5个研究背景和意义示例,教你写计算机感受野论文

今天分享的是关于感受野的5篇计算机毕业论文范文, 如果你的论文涉及到感受野等主题,本文能够帮助到你

基于改进的生成对抗网络的图像修复研究

这是一篇关于图像修复,生成对抗网络,U-Net网络,假纹理,感受野的论文, 主要内容为作为计算机视觉里的一个分支——图像修复,它一直是研究者们追捧的一个重要研究领域,特别是随着深度学习的发展,图像修复的研究热度持续升温,达到一个前所未有的高度。如今,许多著名的图像修复方法都是基于生成对抗网络(Generative Adversarial Network,GAN)而提出的。然而,现有的图像修复方法都或多或少的存在一些问题。基于此,本文提出了两种基于改进的生成对抗网络的图像修复模型,研究内容如下:第一,在图像修复过程中,由于生成器合成的图像会出现纹理、颜色与真实图像不一致等情况,这通常被称为假纹理。而为了减少不合理的像素对生成图片的破坏,本文提出了一种基于假纹理注意力图(Fake-texture Attention Map,FAM)的网络模型(FAM-GAN)。该机制致力于训练假纹理区域以及生成假纹理图,将其与真实图像和修复图像之间生成的灰度像素差图进行对比得到误差,并反馈到网络中,以消除生成器中特征图的像素不一致性,生成更加真实的图片纹理,从而达到图像修复的目的。第二,在图像修复领域中,所提出的方法基本都具有很大的感受野,这适用于对缺失区域比较集中的图像进行修复,而如果缺失区域比较分散,图像的修复效果不佳,即较大的感受野带来的结果可能并不理想。为此本文从感受野以及掩码更新的角度,提出了一种基于全局与局部细化的三阶段图像修复模型,该模型中将传统的卷积替换为了门控卷积。具体过程为:首先将原始图像和掩码的数据集输入到粗略重建网络(小型U-Net网络),得到粗略的图像修复结果;其次进入到局部细化网络(具有小感受野的网络模型),针对图像中缺失的部分进行局部细化;最后将上述结果输入到全局细化网络(具有大感受野的网络模型),对其进行全局细化,生成最终结果。通过对比三个经典图像修复方法在Paris Street View谷歌街景数据集和Celeb A-HQ数据集上的实验结果表明,本文提出的方法在两个流行的公开可用的图像修复数据集上的性能均有较好的表现。

基于人脸识别的考勤系统的设计与实现

这是一篇关于人脸检测,感受野,人脸识别,协调注意力机制,考勤系统的论文, 主要内容为近年来,基于人的面部特征的人脸识别技术在计算机视觉领域备受关注,逐渐成为人们研究的热点问题。与传统的人工点名考勤或身份卡考勤方式相比,基于人脸识别的考勤方式具有耗时短、准确率高的优点。本文针对教室场景设计了一个基于人脸识别的考勤系统,主要研究工作包括以下几个方面:1)为了提高考勤场景下MTCNN人脸检测算法的速度和精度,本文提出了一个基于感受野增强的MTCNN人脸检测算法。首先,为MTCNN算法的R-Net和O-Net网络增加感受野模块,以提高模型对特征的可分辨性和小目标的鲁棒性。其次,采用批量标准化和全局平均池化两种方法,提高网络的收敛速度以及避免网络过拟合。最后,调整了网络任务权重,去除了P-Net和R-Net网络的人脸关键点定位任务,减少了模型的训练时间。本文将改进后的人脸检测算法在FDDB数据集上进行测试,实验结果表明,相较于原始算法,改进的MTCNN算法不仅具有更快的识别速度,而且具有更高的识别精度。2)为了提高考勤场景下人脸识别算法的精度,本文结合Mobile Face Net人脸识别算法与协调注意力机制,提出了一个轻量级的CA-Mobile Face Net人脸识别算法。该算法通过使用协调注意力机制增强网络对图像通道信息和位置信息的关注度,并采用更适用于复杂的现实场景的Elastic Face Loss代替Arc Face Loss进行训练。通过在多个人脸识别评估数据集上进行实验,证明了本文提出的CA-Mobile Face Net人脸识别算法具备更好的识别性能。3)基于前述改进的人脸检测算法和人脸识别算法,本文设计并实现了一个应用于课堂场景的人脸识别考勤系统。该系统采用Flask框架实现前后端数据交互,采用Bootstrap框架实现前端页面的设计,并利用My SQL数据库管理数据。该系统实现了用户信息管理、课程管理、人脸图像上传、人脸识别考勤和考勤信息管理等功能。该系统的界面简洁易用,性能优异,显著提高了课堂考勤效率,节省了教师和学生的上课时间。

基于深度学习的人脸检测与遮挡行人重识别算法研究

这是一篇关于深度学习,人脸检测,行人重识别,语义分割,感受野的论文, 主要内容为本文工作主要由人脸检测、行人重识别两个部分组成,其分别对应了两种不同的应用场景。当可以获得行人的高质量图像时,可通过人脸检测识别技术对行人进行判定识别;当遇到遮挡问题以及光照问题等环境问题时,可以采用行人重识别技术对行人进行判定识别。本文的主要研究内容和创新点如下:1、基于感受野增大的多任务级联人脸检测算法,针对多任务级联人脸检测网络(Multi-Task Cascaded Convolutional Networks,MTCNN)的感受野较小,对小目标特征的可辨性和鲁棒性不够的问题进行了改进。提出了基于感受野增大的多任务级联人脸检测算法(Receptive Field Enhanced MTCNN,RFE-MTCNN),通过利用Inception-V2模块和感受野模块(Receptive Field Block,RFB)模块增强网络感受野。同时采用全局平均池化(Global Average Pooling,GAP)替代全连接层,降低原本的全连接层带来的大量参数,整体网络参数量相比于MTCNN下降了 16%。在这基础上,又在R-Net中引入AM-Softmax损失函数以增强R-Net的分类性能。实验结果表明,与MTCNN相比,本文设计的网络在AFW、PASCAL、FDDB数据集上的性能分别提高了 1.08%、2.84%、1.31%,在WIDER FACE三个子数据集上分别精度提高了 2.3%、2.1%和6.6%。2、基于语义特征匹配的遮挡行人重识别算法,在行人重识别任务中,联合语义分割任务与行人重识别任务进行相互约束,除了行人重识别任务当中常用的三元损失函数,还增加了语义分割损失函数。利用骨干网络以及语义分割网络得到人体各部分的特征信息,将其进行全局最大池化(Global Max Pooling,GMP),得到具有显著性特征的一维向量。利用门控循环神经网络(Gated Recurrent Neural Network,GRU)对一维向量进行编码,帮助网络寻找一维特征内部潜在的关联信息。最后,分别在骨干网络ResNet50的不同层中间引入卷积注意力模块(Convolutional Block Attention Module,CBAM),加强模型关联特征的提取以及增强模型的表达能力。实验结果表明,在Market1501数据集中首位命中率(Rank-1)上提升了 2.1%,整体数据集的平均精度值(Mean Average Precision,mAP)上提升了 4.3%。在遮挡数据集 Partial-REID、Partial-iLIDS18、Partial-iLIDS19,Occluded-REID 以及 Occluded-Duke 分别取得了 87%,72.3%,72.9%,87.4%,56.7%的首位命中率(Rank-1),均达到了较好的效果。