2 去雾转换模型 |
| 2.3 图像去雾网络结构设计 |
| 2.3.1 多尺度金字塔式级联残差融合设计的去雾网络结构 |
| 2.3.2 级联残差模块 |
| 2.3.3 改进的残差模块 |
| 2.3.4 基于结构相似度索引的损失函数设计 |
| 2.4 仿真分析与验证 |
| 2.4.1 实验设置 |
| 2.4.2 参数调试 |
| 2.4.3 比较经典方法的实验分析 |
| 2.5 本章小结 |
| 3 基于轨道边缘引导显着性检测网络的钢轨表面分割方法 |
| 3.1 引言 |
| 3.2 钢轨表面显着性检测网络设计 |
| 3.2.1 主干网络设计 |
| 3.2.2 钢轨表面显着性特征提取模块 |
| 3.2.3 钢轨边缘显着性特征提取模块 |
| 3.2.4 引导模块 |
| 3.3 混合损失函数 |
| 3.4 仿真分析与验证 |
| 3.4.1 实验设置 |
| 3.4.2 消融实验 |
| 3.4.3 与经典方法的比较实验 |
| 3.5 本章小结 |
| 4 基于局部类韦伯对比与灰度延伸最大熵的钢轨表面缺陷检测方法 |
| 4.1 引言 |
| 4.2 韦伯对比和最大熵阈值以及小波理论 |
| 4.2.1 韦伯对比定律 |
| 4.2.2 最大熵阈值理论 |
| 4.2.3 二维离散小波变换 |
| 4.3 钢轨表面缺陷特点 |
| 4.4 基于局部类韦伯对比定律的钢轨表面增强方法 |
| 4.4.1 局部类韦伯对比定律 |
| 4.4.2 滑动窗口选择与动态阈值设置 |
| 4.5 基于灰度延伸最大熵的表面缺陷检测方法 |
| 4.6 仿真分析与验证 |
| 4.6.1 实验设置 |
| 4.6.2 图像增强实验对比与分析 |
| 4.6.3 缺陷检测实验对比与分析 |
| 4.6.4 整个系统的评估 |
| 4.7 本章小结 |
| 5 基于级联YOLO的接触网支持设备连接处定位方法 |
| 5.1 引言 |
| 5.2 二阶段检测方法介绍 |
| 5.3 YOLOv3 原理简介 |
| 5.4 基于级联YOLO的高铁支持设备连接处定位方法 |
| 5.4.1 级联YOLO网络结构设计 |
| 5.4.2 训练策略和损失函数 |
| 5.4.3 基于gridmask数据增广方法 |
| 5.5 仿真分析与验证 |
| 5.5.1 实验设置 |
| 5.5.2 消融实验 |
| 5.5.3 与经典方法的比较实验 |
| 5.6 本章小结 |
| 6 基于可旋转多尺度金字塔网络设计的紧固件缺陷检测方法 |
| 6.1 引言 |
| 6.2 Retina Net理论 |
| 6.3 基于可旋转多尺度RetinaNet网络的紧固件缺陷检测方法 |
| 6.3.1 旋转RetinaNet网络结构设计 |
| 6.3.2 损失函数设计 |
| 6.4 仿真分析与验证 |
| 6.4.1 实验设置 |
| 6.4.2 损失函数消融实验 |
| 6.4.3 与经典方法比较实验结果分析 |
| 6.4.4 整个系统的评估 |
| 6.5 本章小结 |
| 7 高铁沿线典型设备无人机图像巡检方法 |
| 7.1 引言 |
| 7.2 巡检内容及方案 |
| 7.2.1 工务段轨道巡检 |
| 7.2.2 供电段接触网支持设备巡检 |
| 7.2.3 故障定位 |
| 7.3 无人机及载荷选型 |
| 7.4 航线规划 |
| 7.5 巡检安全保障 |
| 7.6 系统平台展示 |
| 7.7 案例展示与分析 |
| 7.8 本章小结 |
| 8 结论 |
| 8.1 研究结论与创新点 |
| 8.2 研究展望 |
| 参考文献 |
| 作者攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）基于密度估计的细胞计数方法及其在显微图像中的应用研究（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 基于检测的细胞计数方法 |
| 1.2.2 基于区域回归的细胞计数方法 |
| 1.2.3 基于密度估计的细胞计数方法 |
| 1.2.4 基于密度估计的人群计数方法 |
| 1.3 本文研究内容与创新 |
| 1.4 本文组织结构 |
| 2 细胞计数的理论基础和数据集 |
| 2.1 引言 |
| 2.2 随机森林 |
| 2.2.1 决策树 |
| 2.2.2 Bagging算法 |
| 2.2.3 随机森林原理 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积运算 |
| 2.3.2 CNN的基本组件 |
| 2.3.3 反向传播算法 |
| 2.3.4 网络模型优化算法 |
| 2.4 细胞数据集 |
| 2.5 细胞密度图 |
| 2.6 本章小结 |
| 3 基于随机森林和密度图的细胞计数算法 |
| 3.1 特征设计 |
| 3.2 细胞计数框架 |
| 3.2.1 训练数据准备 |
| 3.2.2 细胞检测框架 |
| 3.3 实验结果分析 |
| 3.3.1 评估标准 |
| 3.3.2 结果分析 |
| 3.4 本章小结 |
| 4 基于注意力机制的细胞计数算法 |
| 4.1 相关理论知识 |
| 4.1.1 特征金字塔网络 |
| 4.1.2 注意力机制 |
| 4.2 基于通道/空间注意力的细胞计数网络 |
| 4.2.1 网络结构 |
| 4.2.2 ICA模块 |
| 4.2.3 IPA模块 |
| 4.2.4 损失函数 |
| 4.3 实验结果分析 |
| 4.3.1 实现细节 |
| 4.3.2 评估标准 |
| 4.3.3 结果分析 |
| 4.4 本章小结 |
| 5 基于BiSeNet的细胞计数算法 |
| 5.1 相关理论知识 |
| 5.1.1 深度可分离卷积 |
| 5.1.2 空洞卷积 |
| 5.1.3 BiSeNet系列网络 |
| 5.2 双边细胞计数网络 |
| 5.2.1 网络结构 |
| 5.2.2 细节指导模块 |
| 5.2.3 特征融合模块 |
| 5.2.4 特征优化模块 |
| 5.2.5 损失函数 |
| 5.3 实验结果分析 |
| 5.3.1 实现细节 |
| 5.3.2 评估标准 |
| 5.3.3 结果分析 |
| 5.4 本章小结 |
| 6 显微图像细胞计数软件设计及其实现 |
| 6.1 细胞计数软件简介 |
| 6.2 细胞计数软件框架和模块设计 |
| 6.2.1 软件界面设计 |
| 6.2.2 细胞计数模块设计 |
| 6.2.3 C++/Python交互模块设计 |
| 6.3 细胞计数软件结果展示 |
| 6.3.1 基本操作流程演示 |
| 6.3.2 硬件测试平台和测试结果 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 作者简介 |
| 攻读博士学位期间主要成果 |
（5）基于WebGIS的绿地资源信息管理系统设计与实现 ——以合肥市为例（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.2.1 开源GIS技术发展现状 |
| 1.2.2 绿地信息化管理与建设研究现状 |
| 1.2.3 基于WebGIS的绿地信息化管理研究现状 |
| 1.3 研究主要内容 |
| 1.3.1 存在的问题 |
| 1.3.2 研究内容 |
| 1.3.3 主要创新点 |
| 1.4 本研究技术路线 |
| 第二章 系统关键技术分析 |
| 2.1 OGC标准 |
| 2.1.1 WMS服务 |
| 2.1.2 WMTS服务 |
| 2.2 WebGIS概况 |
| 2.2.1 WebGIS主流开发库 |
| 2.2.2 WebGIS开发路线和架构 |
| 2.3 客户端开发技术 |
| 2.3.1 Angular开发技术 |
| 2.3.2 OpenLayers |
| 2.4 ASP.NET CORE |
| 2.5 网络与GIS服务器 |
| 2.6 数据库技术 |
| 2.7 第三方资源概况 |
| 2.8 本章小结 |
| 第三章 绿地资源信息管理系统设计与实现 |
| 3.1 系统需求分析 |
| 3.1.1 可行性分析 |
| 3.1.2 功能需求分析 |
| 3.2 设计原则 |
| 3.3 绿地资源信息管理系统总体框架设计 |
| 3.4 绿地信息管理业务功能设计 |
| 3.5 绿地资源信息管理系统数据库设计 |
| 3.5.1 数据库总体设计 |
| 3.5.2 数据库详细设计 |
| 3.6 绿地资源管理系统功能详细设计 |
| 3.6.1 基础地图功能模块 |
| 3.6.2 绿地资源“一张图”展示 |
| 3.6.3 查询统计功能 |
| 3.6.4 绿地指标测算功能 |
| 3.6.5 辅助功能 |
| 3.7 本章小结 |
| 第四章 绿地资源信息管理系统测试实例 |
| 4.1 实现基础 |
| 4.1.1 研究区概况 |
| 4.1.2 物理视图 |
| 4.2 地图服务发布与管理 |
| 4.2.1 绿地资源空间信息入库 |
| 4.2.2 绿地资源专题地图服务发布 |
| 4.3 基础地图功能模块 |
| 4.3.1 地图加载 |
| 4.3.2 地图基础操作 |
| 4.4 绿地资源“一张图”展示 |
| 4.5 绿地资源指标测算模块 |
| 4.6 绿地资源查询统计功能 |
| 4.6.1 资源查询功能 |
| 4.6.2 资源统计功能 |
| 4.7 绿地资源数据综合分析 |
| 4.8 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（7）视觉语义SLAM关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统视觉SLAM |
| 1.2.2 语义信息辅助特征点的选择 |
| 1.2.3 语义信息提供额外的信息和约束 |
| 1.2.4 深度学习点线特征 |
| 1.2.5 深度学习辅助后端和端到端视觉里程计 |
| 1.3 常用数据集和评价指标 |
| 1.3.1 常用数据集 |
| 1.3.2 SLAM的精度评价指标 |
| 1.4 本文的研究内容和整体结构 |
| 2 基于深度学习准语义特征点的SLAM |
| 2.1 SuperPoint网络结构 |
| 2.2 训练SuperPoint |
| 2.2.1 基于虚拟数据集的预训练 |
| 2.2.2 迁移到真实场景中 |
| 2.2.3 联合训练 |
| 2.3 SuperPoint特征提取和匹配实验 |
| 2.3.1 定性分析 |
| 2.3.2 定量分析 |
| 2.4 词袋模型和闭环检测 |
| 2.4.1 词袋模型 |
| 2.4.2 工程实现 |
| 2.5 将SuperPoint特征点提取器用于SLAM |
| 2.5.1 工程实现 |
| 2.5.2 实验结果 |
| 2.6 本章小结 |
| 3 融合语义类别信息的SLAM |
| 3.1 用于SLAM的实时语义分割网络 |
| 3.1.1 语义分割网络的结构 |
| 3.1.2 空间信息路径 |
| 3.1.3 上下文信息路径 |
| 3.1.4 特征融合模块 |
| 3.1.5 网络的训练 |
| 3.1.6 语义分割网络实验 |
| 3.1.7 使用TensorRT优化 |
| 3.2 语义辅助关键帧选取 |
| 3.2.1 ORB-SLAM的关键帧选取规则 |
| 3.2.2 通过语义信息辅助关键帧的选取 |
| 3.2.3 语义关键帧的实验 |
| 3.3 语义辅助特征分类别处理 |
| 3.3.1 动态物体滤除 |
| 3.3.2 动态场景实验 |
| 3.3.3 语义权重优化 |
| 3.3.4 对特征点进行语义加权 |
| 3.3.5 实际场景中特征分类别加权实验 |
| 3.4 融合语义类别信息的SLAM系统集成 |
| 3.5 本章小结 |
| 4 总结与展望 |
| 4.1 本文工作总结 |
| 4.2 未来工作展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（8）基于深度学习的医学图像超分辨率重建研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词对照表 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 单幅图像超分辨率重建研究方法 |
| 1.2.2 结合对比加权信息的MR超分辨率重建研究方法 |
| 1.2.3 三维MR图像超分辨率重建研究方法 |
| 1.3 论文内容结构和创新点 |
| 1.4 论文章节安排 |
| 第2章 单幅图像超分辨率重建方法研究 |
| 2.1 神经网络的背景及其理论基础 |
| 2.2 卷积神经网络与图像超分辨率 |
| 2.2.1 深度学习和图像超分辨率重建 |
| 2.2.2 卷积神经网络在超分辨率重建中的应用 |
| 2.3 基于路由结构残差网络的医学图像超分辨率重建 |
| 2.3.1 ResCapsNet网络结构介绍 |
| 2.3.2 基于路由的胶囊模型介绍 |
| 2.3.3 Squash函数和动态路由算法 |
| 2.3.4 损失函数 |
| 2.3.5 超分辨率重建评价指标 |
| 2.4 实验结果 |
| 2.4.1 数据集介绍 |
| 2.4.2 训练与测试结果分析 |
| 2.5 本章小结 |
| 第3章 结合加权先验信息的MR图像超分辨率重建研究 |
| 3.1 引言 |
| 3.2 核磁共振成像介绍 |
| 3.2.1 信号的来源 |
| 3.2.2 MR相关参数说明 |
| 3.3 数据集 |
| 3.3.1 数据集介绍 |
| 3.3.2 图像预处理 |
| 3.4 网络设计 |
| 3.4.1 SRCNN |
| 3.4.2 增强型超分辨率网络设计——EDSR |
| 3.5 实验结果与分析 |
| 3.5.1 实验设置 |
| 3.5.2 实验结果 |
| 3.6 本章小结 |
| 第4章 采用深度学习的三维MR图像超分辨率重建研究 |
| 4.1 引言 |
| 4.2 二维卷积与三维卷积 |
| 4.3 三维MR图像超分辨率重建 |
| 4.4 伪3D可分离卷积超分辨率神经网络 |
| 4.4.1 伪3D卷积 |
| 4.4.2 3D卷积与伪3D卷积的计算量比较 |
| 4.4.3 算法流程 |
| 4.5 网络搭建及参数设置 |
| 4.5.1 训练与测试数据 |
| 4.5.2 实验参数设置及其训练细节 |
| 4.5.3 结合L1正则化和中间损失函数的误差损失函数设计 |
| 4.5.4 伪3D卷积用于超分辨率重建的结构图 |
| 4.5.5 融合多个P3D块的网络结构图 |
| 4.6 实验结果 |
| 4.6.1 与其他算法实验的对比 |
| 4.6.2 不同网络的时间复杂度与空间复杂度 |
| 4.6.3 消融实验 |
| 4.7 本章小结 |
| 第5章 总结与展望 |
| 5.1 主要工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间完成的科研成果 |
| 致谢 |
（9）基于深度学习的图像超分辨率重建研究（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 图像超分辨率问题描述 |
| 1.2.2 图像超分辨率算法概述 |
| 1.3 本文的主要工作和章节安排 |
| 第2章 超分辨与卷积神经网络 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积神经网络的组成 |
| 2.1.2 模型优化 |
| 2.1.3 经典卷积神经网络算法概述 |
| 2.2 深度学习超分辨率网络的重要技术 |
| 2.3 重建图像质量评价指标 |
| 2.4 本章小结 |
| 第3章 快速图像超分辨率网络 |
| 3.1 实验环境 |
| 3.1.1 实验平台和软件选择 |
| 3.1.2 实验数据准备 |
| 3.2 快速小密集块网络 |
| 3.2.1 网络总体结构 |
| 3.2.2 小密集块结构 |
| 3.2.3 网络实现细节 |
| 3.3 实验与分析 |
| 3.3.1 不同激活函数对比 |
| 3.3.2 实验设置 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第4章 基于密集连接,残差,注意力机制的超分辨率网络 |
| 4.1 网络总体结构 |
| 4.2 内层通道可分密集连接结构 |
| 4.3 外层密集注意加和结构 |
| 4.4 实现细节与实验分析 |
| 4.5 本章小结 |
| 第5章 算法泛化性能与分块处理策略 |
| 5.1 超分辨率算法在遥感图像上泛化能力证明 |
| 5.2 分块处理策略解决模型内存需求问题 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 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 |
（10）计算机科技论文摘要的机翻错误类型及译后编辑（论文提纲范文）
| 摘要 |
| Abstract |
| CHAPTER1 INTRODUCTION |
| 1.1 Research Background and Significance |
| 1.2 Aims of the Study |
| 1.3 Organization of the Thesis |
| CHAPTER2 LITERATURE REVIEW AND FRAMEWORK |
| 2.1 Overview on Machine Translation and Post-editing |
| 2.2 Previous Studies on MT Error Types and Post-Editing Strategies |
| 2.3 DQF-MQM Error Classification Framework |
| 2.4 Previous Studies on MT Error Types of Paper Abstracts |
| 2.5 Text Typology Theory |
| 2.5.1 Text Typology Theory of Reiss |
| 2.5.2 Previous Studies on Informative Texts and Translation Principles |
| CHAPTER3 METHODOLOGY |
| 3.1 Source Text and Text Analysis |
| 3.1.1 Source Text |
| 3.1.2 Text Analysis |
| 3.2 Research Method |
| 3.3 Translation Process |
| 3.3.1 Translating300 computer science abstracts with MT system |
| 3.3.2 Post-editing the MT-generated translation based on Text Typology Theory |
| 3.3.3 Conducting a semi-structured interview for ensuring post-editing quality |
| 3.3.4 Analyzing and summarizing the errors in300 abstracts |
| 3.3.5 Preliminary error classifications based on DQF-MQM Framework |
| 3.3.6 Conducting the2nd semi-structured interview to confirm error classifications |
| 3.3.7 Quantitative analysis of all MT errors in the300 abstracts |
| CHAPTER4 RESULTS AND DISCUSSION |
| 4.1 Error Types of Machine Translated English Abstracts |
| 4.1.1 Unidiomatic Translation Errors in MT output |
| 4.1.2 Terminology Mistranslation Errors in MT Output |
| 4.1.3 Mistranslation Errors in MT Output |
| 4.1.4 Under-translation Errors in MT Output |
| 4.1.5 Omission Translation Errors in MT Output |
| 4.1.6 Over-translation Errors in MT Output |
| 4.1.7 Errors of Addition in MT Output |
| 4.2 Post-editing Strategies for Machine Translated Abstracts |
| 4.2.1 Post-editing Strategies for Long and Complex Sentences |
| 4.2.2 Post-editing Strategies for Passive Voice Sentences |
| 4.2.3 Post-editing Strategies for Technical Terms |
| CHAPTER5 CONCLUSION |
| 5.1 Major Findings |
| 5.2 Limitations and Suggestions |
| References |
| Appendix Source Texts and Target Texts of300 Abstracts |
| 1-20 Abstracts |
| 21-40 Abstracts |
| 41-60 Abstracts |
| 61-80 Abstracts |
| 81-100 Abstracts |
| 101-120 Abstracts |
| 121-140 Abstracts |
| 141-160 Abstracts |
| 161-180 Abstracts |
| 181-200 Abstracts |
| 201-220 Abstracts |
| 221-240 Abstracts |
| 241-260 Abstracts |
| 261-280 Abstracts |
| 281-300 Abstracts |
| ACKNOWLEDGEMENTS |
四、基于Super Map IS.NET开发平台构建空间信息网络（论文参考文献）
- [1]复杂交通场景下轻量化视觉感知方法研究[D]. 刘步实. 北京交通大学, 2021(02)
- [2]基于嵌入式GPU的实时视频超分辨率算法研发[D]. 程铖. 浙江大学, 2021(01)
- [3]高铁沿线典型设备的无人机图像智能缺陷检测研究[D]. 吴云鹏. 北京交通大学, 2021(02)
- [4]基于密度估计的细胞计数方法及其在显微图像中的应用研究[D]. 蒋妮. 浙江大学, 2021(01)
- [5]基于WebGIS的绿地资源信息管理系统设计与实现 ——以合肥市为例[D]. 侯颖. 合肥工业大学, 2021(02)
- [6]路口多相机多维立体监控系统研究[D]. 谢宇光. 西安电子科技大学, 2021
- [7]视觉语义SLAM关键技术研究[D]. 闭云峰. 浙江大学, 2021(01)
- [8]基于深度学习的医学图像超分辨率重建研究[D]. 陶劲宇. 云南大学, 2020(08)
- [9]基于深度学习的图像超分辨率重建研究[D]. 吴荣贵. 中国科学院大学(中国科学院光电技术研究所), 2020(08)
- [10]计算机科技论文摘要的机翻错误类型及译后编辑[D]. 付茜雯. 大连理工大学, 2020(06)