文献综述(或调研报告):
参考与课题有关的专业文献内容后,总结相关文献综述如下:
- 深度学习基础。
近年来,深度学习作为机器学习的新分支,其应用在多个领域取得巨大成功,并一直在快速发展,不断开创新的应用模式,创造新机会。深度学习方法根据训练数据是否拥有标记信息被划分为监督学习、半监督学习和无监督学习。实验结果显示了上述方法在图像处理、计算机视觉、语音识别、机器翻译、艺术、医学成像、医疗信息处理、机器人控制和生物、自然语言处理(NLP)、网络安全等领域的最新成果。
深度学习(学习或分层学习方法的深层架构)是从 2006 年兴起的一类机器学习技术。在深度学习中,学习即是评估模型参数,使学习模型(算法)可执行特定任务。另一方面,深度学习在输入层和输出层之间包含若干个隐层,使得不同阶段的非线性处理单元具有层级结构,以用于特征学习和模式分类。基于数据表征的学习方法也被称为表征学习。根据最新文献,基于深度学习的表征学习涉及特征或概念的层次结构,其中高级概念可以从低级概念定义,低级概念可以从高级概念定义。在一些文章中,深度学习也被描述为一种通用学习方法,可以解决不同应用领域的几乎所有问题(不局限于特定任务)。
- 计算机视觉简述。
与计算机视觉密切相关的概念有视觉感知(visual perception),视觉认知(visual cognition),图像和视频理解( image and video understanding). 这些概念有一些共性之处,也有本质不同。从广义上说,计算机视觉就是“赋予机器自然视觉能力”的学科。自然视觉能力,就是指生物视觉系统体现的视觉能力。一则生物自然视觉无法严格定义,在加上这种广义视觉定义又“包罗万象”,同时也不太符合40多年来计算机视觉的研究状况,所以这种“广义计算机视觉定义”,虽无可挑剔,但也缺乏实质性内容,不过是一种“循环式游戏定义”而已。实际上,计算机视觉本质上就是研究视觉感知问题。计算机视觉的目标是对环境的表达和理解,核心问题是研究如何对输入的图像信息进行组织,对物体和场景进行识别,进而对图像内容给予解释。
计算机视觉40多年的发展中,尽管人们提出了大量的理论和方法,但总体上说,计算机视觉经历了4个主要历程。即: 马尔计算视觉、主动和目的视觉、多视几何与分层三维重建和基于学习的视觉。而基于学习的视觉,是指以机器学习为主要技术手段的计算机视觉研究。基于学习的视觉研究,文献中大体上分为二个阶段:本世纪初的以流形学习( manifold Learning)为代表的子空间法( subspace method)和目前以深度神经网络和深度学习(deep neural networks and deep learning)为代表的视觉方法。
- 基于卷积神经网络的相关物体检测算法简述。
由于无需进行人工的特征设计、良好的特征表达能力及优良的检测精度,目前,基于深度学习的目标检测算法已经超越传统检测方法,成为当前目标检测算法的主流。依据其设计思想,主要可分为两种,即基于区域提名的目标检测算法和基于端到端学习的目标检测算法。
区域提名,即针对图像中目标物体位置,预先提出候选区域的方法。主流的基于区域提名的目标检测算法主要包括:R-CNN,Fast R-CNN,Faster R-CNN等。
以上是毕业论文文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。