一、巧改网络结构,提升网络性能（论文文献综述）
孙精辰[1]（2021）在《动态行人入侵检测研究与应用》文中研究指明动态行人入侵检测（Pedestrian Intrusion Detection,PID）,即判定动态场景下行人是否入侵一个感兴趣区域（Area of Interest,AoI）,是智能视频监控领域的一项重要视觉任务,在自动驾驶等场景有着广泛的应用。现有的工作大多集中在静态行人入侵检测,采用手工特征提取方法来处理图像,这类方法计算效率低、检测精度差,无法满足于动态行人入侵检测的要求。动态行人入侵检测主要面临三方面的挑战:1)如何对大量的无标签数据进行标签的构建和评估;2)如何准确实时的实现动态变化的感兴趣区域划分和多尺度行人检测;3)如何在计算资源有限的边缘平台实现高效的入侵检测算法部署。针对动态行人入侵检测数据构建的问题,本文创建了一个带标签的动态行人入侵数据集并给出了评估指标。在Cityscape数据集和Cityperson数据集的基础上,设计了一种标注算法自动对齐和标注数据,给出了准确的行人入侵标签,最终得到了一个包含2701张图像,19683个入侵案例的数据集。为了评估该数据集,综合考虑召回率和精确率并设计了评估指标,即动态行人入侵检测的加权平均精度（PID Average Precision）和准确率（PID Accuary）,为该任务的研究提供了充足的数据准备和指标验证基础。针对动态行人入侵检测算法设计的问题,本文提出了 一个基于感兴趣区域分割和快速行人检测的多任务深度网络模型。为解决准确性问题,利用深度网络强大的非线性特征提取能力,对带大量带标签数据集进行学习,实现了动态场景下精准的行人入侵判定;为解决实时性问题,在设计模型时提出了特征共享、特征剪裁和特征压缩三个轻量级网络优化策略来降低算法计算复杂度。实验结果表明,所提模型在动态行人入侵检测数据集上实现了 67.1%的准确率和9.6 FPS的检测速度,在精度和速度上均超越现有算法,实现了端到端的实时行人入侵检测。针对动态行人入侵检测平台部署的问题,本文搭建了一个基于Jetson Nano的嵌入式AI动态行人入侵检测边缘计算平台。为了提升模型边缘端预测实时性,设计了软硬件联合优化策略来加快网络推理速度:在软件层面,选择了轻量级的YOLOv3作为检测骨干网络,并对其进行了稀疏训练和通道剪枝,剪枝后的模型推理速度提升了 6倍;在硬件层面,对模型参数从32位浮点量化为8位整点以降低存储,并利用TensorRT加速模型转换与推理,结合CPU和GPU对数据处理的负载均衡策略。最终在边缘计算平台实现10 FPS以上的实时入侵检测速度。
孙程[2]（2021）在《面向5G信道模型的聚簇算法的研究》文中研究表明由于多输入多输出系统的广泛使用,无线通信系统中的数据量成指数增长,怎样准确并且简便地建模无线信道也成为了 一个重要的研究课题。与此同时,基于簇的信道模型由于其能在保持信道模型准确性的同时降低复杂度的优点,得到了广泛使用,也被大多数组织写入了信道标准模型方案。而且使用聚簇算法对信道多径进行聚簇也是极其重要的一步。现在比较常用的高斯混合模型（Gaussian Mixture Model,GMM）聚簇算法由于算法机制的原因无法准确的对信道多径进行聚类。因此,本论文基于实际场景下的信道测量获取的信道数据开展用于未来无线信道中的聚簇算法的研究,并对几种算法在实测数据中进行了验证和分析,同时对聚簇结果进行了统计分析。在此基础上,继续研究在时变信道下簇的演变,为未来在时变场景下信道建模的应用打好基础,具体的研究内容如下:1.5G候选频段3.5GHz下的无线信道测量。为了获取用于研究聚簇算法的信道多径数据从而进行真实场景的信道测量,选取5G候选频段3.5GHz进行室外到室内场景下的信道测量。通过测量获取原始数据后,采用参数估计算法（Sapce-alternating Generalized Expection-Maximization,SAGE）从实际测量得到的信道冲击响应中提取信道多径的小尺度参数,从而获得用于之后聚簇研究的信道多径数据。2.静态信道下聚簇算法的研究。针对传统的KMeans聚簇算法准确性低并且无法适用于大量数据的缺点引入GMM,该算法是基于贝叶斯的原理,能显着提高聚簇精确度并且适用于数据量大的场景。为了进一步提高聚簇的精确度,提出了伽马贝塔混合模型（Gamma Beta Mixture Model,GBMM）,该模型是一种非高斯混合模型,分别采用贝塔分布和伽马分布来拟合角度数据以及时延数据,使得分布更加符合信道多径数据的特征,并且在实际测量参数中验证了 GMM模型和GBMM模型的聚簇性能,同时对两种算法得到的簇参数进行簇内统计特性分析。3.时变信道下多径簇追踪算法的研究。针对目前在时变信道中多径簇的追踪算法相对匮乏这一现象提出了伽马贝塔混合模型和二分图最大权匹配法相结合的追踪框架对时变信道中的信道多径进行聚簇和追踪。为了进一步提高追踪和聚簇的精确度,提出了一种基于概率的追踪算法,该方法能有效解决基于二分图的追踪算法主观性太强,精确度较低的缺陷。为了验证该算法的性能,采用3GPP（3rd Generation Partnership Project,3GPP）TR38.901标准信道模型生成具有时变特性的仿真数据并将该数据用于该追踪算法的验证与分析,同时对两种算法得到的簇参数进行了簇内统计特性分析。综上所述,本文面向未来的无线通信系统,开展了静态信道下聚簇算法和时变信道中聚簇追踪算法的研究,为了对新提出的算法进行验证,进行了真实场景下的信道测量,并基于测量数据和仿真数据分别对静态信道中的聚簇算法和时变信道中的聚簇追踪算法进行了验证分析。本文的研究内容对信道模型应用在未来大数据量场景和移动场景中提供了参考。
胡东海[3]（2021）在《基于深度学习的晶界抗腐蚀预测方法的研究》文中进行了进一步梳理传统的白铜合金的耐腐蚀性预测都是通过人工选择较为简单显着的特征或通过物理实验方法预测,而目前这些方法存在主观因素强、预测效果不好、成本高等问题。如何对晶界图像进行快速、确切的特征提取并预测成为了需要迫切解决的问题。深度学习已经成为当下计算机应用领域的研究热门,并且在各大工业领域内取得了较好的成果。近年来,材料铜合金的应用范围越来越广,更关注其使用寿命和用于海洋船舶材料时对海水的抗腐蚀性能。合金的抗腐蚀性能与晶界组织结构存在某种特定的联系,为了更好的提高白铜合金的质量和研究晶界的结构特性,需要对其晶界图像进一步分析。针对深度学习在图像上的广泛应用,提出一种基于优化卷积神经网络对晶界耐蚀性预测模型和根据深度网络进一步提出一种基于改进的残差网络对晶界耐蚀性预测模型。主要的工作内容如下。（1）提出了基于优化卷积神经网络对晶界抗腐蚀性的预测模型。本文将深度学习中的卷积神经网络引入晶界图像抗腐蚀预测中,根据晶界图像的特点构建了卷积神经网络模型,并利用卷积神经网络结构的特点对其进一步优化。传统的卷积操作具有较高参数消耗和学习时间长等问题,针对此处不足提出深度可分离卷积代替传统卷积过程的方法,通过此方法的操作步骤和实验验证了这种替换可以有效的减少计算参数和提高模型的预测效果。通过对池化层操作策略的选择,进一步改进模型的学习效果,降低了晶界的重要特征信息丢失,能够训练得到有效的特征信息从而提高模型预测的效果。并且提出多层特征融合学习的模块,将不同层学习到的晶界特征进行融合再学习,保证模型提取特征信息的丰富性。通过实验对比,验证了提出的改进和优化对网络模型具有更好的效果。（2）提出了一种基于改进的残差网络对晶界抗腐蚀性预测模型。主要通过建立三个不同的学习通道对晶界图像的特征进行有效提取,然后将三个通道学习的特征信息进行统一整合,再通过集成学习模块进行处理,实现对晶界图像耐蚀性的有效预测。通过搭建多种卷积网络结构进行试训练,发现残差网络最适应于晶界图像的训练。通过实验对比,从理论和实验验证了提出的模型对晶界图像的耐蚀性预测具有很好的结果。最终提出改进的残差网络实现多通道对晶界特征的强提取,并利用集合学习实现较高的预测准确率。
周远远[4]（2021）在《基于深度神经网络的SAR图像质量提升技术研究》文中进行了进一步梳理合成孔径雷达（Synthetic Aperture Radar,SAR）可对目标区域进行全天时、全天候持续观测,已被广泛应用于战场侦测、农林普查等军事和民用领域。SAR数据处理一般包括成像处理以及成像后的图像处理,其中图像处理包括图像的增强、融合、分割以及目标的识别、检测与跟踪等。作为一种高性能图像处理方法,深度神经网络可在数据驱动下,根据任务需求从图像中自动学习目标特征,有着传统机器学习方法不可比拟的准确性、灵活性和通用性。为提高SAR系统的侦察与观测能力,增大深度神经网络在SAR图像处理领域的应用深度与广度,本文开展了基于深度神经网络的SAR图像质量提升算法研究,主要创新点如下:（1）研究了深度神经网络的空间特性针对深度神经网络的空间特征保持特性,提出并证明了网络的匹配准则,即神经网络每一层的输入与该层的网络参数满足空间上的一一对应关系。基于该准则,设计了可以同时完成目标分类与角度估计的核映射网络（Kernel Mapping Network,KM-Net）。与其他网络相比,KM-Net的权重参数通过核映射旋转变换获取,无需进行训练优化。为提高KM-Net的分类和角度估计能力,设计了移格旋转法和八边形卷积核。其中,移格旋转法通过移动卷积核内各位置的权重参数实现旋转变换,可以解决插值旋转造成的失配问题;八边形卷积核具有45°旋转对称特性,可以解决标准矩形卷积核45°旋转时参数不对称引起的失配问题。针对较少训练样本条件下识别率低的问题,设计了核旋转扩增网络（Kernel Rotation Augmentation Network,KRA-Net）。该网络能够以训练过程中旋转卷积核的方式实现网络内部特征的多角度扩增,提高小样本时网络的分类性能。（2）研究了基于编解码结构的SAR图像去噪增强网络与自聚焦增强网络针对SAR图像中的相干斑噪声,提出了多尺度递归去噪网络（Multi-scale Recurrent Network,MSR-Net）。该网络采用“由粗到精”的设计策略,以级联的方式循环调用同一个编解码网络模块,实现了带噪图像的多分辨率联合处理,提高了网络对高强度噪声的抑制能力。另外,在MSR-Net设计时,加入了卷积长短时记忆（Convolutional Long Short-term Memory,Conv LSTM）模块,令网络具有了多尺度特征的传递与融合能力。同时,采用了亚像素卷积单元,以特征图重组的方式对输出图像进行分辨率还原,提高了网络效率。提出了边缘特征保留率（Edge Feature Keep Ratio,EFKR）和特征点保留率（Feature Point Keep Ratio,FPKR）两种去噪算法评估指标,二者能够利用边缘检测和特征点提取算法,弥补了现有方法无法定量计算去噪后图像中边、角、纹理等典型特征保留比例的不足。针对复杂运动平台位置误差导致的图像散焦问题,提出了一种基于编解码结构的SAR图像自聚焦网络AF-Net。该网络能够学习聚焦前后图像中几何特征的分布差异,实现散焦图像幅度域的快速自聚焦,弥补了传统相位自聚焦算法效率上的不足,为相关问题提供了新的解决思路。（3）研究了基于深度神经网络的视频SAR阴影跟踪与动目标成像技术根据SAR成像机理以及阴影能够反映目标真实位置的特性,提出了一种地面动目标重聚焦框架。该框架结合了阴影跟踪网络、轨迹优化网络、视频SAR成像以及动目标后向投影成像算法,实现了地面动目标的聚焦成像。设计了视频SAR地面动目标阴影跟踪网络（modified Real-time Recurrent Regression,mRe3）。区域搜索策略的使用减少了跟踪处理的图像面积,同时,卷积层与长短时记忆单元的组合令网络能够在提取目标特征的同时获得相邻数据中的时序关系,从而实现对动目标阴影的高精度、高鲁棒性跟踪。针对跟踪轨迹精度与平滑度较低的问题,提出了基于长短时记忆单元的轨迹优化网络以及高阶总变分损失LTVβ。经网络优化后,轨迹的中心距离误差可低于一个像素单元,满足了合成孔径雷达对复杂轨迹地面动目标高精度成像的要求。上述研究不但可以增强SAR系统的侦察与观测能力,还能提高深度神经网络在SAR图像处理领域的应用深度与广度,具有较强理论意义和工程价值。
王宇浩[5]（2020）在《基于深度学习的遥感图像语义分割问题研究》文中进行了进一步梳理深度学习是机器学习领域的重要分支,随着近年来的高速发展,极大促进了人工智能在各领域的应用。深度学习以人工神经网络为基础,以数据为驱动力,随着大数据时代的到来,以及计算机计算能力的提升,使深度学习可以应用更深的网络结构,解决更加复杂的问题。本文以遥感图像语义分割问题为研究对象,针对深度学习语义分割算法应用在遥感图像中存在的问题展开研究。语义分割应用在遥感图像上具有重要意义,是土地使用、环境变化监测的基础。传统的机器学习方法需要人工设计特征提取器,难以对抽象的语义级特征进行有效提取。而基于大量数据迭代的深度学习网络能够提取更具抽象性,稀疏性和不变性的特征,已成为解决语义分割问题的主要方法。目前的研究方向主要集中在两个方面:应用不同的模型结构提高分割精度;在保证一定分割精度的前提下,降低模型参数量与计算量,满足实时性要求。针对以上问题,本文的具体研究内容如下:针对高分辨率遥感图像提出了一种高精度的深度学习语义分割网络。该网络融合了编码器解码器结构和空洞空间金字塔池化结构（ASPP）的优点,以深度残差网络（ResNet）及空洞空间金字塔池化为编码器,在上采样阶段构造两个尺度的特征融合结构为解码器,同时应用多尺度的损失函数加强网络训练过程。在后处理阶段,应用以超像素为基础的条件随机场进一步优化分割结果。在高分辨率遥感图像公开数据集Potsdam和Vaihingen上的实验结果表明,该网络取得了更高的分割精度,与当前取得最高分割精度的DeepLabv3+网络相比,总体精度（Overall Accuracy）分别提高了 0.4%和0.6%。针对高分辨率遥感图像提出了一种基于双分支结构的轻量化语义分割网络,包括语义分支和空间分支。在空间分支中使用三个卷积层的简单结构提取空间特征。在语义分支中使用轻量化基网络MFNet和空间金字塔池化（PPM）提取语义特征。在特征融合阶段,使用通道注意力模块优化已提取的特征。同时应用加权多尺度损失函数加强网络的训练过程。在高分辨遥感图像公开数据集Potsdam和Vaihingen上的实验结果表明,该模型在保持较高分割精度的前提下,大幅降低了网络参数量和计算量,与当前应用最为广泛的U-Net模型相比,网络参数量降低了 61%,计算量降低了 96%,分割精度提高了 1.5%。针对高光谱遥感图像提出了一种高精度的深度学习语义分割网络,该网络基于双分支结构,包括光谱分支和空间分支。其中光谱分支采用一维卷积提取图像中的光谱特征。空间分支在经过主成分分析法（PCA）预处理后,采用二维卷积提取图像中的空间特征。同时,在每个分支结构中应用残差连接和密集连接进一步增强网络的特征提取能力。在高光谱图像公开数据集Indian Pines、Pavia Uni versity、Pavia Center 和 Salinas 上的实验结果表明,该网络相较于已提出的方法取得了更高的分割精度。
彭心怡[6]（2020）在《基于局部非线性特征融合的遮挡人脸检测》文中进行了进一步梳理遮挡人脸检测是当前人脸检测面临的最主要问题之一.人工智能时代,人脸检测作为图像处理与计算机视觉领域的重要研究方向得到广泛应用,而具体复杂的实际应用场景对其算法的要求也在不断提高.本文对彩色图像中的人脸检测算法进行了深入研究,并提出一种基于局部非线性特征融合的遮挡人脸检测算法.LNFF-Net（Locally Nonlin-ear Feature Fusion-based Network）分为候选区域生成和候选区域判别两个阶段,主要处理了以下问题:（1）利用预训练模型提取网络学习特征,解决遮挡人脸训练数据不足的问题;（2）引入GBVS模型计算视觉显着图,提出利用传统底层视觉特征修正网络特征图上的分类得分,解决遮挡人脸候选区域漏检误检的问题;（3）提出一种新的非线性融合方法,抑制背景区域的同时增强人脸区域的特征表达能力,解决特征融合策略单一的问题;（4）引入并调整Fast R-CNN模型,一次性提取所有区域特征,减少时间复杂度的同时提高遮挡人脸特征的鲁棒性,解决传统候选区域判别算法反复提取特征的问题.本文实验使用了现实应用场景的MAFA和COFW公开遮挡人脸数据集,结果证明:LNFF-Net算法中的非线性融合方法相较于其他融合方法有更高的召回率和F1值;经过特征融合,生成的候选区域定位更准确更紧凑;相较于其他检测算法,检测遮挡人脸特别是严重遮挡人脸的平均准确度提升明显.
陶慧青[7]（2020）在《基于Faster R-CNN的高速铁路异物侵限检测算法的研究》文中研究指明行人、车辆和动物等非轨旁固有物进入铁路警戒范围内会引发严重的交通事故,因此有效地检测识别进入铁路限界的异物对于保障铁路行车安全以及行人生命安全有着重要的意义。传统的目标检测算法通常使用基于滑动窗口的区域选择策略,针对性不强,预测位置不准确,冗余窗口多,计算量大及时间复杂度高。采用手工设计特征进行特征提取,无法适应待检测目标形态、检测场景及光照等变化的多样性,且鲁棒性较差。传统分类器无法处理高维图像数据且需要单独对其进行训练,训练步骤繁杂,不能满足现场实际需要。基于深度学习的目标检测算法比传统的目标检测算法具有更快的检测速度,摆脱了刻板的人工设计特征,让机器“自己学习”图像数据中蕴含的潜在特征联系,实现了对目标的精确检测分类。本文提出一种以VGG-16为特征提取网络的Faster R-CNN模型进行铁路侵限异物检测,并且对其进行了适应性改进以满足现实应用需要。本文主要做了以下几项研究工作:（1）弃用全连接层,使用全局平均池化层来完成特征整合工作。自卷积神经网络理论出现后,在卷积层后加若干全连接层似乎成为了模型标配,然而随着研究的深入,其参数量过多、计算量庞大及不能有效利用像素间的空间位置信息等缺点逐渐凸显。全局平均池化层能够有效减少模型参数的同时保证模型的性能,因此将其作为模型的全连接层的替代来进行最终的特征信息处理。分别对使用全局平均池化层和全连接层的模型进行训练测试和结果分析,发现使用全局平均池化层的应用效果更好。（2）增加区域建议网络中的锚点数量。原Faster R-CNN模型中采用的是3种规格及3种纵横比的锚点参数设定,可产生9种候选框,考虑到铁路侵限异物在视频监控中较小的特点,因此增加锚点的小参数设定,将其规格数量增加到4种,由于纵横比不同对模型影响较小,因此保留3种纵横比的设定,改进后每个滑动位置可产生12种候选框。通过不同锚点数量下模型对不同规格目标的召回率说明了改进后算法对小目标检测效果的提升。（3）使用基于迁移学习的模型训练方法。铁路异物侵限领域没有专门的可用数据集,然而数据集对于模型训练又至关重要,因此引入基于实例的迁移学习方法,使用公开数据集中与本研究领域特征空间相似的图像数据对现有异物侵限数据集进行补充。从“零”开始训练一个全新的模型的代价十分高昂且训练结果的好坏受诸多因素影响,本文提出引入基于参数的迁移学习方法,基于ImageNet对于模型参数初始化,使用人工标记的铁路异物侵限领域数据集对模型参数进行调优,并且采用交替训练的方式完成对改进后模型的训练。通过比较使用迁移学习算法前后模型的准确率说明了本文提出的训练方法的有效性。为了验证改进后的模型的整体性能,将本文模型与原模型以及其它相关深度学习模型相比较,本文算法能够在保持一定的检测精度的基础上具有较快的检测速度,对铁路侵限异物的检测精度达到了97.81%,比现有的同领域算法更具有现场实用价值。
宁擎天[8]（2020）在《生成式对抗网络在医学图像分割中的应用研究》文中研究指明随着现代医疗技术的不断进步,医学图像数据量在持续快速增长,这使得计算机辅助的医学图像分析算法引起了学术界以及工业界的广泛关注。其中医学图像分割在病变组织的定位、解剖结构的学习等多种情况下有着巨大的应用需求。如何利用特定医院标注的有限数据训练高性能的分割模型仍然是医学图像分割中重要的研究任务。在实际使用过程中,医生标定数据的成本十分昂贵且耗时,且大量的无标签数据无法有效加入模型训练。为了应对这种情况,全监督和半监督方式下的医学图像分割获得了广泛的关注,全监督方式的算法着重于使用有限的精标注数据尽可能的提升分割性能,而半监督方式的算法则在全监督方式的基础上引入无标签数据加入模型训练,以进一步提升网络性能,从而在一定程度上缓解当前主流分割模型需要依赖大量精标注数据训练的需求。受对抗思想的启发,本文结合生成式对抗网络完成上述两种算法。针对全监督方式下的分割任务,现有基于生成式对抗网络的分割算法大都使用分类器形式的判别器以优化分割网络,这种判别器只能提供全局的对抗信息,这对于需要大量局部细节信息的分割任务是不足的。因此,本论文提出一种基于全卷积判别器的全监督分割算法,使用全卷积形式的判别器进行充分的对抗训练。在此基础上,引入了注意力机制设计并改进了分割网络。具体而言,针对小型三维MRI、CT数据集和二维医学图像数据集,设计并改进了二维分割网络U-Net,针对大型三维MRI、CT数据集,引入注意力机制改进V-Net。增加注意力门训练的模型能够自动突出对特定任务有帮助的显着特征,因此可以消除使用定位模块的必要性。在实验中,该方法获得了良好效果,引入全卷积判别网络后,模型性能进一步提升。进一步地,本论文在完成全监督算法的基础上,提出一种重要性权重指导的的半监督对抗学习算法ISDNet（Importance Guided Semi-supervised Adversarial Learning for Medical Image Segmentation）。ISDNet方法在全卷积判别器的基础上,继续使用对抗学习优化分割网络,特别地,ISDNet能够结合传统自训练（Self-training）算法实现半监督算法,并在此基础上,结合无标签数据的重要性权重进一步提升分割网络性能。ISDNet方法能有效的利用无标签数据进一步优化分割网络。
秦瑾若[9]（2019）在《基于MOOC的大学生混合式学习适应性影响因素及干预研究》文中认为当前,具备良好的学习适应性既是知识经济时代下提高人才培养质量的必然要求。同时,也是提升高校基于MOOC的混合式学习质量的关键。然而,随着教学实践的开展,学生在基于MOOC的混合式学习中产生了一定程度的学习不适应问题。这些问题集中表现在学习态度不积极、自身学习能力不足、学习环境的不适应、难以将线上与线下内容相结合、学习交流缺乏等方面。所以,探索基于MOOC的混合式学习适应性的影响因素,在此基础上,制定科学的干预方案,以提高大学生的学习适应性,已经成为基于MOOC的混合式学习的一项重要研究课题。基于此,本研究围绕“基于MOOC的混合式学习适应性影响因素及干预”这一主题,探究了四个核心问题:（1）基于MOOC的混合式学习适应性由哪些部分组成?如何测量大学生基于MOOC的混合式学习适应性?（2）基于MOOC的混合式学习适应性的主要影响因素有哪些?（3）基于MOOC的混合式学习适应性影响因素之间有什么样的逻辑关系?这些因素对学习适应性的影响效应如何?（4）基于MOOC的混合式学习适应性的系统干预措施如何设计?干预效果如何?如何进一步优化?为了解决以上问题,本研究综合利用文献研究、深度访谈、问卷调查、扎根理论、课堂观察、行动研究等多种方法开展了一系列工作,并得出以下研究结论:（1）确定基于MOOC的混合式学习适应性及其影响因素的基本组成。在理论基础的指导下,通过文献梳理、学生访谈与专家咨询等方法,确定基于MOOC的混合式学习适应性及其影响因素的基本组成。首先,基于MOOC的混合式学习适应性的组成主要包括学习态度、学习任务、自主学习能力、学习交流、学习环境与身心健康六个部分。其次,基于MOOC的混合式学习适应性的影响因素包括学习动机、学习自我效能感、教师教学、学习支持、MOOC平台与课程内容质量六个方面。（2）编制基于MOOC的混合式学习适应性及其影响因素量表。在确定学习适应性及其影响因素基本组成的基础上,通过项目分析、探索性因素分析和验证性因素分析的方法,编制基于MOOC的混合式学习适应性及其影响因素量表。（3）构建基于MOOC的混合式学习适应性影响因素模型。通过调查研究发现,六个影响因素均对学习适应性具有不同方式和不同程度的影响。其中,学习动机对学习适应性有直接显着影响,对学习适应性产生的总效应值为0.237。学习自我效能感既对学习适应性有直接显着影响,又通过学习动机对学习适应性产生间接影响,对学习适应性产生的总效应值为0.397。教师教学分别通过学习自我效能感、学习动机、学习支持对学习适应性产生间接效应,对学习适应性产生的总效应值为0.459。学习支持既对学习适应性有直接显着影响,又通过学习动机对学习适应性产生间接影响,对学习适应性产生的总效应值为0.611。MOOC平台对学习适应性有直接显着影响,对学习适应性产生的总效应值为0.481。课程内容质量分别通过MOOC平台、学习动机对学习适应性产生间接效应,对学习适应性产生的总效应值为0.280。（4）设计基于MOOC的混合式学习适应性干预模型。在理论基础、相关研究启发的基础上,根据学习适应性影响因素之间的作用关系,本研究设计出基于MOOC的混合式学习适应性干预模型。学习适应性干预模型包括三个主要层次结构,从上至下分别为干预理念、干预策略和活动设计。首先,干预理念包括“内外兼顾,统筹全局”、“以人为本,民主和谐”、“互动交流,协作共赢”、“技术驱动,促进建构”四个方面。其次,干预策略包括教师层面、学生自身层面和课程资源层面三个部分。最后,活动设计方面,将干预理念与干预策略有机融入到线上自主学习、线下协作学习以及线上深化学习中。（5）验证基于MOOC的混合式学习适应性干预模型的实施效果,并进行修正。根据学习适应性干预模型,依托《现代教育技术》混合式课程,本研究开展相应的教学实践活动,采用行动研究的方法检验干预的有效性。通过三轮迭代实验,分析学生的过程性与结果性表现,根据每一轮的实施效果,对干预模型及其应用进行了反思与改进。干预模型效果验证发现:①过程性表现,线上方面,学生讨论次数逐渐增加,主动提问等讨论内容占比逐渐提高。线下方面,学生言语占比逐渐提高,学生回答问题的数量与质量有所提高,主动提问的次数逐渐增多,高投入行为的持续时间和占比逐渐增多,非投入行为占比逐渐减少。②结果性表现,在多轮的干预中,学生的学习适应性水平、单元知识掌握水平和反思水平在逐渐提高。本研究的创造性成果主要体现在:从理论与实践相结合的角度,探索形成了基于MOOC的大学生混合式学习适应性的相关成果。（1）理论层面。探索界定基于MOOC的混合式学习适应性的相关概念,编制基于MOOC的混合式学习适应性及其影响因素量表,构建基于MOOC的混合式学习适应性影响因素模型,在一定程度上丰富了学习适应性的理论体系;设计基于MOOC的混合式学习适应性干预模型,拓宽了学习适应性的干预理论与方法。（2）实践层面。根据基于MOOC的混合式学习适应性干预模型,开展三轮教学实践,从学生过程性表现和结果性表现两方面对干预模型的效果进行验证。并根据每一轮的实施效果,对干预模型及其应用进行了反思与改进,以逐步提高大学生的学习适应性。
李文广[10]（2019）在《基于深度学习的SAR图像相干斑抑制》文中指出合成孔径雷达（Synthetic Aperture Radar,SAR）作为一种主动式相干成像雷达,能够全天时、全天候的对目标区域进行成像,为光学遥感图像提供了极为丰富的信息补充。但是其相干成像的方式使得最终得到的SAR图像中会存在剧烈且随机波动的相干斑噪声,严重地影响了SAR图像的后续应用。因此,对SAR图像相干斑抑制进行研究具有重要的实际意义。传统的SAR图像抑斑算法为了获得高质量的抑斑结果,往往都引入了复杂的优化问题,不仅运算量大,消耗时间多,通常还需要一定经验来设置诸多的超参数。相比之下,基于深度学习的SAR图像抑斑算法不仅可以从大量的数据中自动提取图像的特征,而且可以通过GPU对网络前向传播过程进行大规模加速,因此其抑斑性能和效率相比传统算法都有所提升。所以本文选择以深度学习理论为基础,对SAR图像抑斑算法进行研究,本文的创新性工作主要包含以下两个部分:（1）提出了一种基于简化密集连接的SAR图像抑斑网络结构。已有的SAR图像抑斑网络结构普遍简单、没有有效利用网络浅层提取的纹理特征而且残差连接存在部分局限性。为了获得抑斑性能更好的网络,本文首先通过引入密集连接,在局部网络层之间实现特征复用构成稠密块;考虑到网络的计算效率,提出简化密集连接来减少稠密块内不必要的连接;然后在稠密块间加入简化密集连接实现整个网络的特征复用,从而有效地利用网络浅层提取的纹理特征;最后通过分析相干斑噪声模型,在网络中加入全局和局部残差连接得到最终网络结构。（2）在第一部分设计的网络结构基础上,为了进一步提升网络的抑斑性能,提出了深度学习和小波变换相结合的SAR图像抑斑算法。小波变换具有优秀的时频分析能力,能够同时将SAR图像的相干斑噪声和纹理细节集中在高频子带。因此,我们使用小波系数代替原图作为网络的输入,一方面通过对不同的子带设置约束能力不同的损失函数,引导网络侧重于对高频系数的还原,实现了有效抑制相干斑噪声的同时较好地保留图像的纹理细节,从而提高了网络的抑斑性能;另一方面,将小波系数作为网络输入时可以减小特征图的尺寸,从而有效减少网络计算量,加快网络运行速度。实验结果表明,本文提出的SAR图像抑斑算法,无论在抑斑效果、图像纹理结构的保持还是处理效率方面都有着出色的表现。
二、巧改网络结构,提升网络性能（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、巧改网络结构,提升网络性能（论文提纲范文）
（1）动态行人入侵检测研究与应用（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 研究现状与挑战 |
| 1.2.1 基于手工提取特征的工作 |
| 1.2.2 基于机器学习提取特征的工作 |
| 1.2.3 研究现状总结 |
| 1.3 研究内容与框架 |
| 2 动态行人入侵检测数据构建 |
| 2.1 相关工作 |
| 2.2 数据集创建与统计 |
| 2.3 数据评估指标设计 |
| 2.4 本章小结 |
| 3 动态行人入侵检测算法设计 |
| 3.1 相关工作 |
| 3.1.1 语义分割网络 |
| 3.1.2 目标检测网络 |
| 3.1.3 多任务网络 |
| 3.1.4 轻量级网络 |
| 3.2 动态行人入侵检测网络 |
| 3.2.1 特征共享设计 |
| 3.2.2 特征剪裁设计 |
| 3.2.3 特征压缩设计 |
| 3.2.4 优化策略设计 |
| 3.3 行人入侵检测实验分析 |
| 3.3.1 综合任务实验分析 |
| 3.3.2 单任务实验分析 |
| 3.4 模型消融实验分析 |
| 3.4.1 特征共享消融实验 |
| 3.4.2 特征剪裁消融实验 |
| 3.4.3 特征压缩消融实验 |
| 3.4.4 像素阈值消融实验 |
| 3.4.5 优化策略消融实验 |
| 3.5 本章小结 |
| 4 动态行人入侵检测边缘部署 |
| 4.1 相关工作 |
| 4.2 硬件选型 |
| 4.3 算法优化 |
| 4.4 推理加速 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 后续工作展望 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果及参与科研项目 |
（2）面向5G信道模型的聚簇算法的研究（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 无线信道建模研究的意义 |
| 1.3 信道多径聚簇算法的研究意义与现状 |
| 1.4 论文主要工作及创新性 |
| 1.5 论文章节安排 |
| 第二章 无线信道测量与建模 |
| 2.1 无线信道测量 |
| 2.1.1 信道测量平台 |
| 2.1.2 测量场景 |
| 2.2 信道参数提取 |
| 2.2.1 信道冲激响应的计算 |
| 2.2.2 信道参数估计 |
| 2.3 本章小结 |
| 第三章 静态聚簇算法的研究与性能分析 |
| 3.1 静态聚簇算法 |
| 3.1.1 高斯混合模型 |
| 3.1.2 非高斯混合模型 |
| 3.2 算法聚簇结果验证与分析 |
| 3.3 聚簇建模统计特性分析 |
| 3.4 本章小结 |
| 第四章 时变信道下多径簇的聚簇与追踪 |
| 4.1 时变信道下聚簇追踪算法 |
| 4.1.1 基于二分图的追踪算法 |
| 4.1.2 基于概率的追踪算法 |
| 4.2 时变追踪算法性能验证 |
| 4.2.1 仿真环境的搭建 |
| 4.2.2 聚簇追踪性能的验证 |
| 4.3 时变信道聚簇追踪算法统计分析 |
| 4.4 本章总结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 未来研究展望 |
| 参考文献 |
| 缩略语表 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（3）基于深度学习的晶界抗腐蚀预测方法的研究（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 国内外研究现状 |
| 1.3 本论文的主要研究内容及结构安排 |
| 1.3.1 本论文的主要研究内容 |
| 1.3.2 本论文的结构安排 |
| 第二章 本文相关理论简介 |
| 2.1 卷积神经网络简介 |
| 2.1.1 卷积神经网络的基本结构 |
| 2.1.2 典型的卷积神经网络 |
| 2.2 卷积神经网络的相关计算 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 激活函数 |
| 2.2.4 Softmax分类算法 |
| 2.3 卷积神经网络学习方法 |
| 2.4 图像分析简介 |
| 2.4.1 图像分类流程 |
| 2.4.2 图像分类方法 |
| 2.5 晶界图像的获取 |
| 2.5.1 样品制备 |
| 2.5.2 腐蚀实验 |
| 2.5.3 晶界图制作 |
| 2.6 本章小结 |
| 第三章 基于优化的卷积神经网对晶界耐蚀性的预测研究 |
| 3.1 卷积神经网络的模型设计 |
| 3.2 优化的卷积网络 |
| 3.2.1 深度可分离卷积 |
| 3.2.2 池化层优化 |
| 3.2.3 特征融合方法 |
| 3.2.4 Dropout策略 |
| 3.2.5 过拟合问题处理 |
| 3.2.6 ReLU激活函数 |
| 3.3 实验结果分析 |
| 3.3.1 实验环境 |
| 3.3.2 数据准备 |
| 3.3.3 实验参数设置 |
| 3.3.4 实验对比分析 |
| 3.4 本章小结 |
| 第四章 基于改进的残差网络对晶界耐蚀预测研究 |
| 4.1 相关基本理论 |
| 4.1.1 残差神经网络 |
| 4.1.2 残差块结构 |
| 4.2 晶界抗腐蚀预测原理 |
| 4.3 改进的并行残差网络 |
| 4.3.1 本文网络体系结构 |
| 4.3.2 数据增强 |
| 4.3.3 集成学习分类 |
| 4.4 实验结果与分析 |
| 4.4.1 实验环境和参数设置 |
| 4.4.2 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 课题展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（4）基于深度神经网络的SAR图像质量提升技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 SAR研究现状 |
| 1.2.2 深度神经网络与SAR图像质量提升 |
| 1.3 本文主要工作 |
| 1.4 本文结构安排 |
| 第二章 SAR成像模型与图像特征 |
| 2.1 几何与回波信号模型 |
| 2.1.1 几何模型 |
| 2.1.2 回波信号模型 |
| 2.2 SAR成像理论 |
| 2.2.1 成像算法 |
| 2.2.2 视频成像 |
| 2.3 SAR图像特征 |
| 2.3.1 分辨率特征 |
| 2.3.2 相干斑噪声特征 |
| 2.3.3 复杂轨迹SAR散焦特征 |
| 2.3.4 地面动目标阴影特征 |
| 2.4 本章小结 |
| 第三章 深度神经网络空间特性分析 |
| 3.1 引言 |
| 3.2 深度神经网络基本单元及其空间保持特性分析 |
| 3.2.1 卷积层 |
| 3.2.2 池化层 |
| 3.2.3 全连接层 |
| 3.3 匹配准则与核映射旋转变换 |
| 3.3.1 匹配准则 |
| 3.3.2 核映射旋转变换 |
| 3.3.3 核映射网络 |
| 3.4 移格旋转与八边形卷积核 |
| 3.4.1 移格旋转 |
| 3.4.2 八边形卷积核 |
| 3.5 空间特性与角度估计实验 |
| 3.5.1 数据集及实验设置 |
| 3.5.2 旋转特性实验验证 |
| 3.5.3 核映射网络实验结果 |
| 3.5.4 基于KM-Net的 SAR目标分类与角度估计 |
| 3.6 基于旋转卷积核的特征扩增网络 |
| 3.6.1 特征融合 |
| 3.6.2 小样本实验 |
| 3.7 本章小结 |
| 第四章 基于递归编解码网络的SAR图像增强 |
| 4.1 引言 |
| 4.2 基于递归编解码结构的SAR图像去噪网络 |
| 4.2.1 多尺度递归网络 |
| 4.2.2 单尺度网络 |
| 4.2.3 卷积长短时记忆网络 |
| 4.2.4 亚像素卷积 |
| 4.3 去噪实验与结果分析 |
| 4.3.1 去噪算法评估指标 |
| 4.3.2 图像去噪实验设置 |
| 4.3.3 实验结果分析 |
| 4.4 基于编解码结构的自聚焦网络 |
| 4.4.1 自聚焦网络结构 |
| 4.4.2 通道特征融合 |
| 4.4.3 聚焦实验结果与分析 |
| 4.5 本章小结 |
| 第五章 视频SAR阴影跟踪与动目标重聚焦 |
| 5.1 引言 |
| 5.2 SAR地面动目标信号模型与成像方法 |
| 5.2.1 信号模型 |
| 5.2.2 成像框架 |
| 5.3 基于局部区域搜索的阴影跟踪网络 |
| 5.3.1 网络架构 |
| 5.3.2 孪生编码器 |
| 5.3.3 长短时记忆模块 |
| 5.4 TV~β-LSTM轨迹优化网络 |
| 5.4.1 网络结构 |
| 5.4.2 高阶总变分损失 |
| 5.5 跟踪成像实验与结果分析 |
| 5.5.1 跟踪数据集与实验设置 |
| 5.5.2 跟踪方法性能评估指标 |
| 5.5.3 跟踪实验结果 |
| 5.5.4 轨迹优化结果 |
| 5.5.5 地面动目标成像结果 |
| 5.6 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文工作总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（5）基于深度学习的遥感图像语义分割问题研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 研究内容及难点分析 |
| 1.3 研究现状 |
| 1.4 本文的研究内容 |
| 1.5 本文的结构安排 |
| 2 深度学习及语义分割概述 |
| 2.1 深度学习原理 |
| 2.2 卷积神经网络 |
| 2.2.1 LeNet网络与卷积神经网络原理 |
| 2.2.2 VGG网络模型 |
| 2.2.3 ResNet网络模型 |
| 2.3 语义分割简介及网络 |
| 2.3.1 语义分割任务 |
| 2.3.2 全卷积神经网络 |
| 2.3.3 U-Net网络 |
| 2.3.4 DeepLab系列网络 |
| 2.3.5 应用于遥感图像的语义分割网络 |
| 2.4 深度学习架构 |
| 2.5 本文实验的软硬件平台 |
| 2.5.1 硬件平台 |
| 2.5.2 软件平台 |
| 2.6 本章总结 |
| 3 针对高分辨率遥感图像的高精度语义分割网络 |
| 3.1 高分图像语义分割背景 |
| 3.2 高分图像语义分割当前的问题与解决方法 |
| 3.3 高分辨率遥感图像数据集 |
| 3.3.1 Potsdam数据集 |
| 3.3.2 Vaihingen数据集 |
| 3.4 高精度语义分割网络 |
| 3.4.1 网络整体流程 |
| 3.4.2 数据预处理方法 |
| 3.4.3 网络整体结构 |
| 3.4.4 编码器结构 |
| 3.4.5 解码器结构 |
| 3.4.6 多尺度交叉熵损失函数 |
| 3.4.7 网络参数配置 |
| 3.4.8 基于超像素改进的条件随机场 |
| 3.5 高分图像数据集上的实验结果 |
| 3.5.1 分割精度评价标准 |
| 3.5.2 详细实验结果 |
| 3.6 实验结果对比与分析 |
| 3.6.1 多尺度损失函数对网络的影响 |
| 3.6.2 实验结果对比 |
| 3.6.3 基于超像素算法的条件随机场对网络的影响 |
| 3.7 本章总结 |
| 4 针对高分辨率遥感图像的轻量化语义分割网络 |
| 4.1 高分图像轻量化语义分割背景 |
| 4.2 高分图像轻量化语义分割存在的问题与解决方法 |
| 4.3 轻量化语义分割网络 |
| 4.3.1 网络整体流程 |
| 4.3.2 网络整体结构 |
| 4.3.3 空间分支 |
| 4.3.4 语义分支 |
| 4.3.5 通道注意力和特征融合模块 |
| 4.3.6 加权多尺度损失函数 |
| 4.3.7 网络参数配置 |
| 4.4 高分图像数据集上的实验结果 |
| 4.5 实验结果对比与分析 |
| 4.5.1 实验结果对比 |
| 4.5.2 实验结果分析 |
| 4.5.3 网络泛用性分析 |
| 4.6 本章总结 |
| 5 针对高光谱遥感图像的高精度语义分割网络 |
| 5.1 高光谱图像语义分割背景 |
| 5.2 高光谱图像语义分割当前的问题与解决方法 |
| 5.3 高光谱遥感图像数据集 |
| 5.3.1 Indian Pines数据集 |
| 5.3.2 Pavia University数据集 |
| 5.3.3 Pavia Center数据集 |
| 5.3.4 Salinas数据集 |
| 5.4 双分支语义分割网络 |
| 5.4.1 网络整体流程 |
| 5.4.2 数据预处理方法 |
| 5.4.3 网络整体结构 |
| 5.4.4 残差单元 |
| 5.4.5 密集连接 |
| 5.4.6 网络参数配置 |
| 5.5 高光谱图像数据集上的实验结果 |
| 5.5.1 参数灵敏度分析 |
| 5.5.2 详细实验结果 |
| 5.6 实验结果对比与分析 |
| 5.6.1 实验结果对比 |
| 5.6.2 实验结果分析 |
| 5.7 本章总结 |
| 6 结论 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（6）基于局部非线性特征融合的遮挡人脸检测（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 国内外研究进展 |
| §1.3 本文工作及内容安排 |
| 第二章 基本原理及前沿算法研究 |
| §2.1 传统方法 |
| §2.1.1 肤色模型 |
| §2.1.2 Viola-Jones人脸检测算法 |
| §2.2 基于卷积神经网络的方法 |
| §2.2.1 卷积神经网络 |
| §2.2.2 MTCNN人脸检测算法 |
| §2.3 人脸检测中的遮挡问题 |
| §2.3.1 框架分析 |
| §2.3.2 现有算法 |
| §2.4 本章小结 |
| 第三章 基于局部非线性特征融合的遮挡人脸检测算法 |
| §3.1 问题引入 |
| §3.2 算法思路及框架 |
| §3.3 候选区域生成方法 |
| §3.3.1 引入视觉显着图 |
| §3.3.2 特征提取及融合 |
| §3.3.3 分类定位生成候选区域 |
| §3.3.4 算法步骤 |
| §3.4 候选区域判别方法 |
| §3.4.1 引入Fast R-CNN |
| §3.4.2 特征提取及分类定位 |
| §3.4.3 算法步骤 |
| §3.5 本章小结 |
| 第四章 算法验证及分析 |
| §4.1 实验介绍 |
| §4.1.1 实验环境 |
| §4.1.2 数据集介绍 |
| §4.1.3 实验设计 |
| §4.1.4 评价指标 |
| §4.2 LNFF-Net算法对候选区域生成的影响 |
| §4.2.1 参数设置 |
| §4.2.2 对比实验 |
| §4.3 LNFF-Net算法对平均准确率的影响 |
| §4.3.1 参数设置 |
| §4.3.2 对比实验 |
| §4.4 本章小结 |
| 全文总结 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
| 攻读硕士学位期间参与的项目 |
（7）基于Faster R-CNN的高速铁路异物侵限检测算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 目标检测的研究现状 |
| 1.2.2 铁路异物检测的研究现状 |
| 1.2.3 研究现状分析 |
| 1.3 本文的主要研究内容 |
| 1.4 本文章节安排 |
| 2 目标检测算法 |
| 2.1 传统的目标检测算法 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络结构 |
| 2.2.2 常见的卷积神经网络模型 |
| 2.3 基于深度学习的目标检测模型 |
| 2.3.1 基于区域候选的神经网络模型 |
| 2.3.2 基于回归的神经网络模型 |
| 2.3.3 模型性能分析比较 |
| 2.4 本章小结 |
| 3 改进的Faster R-CNN模型 |
| 3.1 模型Faster R-CNN |
| 3.2 全局平均池化 |
| 3.2.1 全局平均池化原理 |
| 3.2.2 全局平均池化层代替全连接层 |
| 3.2.3 实验对比及结果分析 |
| 3.3 区域建议网络RPN的优化 |
| 3.3.1 区域建议网络RPN |
| 3.3.2 区域建议框的优化 |
| 3.3.3 边界框回归 |
| 3.3.4 非极大值抑制 |
| 3.3.5 实验对比及结果分析 |
| 3.4 本章小结 |
| 4 基于迁移学习的模型训练 |
| 4.1 迁移学习 |
| 4.1.1 迁移学习理论 |
| 4.1.2 迁移学习的类别 |
| 4.2 模型训练 |
| 4.2.1 数据集选取 |
| 4.2.2 数据集的制备 |
| 4.2.3 损失函数的选取 |
| 4.2.4 模型训练步骤 |
| 4.3 实验对比及结果分析 |
| 4.4 本章小结 |
| 5 基于改进的Faster R-CNN的铁路异物侵限检测算法 |
| 5.1 算法的总体框架 |
| 5.2 改进模型的性能对比 |
| 5.3 模型的检测效果 |
| 5.4 铁路异物侵限检测领域算法对比 |
| 5.5 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（8）生成式对抗网络在医学图像分割中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要关键词、术语、缩略词对照表 |
| 第一章 绪论 |
| 1.1 研究背景及目的 |
| 1.2 研究现状与发展趋势 |
| 1.2.1 非学习的图像分割方法 |
| 1.2.2 基于传统机器学习的分割方法 |
| 1.2.3 基于深度学习的分割方法 |
| 1.3 研究内容与创新 |
| 1.3.1 基于全卷积判别器的全监督分割算法 |
| 1.3.2 基于生成式对抗网络的半监督语义分割算法 |
| 1.4 论文组织结构 |
| 第二章 图像语义分割及生成式对抗网络研究综述 |
| 2.1 传统分割模型 |
| 2.1.1 边缘检测分割法 |
| 2.1.2 区域分割法 |
| 2.1.3 阈值分割法 |
| 2.1.4 主动轮廓法 |
| 2.2 基于全卷积网络的图像分割方法 |
| 2.2.1 理论基础 |
| 2.2.2 经典分割网络结构 |
| 2.3 生成式对抗网络 |
| 2.3.1 理论基础 |
| 2.3.2 GAN的发展 |
| 2.4 本章小结 |
| 第三章 基于全卷积判别器的全监督分割算法 |
| 3.1 算法整体框架 |
| 3.2 分割网络 |
| 3.2.1 U-Net改进 |
| 3.2.2 V-Net改进 |
| 3.3 置信网络 |
| 3.4 实验与结果分析 |
| 3.4.1 数据集与测评指标 |
| 3.4.2 模型实现细节 |
| 3.4.3 方法比较 |
| 3.4.4 模型分析实验 |
| 3.4.5 模型结果可视化 |
| 3.5 本章小结 |
| 第四章 基于生成式对抗网络的半监督语义分割算法 |
| 4.1 算法整体框架 |
| 4.2 半监督对抗学习 |
| 4.2.1 置信网络 |
| 4.2.2 基于重要性权重的置信网络 |
| 4.3 实验与结果分析 |
| 4.3.1 数据集与测评指标 |
| 4.3.2 模型实现细节 |
| 4.3.3 方法比较 |
| 4.3.4 模型分析实验 |
| 4.3.5 模型结果可视化 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文工作总结 |
| 5.1.1 基于全卷积判别器的全监督分割算法 |
| 5.1.2 基于生成式对抗网络的半监督语义分割算法 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 攻读学位期间参与的项目 |
（9）基于MOOC的大学生混合式学习适应性影响因素及干预研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 时代背景:知识经济时代对人才培养的诉求 |
| 1.1.2 发展趋势:教育信息化背景下进一步提高基于MOOC的混合式学习质量的诉求 |
| 1.1.3 现实问题:解决基于MOOC的混合式学习环境下学习适应性问题的诉求 |
| 1.2 问题的提出 |
| 1.3 研究意义 |
| 1.3.1 理论意义 |
| 1.3.2 实践意义 |
| 1.4 核心概念界定 |
| 1.4.1 MOOC |
| 1.4.2 混合式学习 |
| 1.4.3 学习适应性 |
| 1.4.4 混合式学习适应性 |
| 第2章 研究现状 |
| 2.1 混合式学习研究概况 |
| 2.2 技术支持的学习适应性研究现状 |
| 2.2.1 技术支持的学习适应性研究概貌 |
| 2.2.2 技术支持的学习适应性研究的核心主题 |
| 2.3 总结与述评 |
| 第3章 理论基础 |
| 3.1 分布式认知理论 |
| 3.1.1 分布式认知理论概述 |
| 3.1.2 分布式认知理论的主要应用 |
| 3.1.3 分布式认知理论与本研究的关系 |
| 3.2 社会学习理论 |
| 3.2.1 社会学习理论概述 |
| 3.2.2 社会学习理论与本研究的关系 |
| 3.3 建构主义学习理论 |
| 3.3.1 建构主义学习理论概述 |
| 3.3.2 建构主义学习理论与本研究的关系 |
| 3.4 本章小结 |
| 第4章 研究设计 |
| 4.1 研究目标 |
| 4.2 研究问题的细化与聚焦 |
| 4.3 研究内容 |
| 4.4 研究思路与研究方法 |
| 4.4.1 研究思路 |
| 4.4.2 研究方法 |
| 4.5 研究对象与研究环境 |
| 4.5.1 研究对象 |
| 4.5.2 研究环境 |
| 第5章 基于MOOC的混合式学习适应性及其影响因素组成变量的提出 |
| 5.1 基于理论梳理的变量试拟 |
| 5.1.1 学习适应性组成变量试拟 |
| 5.1.2 学习适应性影响因素变量试拟 |
| 5.2 基于访谈的变量试拟 |
| 5.2.1 实施基础 |
| 5.2.2 访谈具体设计 |
| 5.2.3 资料具体分析 |
| 5.3 理论梳理与访谈结论的总结 |
| 5.3.1 基于MOOC的混合式学习适应性组成总结 |
| 5.3.2 基于MOOC的混合式学习适应性影响因素组成总结 |
| 5.4 专家咨询 |
| 5.4.1 专家团队 |
| 5.4.2 第一轮专家咨询——深度访谈 |
| 5.4.3 第二轮专家咨询——专家问卷 |
| 5.5 本章小结 |
| 第6章 量表编制与因素确定 |
| 6.1 学习适应性量表的编制 |
| 6.1.1 主要测量题项的初始设计 |
| 6.1.2 学习适应性量表的试测与修订 |
| 6.1.3 学习适应性量表的正式确定 |
| 6.2 学习适应性影响因素量表的编制 |
| 6.2.1 主要测量题项的初始设计 |
| 6.2.2 学习适应性影响因素量表的试测与修订 |
| 6.2.3 学习适应性影响因素量表的正式确定 |
| 6.3 本章小结 |
| 第7章 基于MOOC的混合式学习适应性影响因素模型的构建 |
| 7.1 调查研究设计 |
| 7.2 大学生基于MOOC的混合式学习适应性基本情况分析 |
| 7.3 基于MOOC的混合式学习适应性影响因素模型的构建 |
| 7.3.1 影响因素模型假设 |
| 7.3.2 数据处理与结果分析 |
| 7.4 本章小结 |
| 第8章 基于MOOC的混合式学习适应性干预模型的设计 |
| 8.1 理论探索 |
| 8.1.1 理论基础给予的启发 |
| 8.1.2 相关研究给予的启发 |
| 8.1.3 影响因素作用关系赋予的要求 |
| 8.2 学习适应性干预模型的设计 |
| 8.2.1 学习适应性干预模型的总体层次结构设计 |
| 8.2.2 学习适应性干预模型的分项设计 |
| 8.2.3 学习适应性初始干预模型的形成 |
| 8.3 本章小结 |
| 第9章 基于MOOC的混合式学习适应性干预模型的验证 |
| 9.1 基本情况 |
| 9.1.1 参与者 |
| 9.1.2 实施课程 |
| 9.1.3 实施环境 |
| 9.2 行动研究设计 |
| 9.2.1 设计思路 |
| 9.2.2 设计内容与具体时间安排 |
| 9.3 学习适应性干预模型的应用 |
| 9.3.1 干预策略的实施 |
| 9.3.2 课程资源建设 |
| 9.3.3 学习活动设计 |
| 9.4 干预数据的收集与处理 |
| 9.4.1 数据的收集 |
| 9.4.2 数据的处理工具 |
| 9.4.3 数据的具体分析 |
| 9.5 行动研究实践 |
| 9.5.1 第一轮行动研究 |
| 9.5.2 第二轮行动研究 |
| 9.5.3 第三轮行动研究 |
| 9.6 学习适应性干预模型验证的小结 |
| 9.6.1 理论探索 |
| 9.6.2 实践效果 |
| 9.7 学习适应性干预模型的修正与完善 |
| 9.7.1 学习适应性干预模型进一步修正的建议 |
| 9.7.2 学习适应性干预模型的形成 |
| 第10章 研究总结与展望 |
| 10.1 研究的结论与创新点 |
| 10.1.1 研究的主要结论 |
| 10.1.2 研究的创新点 |
| 10.2 研究的不足 |
| 10.3 研究的展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读学位期间的研究成果 |
（10）基于深度学习的SAR图像相干斑抑制（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要研究内容和章节安排 |
| 第二章 相关技术理论基础 |
| 2.1 SAR图像相干斑形成机理 |
| 2.2 SAR图像相干斑的特性分析 |
| 2.2.1 相干斑统计分布 |
| 2.2.2 相干斑概率分布 |
| 2.3 深度学习基本网络结构 |
| 2.3.1 卷积神经网络 |
| 2.3.2 残差连接 |
| 2.4 深度学习用于SAR图像抑斑 |
| 2.4.1 SAR抑斑网络介绍 |
| 2.4.2 已有SAR抑斑网络局限性分析 |
| 2.5 本章小结 |
| 第三章 基于简化密集连接的SAR图像抑斑网络结构设计 |
| 3.1 引言 |
| 3.2 网络结构的设计 |
| 3.2.1 基本网络结构 |
| 3.2.2 简化密集连接 |
| 3.2.3 残差连接 |
| 3.2.4 最终网络结构 |
| 3.3 网络结构验证实验 |
| 3.3.1 实验流程 |
| 3.3.2 构建数据集 |
| 3.3.3 损失函数 |
| 3.3.4 网络训练细节 |
| 3.3.5 评价指标 |
| 3.4 实验结果及分析 |
| 3.4.1 仿真SAR图像实验结果及分析 |
| 3.4.2 真实SAR图像实验结果及分析 |
| 3.4.3 算法效率分析 |
| 3.5 本章小结 |
| 第四章 深度学习和小波变换结合的SAR图像抑斑算法 |
| 4.1 引言 |
| 4.2 算法设计 |
| 4.2.1 算法思路 |
| 4.2.2 2D-DWT实现 |
| 4.2.3 损失函数设计 |
| 4.2.4 算法流程 |
| 4.3 实验结果及分析 |
| 4.3.1 仿真SAR图像实验结果及分析 |
| 4.3.2 真实SAR图像实验结果及分析 |
| 4.3.3 算法效率分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、巧改网络结构,提升网络性能（论文参考文献）
- [1]动态行人入侵检测研究与应用[D]. 孙精辰. 浙江大学, 2021(01)
- [2]面向5G信道模型的聚簇算法的研究[D]. 孙程. 北京邮电大学, 2021(01)
- [3]基于深度学习的晶界抗腐蚀预测方法的研究[D]. 胡东海. 江西理工大学, 2021(01)
- [4]基于深度神经网络的SAR图像质量提升技术研究[D]. 周远远. 电子科技大学, 2021(01)
- [5]基于深度学习的遥感图像语义分割问题研究[D]. 王宇浩. 北京科技大学, 2020(01)
- [6]基于局部非线性特征融合的遮挡人脸检测[D]. 彭心怡. 内蒙古大学, 2020(01)
- [7]基于Faster R-CNN的高速铁路异物侵限检测算法的研究[D]. 陶慧青. 兰州交通大学, 2020(01)
- [8]生成式对抗网络在医学图像分割中的应用研究[D]. 宁擎天. 上海交通大学, 2020(01)
- [9]基于MOOC的大学生混合式学习适应性影响因素及干预研究[D]. 秦瑾若. 陕西师范大学, 2019(01)
- [10]基于深度学习的SAR图像相干斑抑制[D]. 李文广. 西安电子科技大学, 2019(02)