一、A computer generator for randomly layered structures（论文文献综述）
吴康祁[1]（2021）在《基于机器视觉的油田仪表读数识别算法研究》文中提出石油作为现代工业生产的重要原料,是国家重要的战略物资。石油现场由于存在大量压力容器、阀组和管道等装备,具有高温、高压、易燃易爆的特点,一旦发生安全事故后果难以估计。因此,保证安全生产是每一个采油单位工作内容的重中之重。巡检作为最主要的安全保障措施,目前以人工巡检方式为主,该方式劳动强度大、工作效率低、常有漏检、误检等情况发生。为保证高效、可靠的巡检,国内外各大油田生产单位大力发展以机器人为主体的智能巡检模式。仪表读数自动识别是油田巡检机器人的核心功能之一。由于油田环境的复杂性,使得常规的仪表读数识别方法较难应用于油田巡检机器人,因此,展开油田仪表读数识别算法研究对油田巡检机器人的实现具有十分重要的现实意义。仪表读数自动识别作为智能巡检的核心,是当下研究的重点,发展迅速,但仍面临着以下几点困难和不足:（1）当前仪表读数识别算法对视觉环境要求较高,一旦视觉环境不佳,识别结果容易出错;（2）当前针对指针式仪表的读数识别算法步骤较多、容错率较低,鲁棒性较差。针对上述问题,本文利用图像处理技术和深度神经网络对油田常用仪表读数识别进行了详细研究。主要研究内容有:（1）基于图像处理技术的油田仪表读数识别研究。针对油田仪表图像存在由复杂环境导致的模糊、形变、高光以及低光等问题,利用图像降噪、图像增强等技术对仪表图像进行处理,有效提升了仪表图像质量。根据数字式仪表、液位式仪表和指针式仪表的各自特征,分别利用K最邻近分类（KNN）方法、比例法和坐标映射法对读数进行识别,识别精度满足油田巡检抄表要求;（2）基于深度神经网络的指针式仪表读数识别研究。针对基于图像处理技术的指针式仪表读数识别方法存在步骤多、参数多、容错率低以及鲁棒性较差等问题和基于深度神经网络方法中存在仅将网络用于仪表检测、降低环境干扰、未能真正发挥网络强大的拟合能力等问题,提出了基于生成对抗网络（GAN）与细粒度分类网络结合的指针仪表读数识别方法,该方法首先利用深度卷积生成对抗网络（DCGAN）在有限指针仪表图像的基础上生成用于细粒度分类网络训练学习的大规模样本集;其次,利用生成的大规模样本集对细粒度分类网络进行训练;最后,训练好的细粒度分类网络根据输入的指针仪表图像自动识别读数。该方法将读数识别任务转换成细粒度分类任务,完成了“图像-读数”端到端的识别流程,简化了识别步骤,具有较高的鲁棒性和识别正确率。为了验证本文所研究的仪表读数识别算法的有效性,利用大量真实仪表图像分别对基于图像处理技术的油田仪表读数识别方法和基于深度神经网络的指针式仪表读数识别方法进行实验验证,结果表明,在基于图像处理技术的方法中,KNN实现了 94.93%的读数识别正确率;比例法与人工抄表相比仅有3.68%的相对误差;坐标映射法与人工抄表相比仅有0.43%的相对误差,满足油田开发现场的巡检要求。基于深度神经网络的指针仪表读数识别方法达到了 98.23%的识别正确率,达到了简化流程、提高鲁棒性的效果。
贺玉华[2]（2021）在《基于生成对抗网络的视网膜OCT图像去噪与超分辨率方法研究》文中研究指明光相干层析扫描技术（Optical Coherence Tomography,OCT）因具有非侵入性和微米级分辨率的优点而成为眼科疾病诊断的重要工具。然而,基于OCT技术的诊断存在两个无法避免的问题。首先,采集的OCT图像中存在大量斑点噪声;其次,在采集过程中,为了尽可能避免数据丢失,通常采用低空间采样率进行采样,但由此得到的OCT图像具有较低的分辨率。因此,当前临床上需要可行有效、并能同时实现OCT图像去噪和图像超分辨率的算法。针对OCT图像去噪和图像超分辨率任务,所提算法可分为稀疏表示方法和深度学习方法。稀疏表示方法存在效率低和细节信息丢失等问题,现有深度学习方法存在分层边界不清晰和图像平滑等问题。近年来,生成对抗网络在图像转换任务中取得了优秀的结果,OCT图像去噪与超分辨率同样可视为图像域的转换任务,因而本文主提出了两种基于生成对抗网络的方法,具体介绍如下:（1）提出了一种反投影注意力网络的方法。该方法将图像去噪与超分辨率视为图像域的转换任务,生成器在判别器的对抗和感知损失的约束下,生成更高质量的高分辨率无噪图像。其中,生成器网络中融入了残差学习、反投影学习和注意力机制,残差学习用于提取低分辨率图像的深层次特征信息,反投影学习低分辨率图像和高分辨率图像间的相互依赖关系,注意力机制对高分辨率特征进行注意力资源的再分配。判别器中引入了相对平均判别器的思想,通过计算相对真实和虚假的概率来代替绝对概率。实验结果表明该方法在去除噪声和超分辨率的同时可以重建出具有清晰结构的图像。（2）提出了一种基于生成对抗网络的无监督方法。由于监督方法在训练过程中需要严格对齐的数据,并且现有基于循环生成对抗网络（Cycle-Consistent Adversarial Networks,CycleGAN）的无监督方法仅能实现图像风格的迁移,即生成图像质量较差。针对该问题本文提出了一种新的无监督方法,该方法将OCT图像去噪和图像超分辨率视为一个两阶段问题,通过原始的CycleGAN网络和额外的约束网络来逐步实现这一任务。即CycleGAN网络实现图像的去噪过程,额外的约束网络实现LR无噪图像的超分辨率过程。在CycleGAN方法中通过循环一致性损失和对抗损失来指导该模型的训练。在额外引入的网络中,通过重建损失和对抗损失来对其进行约束。从实验结果来看,该方法在主观视觉上较优于对比的监督方法和无监督方法,在客观指标上略差于监督方法。最后通过公开的OCT图像层次分割软件对重建结果进行自动分割,进一步证明了本文所提方法的有效性。
宋灿[3]（2021）在《图像迁移学习的多场景应用关键技术研究》文中研究表明卷积神经网络被广泛应用于各种图像处理任务,其在图像分类、目标检测和语义分割等任务中都获得了较好的效果。在许多应用上,为了达到满意的效果,卷积神经网络模型需要使用大量的标记数据进行有监督学习。这些数据不仅需要花费昂贵的成本,而且需要保证实际应用中的场景数据和先前的标记数据是相似的。换而言之,当训练数据和测试数据满足同分布的假设时,模型才具有较好的泛化能力。然而,在很多应用场景中数据在不断变化,重新标注数据代价高昂,因此,许多研究者尝试通过迁移学习来解决这一问题。本文针对不同的应用场景展开了基于卷积神经网络的迁移学习方法研究,详细的研究内容如下:（1）基于颜色迁移的遥感影像颜色一致性校正。针对遥感影像的颜色校正问题,当待校正图像和参考图像分别由高分卫星和低分卫星获取时,待校正图像和参考图像存在分辨率相差过大的问题。此时,待校正图像和参考图像难以获取到准确的像素级对应关系,无法得到可用于强监督学习的训练数据。为了解决这一问题,本文提出了一个基于弱监督学习的深度卷积神经网络模型,通过颜色迁移的方式进行色彩校正。首先,通过无监督学习训练了一个变分自编码网络模型,该模型能提取内容感知的分层特征;然后,以对抗生成网络的方式训练了一组作用于分层特征的风格参数,该参数能基于图像的语义内容对特征进行修正,使得最终的生成图像和参考图像的颜色一致;最后,结合变换自编码网络和风格参数对待校正的图像进行颜色校正。实验结果表明,在SIFT特征关键点匹配对数、梯度方向损失和EM距离这三个指标上,本文的方法优于较新的UNIT,Cycle GAN方法。（2）基于颜色迁移的夜间道路场景解析。在缺少夜间标记数据的情况下,仅使用日间标记数据训练的卷积网络模型,难以较好地解析夜间场景。为了解决这一问题,本文尝试通过颜色迁移降低日间和夜间数据之间的差异性,提升夜间场景的解析精度。首先,本文对常见的语义解析卷积神经网络模型进行了研究,提出了一种自适应上采样的方法优化语义分割边缘,提升模型的预测精度;然后,使用颜色迁移模型对夜间图像进行颜色变换,以此降低夜间图像和日间图像之间的差异性;最后,再使用日间图像训练的语义解析模型进行夜间道路场景解析。实验验证,使用颜色迁移和语义解析分步处理的方式,在仅有日间标注数据的条件下能有效优化夜间道路场景解析结果。相比不使用迁移学习直接进行预测,最终的解析结果在m Io U这一指标上提升了1.9%。（3）基于语义迁移的夜间道路场景解析。通过颜色迁移和语义解析分步处理的方式,虽然能有效提升夜间场景的分割效果,但两个网络彼此没有关联,无法进行联合优化,同时需要耗费更多的计算量。为此,本文尝试直接对网络提取的语义特征进行迁移学习,将迁移学习模块和语义解析模块融合起来单步处理。首先,通过无监督学习的方式训练了一个对光照不敏感的特征提取器,在语义特征空间降低日间数据和夜间数据之间的差异性;然后,使用日间标记数据训练了一个场景解析网络模型,将提取的特征转换为对应的语义标签;最后,将语义特征提取模块和语义解析模块组合成最终的模型,进行夜间道路场景解析。实验结果表明,最终的模型比未使用迁移学习得到的模型在m Io U指标上提升了5.24%,显着改善了夜间道路场景图像的解析结果。综上所述,本文针对遥感影像颜色一致性校正和夜间道路场景解析问题,基于迁移学习对此进行了研究。同时,丰富的定量与定性实验表明,在以上两种应用场景下,所提出的迁移学习方法能有效地解决缺少标记数据或标记数据不准确的问题。因此,本文的研究成果可能在相关领域具有潜在的应用前景。
赵锴[4]（2021）在《基于多视图的网络表示学习研究与实现》文中认为近年来,随着数字时代下结构化数据的大量涌现,如何对这类更加复杂的信息进行计算、分析与挖掘成为了一个亟待解决的问题。信息网络作为建模结构化数据的方法,已经被广泛应用于各种场景与任务中。而网络表示学习,通过设计出节点间的相似性度量计算,可以有效地将网络中的节点或边表示成低维空间中的稠密向量,并学习网络拓扑结构和属性特征等丰富信息,解决了传统的邻接矩阵或特征构造面临的时空复杂度高以及泛化性能差等问题;同时后续也可以利用机器学习中的各种先进算法与模型,将学习到的表示作为输入特征向量,从而高效地运用于关系推理、推荐系统、分类聚类等各种下游任务上。因此,网络表示学习能有效地对结构化数据进行计算、分析与挖掘。虽然现有的方法已经对同质网络（只含有一种节点类型）与异质网络（含有多种节点类型）的表示学习分别进行了大量研究,并在各种任务中得到成功应用,但是现有的方法绝大多数都只关注于解决单视图网络,即一对节点间只存在一种关系,并不能有效地推广到多视图网络。在现实中,由多关系类型形成的多视图网络的存在更加广泛,例如社交网络中好友关系和转发关系等,学术网络中合着关系和引用关系等。因而现有方法在真实场景中多视图网络下的效果仍然有待提升。不同关系类型形成的不同视图,所蕴含的信息可能是相互一致的,也可能是相互互补的。因此如何对多视图网络下的互补信息进行识别保存,并对多视图网络下的一致信息进行融合则是其中的关键,从而最终让学习到的表示向量能够捕捉更加全面、丰富与复杂的多视图网络信息。对此,本论文展开了基于多视图的网络表示学习的相关工作,主要包括以下三点:1、提出并实现了基于生成对抗的多视图网络表示学习模型MV-ACM。其首先使用网络拓扑结构相似性计算模块来衡量各个视图网络的一致性与互补性,而后采用对抗学习技术来生成多视图网络的表示向量:判别器模块用于区分各视图间的互补性,并利用基于多视图的分层隐藏状态来提取这些信息,以分别保留各视图特有的互补信息;生成器模块用于推荐出一致性更强的多个视图,通过多视图互享的中间隐藏状态,利用图卷积技术来进行信息聚合,实现一致信息的融合。最后使用学习到的表示向量进行链路预测和节点分类任务,在多种真实数据集上的实验结果表明,本文的模型效果有显着提升。2、提出并实现了基于模体的多视图网络表示学习模型。对于单视图网络,通过发现不同的模体子结构,对子结构中的节点建立对应的模体关系,从而形成基于不同模体的多视图网络。将原始单视图网络转化为高阶结构信息更加丰富的多视图网络,再进行多视图网络表示学习,实验证明其能更有效地学习模体子结构信息,增强表示向量的表达能力。3、将基于多视图的网络表示学习应用于淘宝平台的商品搜索和推荐具体任务中。通过构建用户与商品间历史的搜素点击以及推荐点击双视图网络,能够将搜索和推荐数据统一建模。同时运用基于注意力机制的多视图网络表示学习,得到用户与商品的表示,用于最终的点击率预测。通过联合学习两种视图下的用户偏好和商品特征,本模型的效果在两种任务上都得到了显着提升。
温伟健[5]（2020）在《深度神经网络性能和规模的量化分析》文中进行了进一步梳理深度神经网络已经被广泛应用在计算机视觉、自然语言处理、语音识别等领域。随着深度神经网络的层数越来越深,参数规模也越来越大,训练与运行深度神经网络的时间也越来越长,对机器设备的要求也越来越高,深度神经网络在手机等移动设备上的部署和运行也受到约束,因此减小深度神经网络的计算量和存储空间显得尤为重要。深度神经网络剪枝是一种通过剪枝减少网络参数冗余缩小网络规模的方法。本文从深度神经网络中的权重值出发,分析其大小以及其变化趋势,并采用不同的方法对权重进行剪枝以缩小深度神经网络的规模,降低其对硬件设备的要求、减少能耗以及更好地部署在移动平台上。本文主要工作内容如下:（1）设置探针获取深度神经网络的权重值,通过从曲线趋势、斜率、离散程度等方面对训练过程中的权重参数进行量化分析,发现生成式网络的权重在训练过程中不同阶段的特征,结合实验提出了一个可行的用于判断深度网络训练是否可以适时终止的条件。（2）采用细粒度的单个权重剪枝方式对深度卷积神经网络进行剪枝,实验结果表明该剪枝方法能有效减少参数冗余,剪枝后的网络更为稀疏,并能获得与原网络接近的准确度。（3）采用结构化的卷积核剪枝方式对生成式对抗网络进行剪枝,实验结果表明使用卷积核剪枝方式对生成器网络进行剪枝可以使得网络模型在剪枝后直接缩小存储空间和提升运行速度。（4）为检验剪枝带来的实效,尝试将剪枝后的深度网络部署在Android平台并获得成功,表明深度网络可以在经过简化后在低端平台部署应用。
郭优[6]（2020）在《基于属性独立生成对抗网络的人脸属性迁移方法研究》文中研究指明人脸属性迁移是一种图像生成技术,它指的是由一张真实人脸图像生成具有相同身份信息、指定属性信息的人脸图像,并尽可能保留原始图像中的细节信息。基于特征提取神经网络的传统方法所生成的人脸图像真实感较差,且细节信息不足。为了提高生成图像的质量,在人脸属性迁移算法中引入了生成对抗网络。现有的算法中仍存在的问题有:一些研究聚焦于属性之间的独立性而忽视了信息的完整性,导致了生成图像中身份信息的丢失;另一些方法注重信息的完整性而不能保证属性之间的独立性,导致了生成图像中非指定属性信息的变化;现有算法的生成对抗网络结构中判别器和生成器很难同时收敛,导致了训练过程中存在的训练不稳定、模式崩溃等问题。针对现有算法中的上述问题,本文提出了一种基于属性独立生成对抗网络的人脸属性迁移算法。同时,针对生成对抗网络中的判别器与生成器提出了一种可变式交替训练机制。论文的工作分为三部分:（1）提出了一种基于属性独立生成对抗网络的人脸属性迁移算法。论文引入了分层结构的身份向量,其不同部分可控制生成人脸图像中不同层次的特征。在网络中引入了编解码器的结构,在损失函数中引入了身份向量的重构损失,使得本算法既能保证属性之间的独立性,又能最大程度的减少生成图像中其它细节信息的丢失。（2）提出了一种生成对抗网络的训练方法。除了解决训练不稳定和模式崩溃等常见问题,本方法还针对判别器和生成器提出了一种可变式交替训练机制,在训练过程中可以根据当前状态实时调整交替参数的值以维持判别器和生成器之间的动态平衡。这保证了网络在反向传播中能获得较高的梯度值,并能有效防止梯度消失现象的发生。（3）通过实验证明上述方法的有效性,主要包括:与现有算法所生成的人脸图像在多个评价指标下的对比分析、本模型在不同训练方法下收敛情况的对比分析。实验表明:论文所设计的人脸属性迁移算法能够生成更加清晰和真实的人脸图像;论文所提出的训练方法能在加速生成对抗网络收敛过程的同时有效防止梯度消失现象的发生。
黄路遥[7]（2020）在《基于序列生成对抗网络的综合素质评价系统文本生成研究》文中进行了进一步梳理综合素质评价是素质教育的一项规范,开发针对综合素质评价的管理系统非常有必要,不仅可以方便管理在读学生的学习状态,归档后的数据也是将来进一步提高素质教育水平的重要参考。但目前的素质评测存在很强的主观性,主要体现在控制权集中在班主任手中,以及某些学校的评测过程往往不透明、不公开,导致社会上对于综合素质评价仍然存在质疑。本文使用江西省普通高中毕业生往年的综合素质评价数据,通过基于大数据的文本生成方法,以及完全的线上管理,在一定程度上降低参评者的主观影响,提高评语填写的公正性;同时减少教师在撰写评语上所花费的时间,提高工作效率。本文针对素质教育评语内容的生成,对计算机自动文本生成进行了深入的研究分析。首先分类和总结了文本生成领域的研究成果,对几种相关的神经网络的基本概念、具体结构以及训练方法进行了介绍说明。在此基础上,根据调研提出的下游任务在序列生成对抗网络模型上进行改进,分别在判别器和生成器中加入关联语义对特征及隐变量的影响,实现了基于抽象的关联语义控制的评语生成方法,使得网络能够根据输入的评价等级生成符合预期效果的文本。并且采用了自动评测和人工评测两种方式互补建立评价系统。实验结果表明,该方法较好地实现了评语的自动生成。最后,以综合素质评价管理系统为案例,提出评语生成的辅助功能,并给出了初步的系统设计,实现了上述研究成果的实际应用,验证了其可用性。
尤惠彬[8]（2020）在《自对弈棋局学习样例生成器的设计与实现》文中认为计算机博弈是人工智能领域中一个重要的研究方向。作为计算机棋类游戏学习中的一个重要方法,自对弈学习是指仅依赖对弈过程及终局输赢结果的一种学习方式。在整个自对弈过程中,除下棋规则外不事先设定任何领域知识,也无专家参与指导。目前,基于极大极小值算法、α-β剪枝算法和蒙特卡洛搜索算法的自对弈学习已经取得卓越成绩,但是在棋类游戏人工智能研究中仍然存在很多未能研究清楚的问题。其中,研究人员需要面对的主要问题之一是如何在有限的时间内尽可能多的收集到高质量的学习样例。针对这一问题,本文设计并实现一个自对弈学习样例生成器软件系统。在充分分析了研究人员对样例生成器的需求后,设计和完成了两个子系统:井字棋学习样例生成器子系统和西洋跳棋学习样例生成器子系统。本文主要工作如下:⑴分析了样例生成器的概念框架结构,该框架包括生成器、执行系统、鉴定器和泛化器四个部分。执行系统以生成器产生的新棋局为输入,根据评估函数V自对弈并得到学习样例（行棋记录）,鉴定器使用学习样例进行训练;泛化器产生新评估函数。⑵设计和实现了井字棋和西洋跳棋学习样例生成器子系统,井字棋子系统穷尽棋面来生成所有学习样例,并直观展示完整的博弈树及样例生成过程;西洋跳棋子系统复杂度较高,使用边对弈边保存的方法得到学习样例。⑶提出了两种棋盘状态评分方法和两个学习指标来分别测试两个子系统的生成能力,结果表明两个子系统都达到了设计目标。井字棋子系统在两种评价方法下均可生成有效样例,西洋跳棋子系统可根据指标来控制样例的生成个数。自对弈学习样例生成器软件系统已作为平台提供给相关研究人员,近半年的运行表明,系统运行总体正常。可以有效生成两类棋局的学习样例,并较好地满足了研究人员的实验验证的需要。
黄彩红[9]（2020）在《基于自适应遗传算法的DPR-FPGA资源布局研究》文中研究表明现场可编程逻辑门阵列（Field Programmable Gate Array,FPGA）作为一种高集成度的半定制专用集成电路芯片,具有高并行性、高速度、低功耗、低成本的优势,被广泛的应用于大型数据中心、云服务平台中实现任务加速处理。随着动态部分可重构（Dynamic Partial Reconfigurable,DPR）的FPGA（DPR-FPGA）出现,FPGA的灵活性和开发潜力得到了进一步提升,但也给片上资源布局带来更大挑战,复杂的设计约束需要匹配更加高效的布局算法以获得好的布局结果。基于上述问题,本文总结分析了面向多任务的DPR-FPGA资源布局过程,将其细分为片上一次可部署的多任务问题和需进行多次部署的多任务问题,并就两个子问题分别提出解决方案,设计实现了DPR-FPGA的多任务自适应布局方案。具体研究内容如下:（1）将片上一次可部署的多任务问题抽象为基于平面的二维资源映射问题,提出了一种自适应资源布局算法,改进了自适应遗传算法（Adaptive Genetic Algorithm,AGA）,设计了一种基于句柄——任务关联的间接编码方式,实现二维布局解空间与编码空间的映射;优化了句柄——属性交叉和染色体逆序变异操作,增强自适应资源布局算法的全局搜索能力,能够在较短时间内获得较优的二维平面布局结果;综合考虑资源利用率以及最大可用空闲区两个评价指标,设计了多目标优化的适应度函数,实现了自适应的启发式布局算法,提高了FPGA资源布局的效率。（2）在以上工作基础上,为进一步解决需进行多次部署的多任务问题,将其抽象为基于时序的三维配置规划问题,提出了一种基于任务依赖的离线3D布局器,通过对多任务间的数据依赖关系进行分析,划分任务的布局阶段,结合动态部分可重构技术中的部分配置分层原理,得出多任务布局的部分配置时序,设计实现了具有整体规划能力的离线3D布局器。（3）将基于AGA的自适应资源布局算法与基于任务依赖的离线3D布局器相结合,设计DPR-FPGA多任务自适应布局方案,综合了启发式布局和三维全局规划的优点,实现了芯片资源的空间复用,进一步改善了多任务布局的资源平衡问题。最后,使用TGFF工具生成任务序列进行对比实验。将基于AGA的自适应资源布局算法与其他二维布局算法对比,结果表明,该算法具有强鲁棒性,能够有效避免早熟问题,较快地得到布局优解,有效提高资源利用率至69.1%,提高最大可用空白区至芯片资源的40.6%。同时将DPR-FPGA自适应布局方案进行实现分析,结果表明,该方案将布局时间消耗分担到开发设计过程中,减少部分配置等待时间,缓解了资源的冗余占用情况,能够有效解决DPR-FPGA的多任务资源布局问题。
耿慧玲[10]（2020）在《基于计算机视觉的裂缝检测与宽度计算》文中研究表明公路路面图像的裂缝检测与宽度计算是交通系统维护公路质量的重要步骤。传统的人工检测与统计方法伴随着主观性的同时,耗费太多的人力资源。随着计算机视觉领域的发展,智能交通系统应运而生。基于计算机视觉的裂缝检测与宽度计算,已经成为公路质量检测与评估的重要手段。本文从裂缝检测与宽度计算两个方面做深入的探索与研究。为了提高裂缝检测与宽度计算的精度与效率,本文进行了以下的研究工作:首先,本文对裂缝检测与宽度计算的研究背景与意义以及研究历史与现状进行了概述,对现有的裂缝检测与宽度计算方法的优劣进行分析,总结它们在实际应用中可能存在的问题。然后针对这些问题,本文提出了自己的方法,并依次阐述了该方法使用的相关技术,包括深度学习、生成对抗网络、条件生成对抗网络、循环生成对抗网络、U-Net网络、主成分分析算法、鲁棒性主成分分析算法和随机抽样一致算法。其次,本文提出了一种基于映射转换的无监督裂缝检测算法。在实际应用中,裂缝检测面临以下挑战:（1）标注的裂缝数据集较少,且公开数据集中像素级标注图像数目极少;（2）裂缝边缘不清晰,且数据集标注存在一定的误差;（3）随着时间的流转公路环境相差过大,已存在的有监督裂缝检测算法对环境敏感,不具有通用性。为了解决这些问题,本文提出了无监督的裂缝检测方法。该方法使用改进的U-Net生成网络与全连接的判别网络相互博弈。为了减少生成网络的样本空间,本文引入了循环一致网络与循环一致损失函数,得到原始裂缝图像到二值裂缝图像的映射模型。实验结果表明,该方法在裂缝检测上的效果比已经存在的基于机器学习的方法和部分有监督的方法准确率更高,并且在定性分析的视觉效果上也有较好的展示。最后,本文提出了一种基于级联主成分分析的裂缝宽度计算方法。本文提出的裂缝宽度计算方法是像素级别的计算方法。该方法主要是利用级联主成分分析算法计算裂缝的主轴,然后沿着垂直于裂缝主轴的方向统计裂缝的像素个数。它采用了一种分层结构的思想。首先利用主成分分析算法计算裂缝主轴,然后使用随机抽样一致算法验证主轴的准确性,对于一些裂缝形状复杂,计算不准确的主轴,采用鲁棒性主成分分析算法重新计算裂缝的主轴。这不仅提高了算法的准确性,还提高了算法的效率。实验结果表明基于级联主成分分析计算裂缝宽度具有较高的准确率。
二、A computer generator for randomly layered structures（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 computer generator for randomly layered structures（论文提纲范文）
（1）基于机器视觉的油田仪表读数识别算法研究（论文提纲范文）
| 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 数字式仪表 |
| 1.2.2 液位式仪表 |
| 1.2.3 指针式仪表 |
| 1.3 现有油田仪表读数识别算法的局限性 |
| 1.4 主要研究内容及技术方案 |
| 1.5 本文章节安排 |
| 2 基于图像处理技术的油田仪表读数识别 |
| 2.1 引言 |
| 2.2 清晰度评价 |
| 2.3 仪表检测 |
| 2.4 图像校正 |
| 2.5 图像降噪及增强 |
| 2.6 高低光图像修复 |
| 2.6.1 高光图像修复 |
| 2.6.2 低光图像修复 |
| 2.7 数字式仪表读数识别 |
| 2.7.1 字符分割 |
| 2.7.2 特征值提取及字符匹配 |
| 2.8 液位式仪表读数识别 |
| 2.9 指针式仪表读数识别 |
| 2.9.1 指针分割 |
| 2.9.2 刻度与交点坐标提取 |
| 2.9.3 读数识别 |
| 2.10 仿真及结果分析 |
| 2.10.1 检测、校正、降噪及增强仿真及结果分析 |
| 2.10.2 高低光图像修复仿真及结果分析 |
| 2.10.3 数字式仪表读数识别仿真及结果分析 |
| 2.10.4 液位式仪表读数识别仿真及结果分析 |
| 2.10.5 指针式仪表读数识别仿真及结果分析 |
| 2.11 本章小结 |
| 3 基于DCGAN的指针式仪表样本扩充 |
| 3.1 引言 |
| 3.2 卷积神经网络(CNN) |
| 3.2.1 卷积层 |
| 3.2.2 池化层 |
| 3.2.3 全局平均池化层 |
| 3.3 生成对抗网络模型(GAN) |
| 3.3.1 结构与原理 |
| 3.3.2 训练算法及优化方法 |
| 3.4 深度卷积生成对抗网络(DCGAN) |
| 3.4.1 卷积判别器 |
| 3.4.2 反卷积生成器 |
| 3.4.3 优化算法 |
| 3.5 仿真及结果分析 |
| 3.6 本章小结 |
| 4 基于PMG模型的指针式仪表读数识别 |
| 4.1 引言 |
| 4.2 细粒度图像分类 |
| 4.3 Resnet-50残差网络 |
| 4.4 PMG细粒度分类模型 |
| 4.4.1 拼图生成器 |
| 4.4.2 PMG模型网络结构 |
| 4.4.3 PMG模型训练框架 |
| 4.5 仿真及结果分析 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（2）基于生成对抗网络的视网膜OCT图像去噪与超分辨率方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 选题背景及意义 |
| 1.1.1 OCT成像技术简介 |
| 1.1.2 视网膜简介及其OCT图像 |
| 1.1.3 OCT图像去噪和超分辨率的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 稀疏表示方法 |
| 1.2.2 深度学习方法 |
| 1.3 本文主要工作和章节安排 |
| 1.3.1 本文主要工作 |
| 1.3.2 本文章节安排 |
| 第2章 基础理论 |
| 2.1 相关网络结构 |
| 2.1.1 VGG网络 |
| 2.1.2 深度反投影网络 |
| 2.1.3 注意力机制 |
| 2.1.4 生成对抗网络 |
| 2.1.5 循环生成对抗网络 |
| 2.2 图像质量评价 |
| 2.2.1 峰值信噪比 |
| 2.2.2 边缘保留指数 |
| 2.2.3 对比度噪声比 |
| 2.2.4 等效视数 |
| 2.2.5 结构相似性指数 |
| 2.3 本章小结 |
| 第3章 基于反投影注意力网络的OCT图像去噪与超分辨率方法研究 |
| 3.1 引言 |
| 3.2 基于反投影注意力网络的OCT图像去噪与超分辨率算法设计 |
| 3.2.1 整体框架设计 |
| 3.2.2 反投影注意力生成器设计 |
| 3.2.3 判别器网络设计 |
| 3.2.4 损失函数设计 |
| 3.3 实验细节 |
| 3.3.1 数据集 |
| 3.3.2 实验环境和参数设置 |
| 3.4 实验结果及分析 |
| 3.4.1 感知损失对实验结果的影响 |
| 3.4.2 注意力模块对实验结果的影响 |
| 3.4.3 对比实验 |
| 3.5 本章小结 |
| 第4章 基于无监督的OCT图像去噪与超分辨率方法研究 |
| 4.1 引言 |
| 4.2 基于生成对抗网络的无监督OCT图像去噪与超分辨率算法研究 |
| 4.2.1 整体框架设计 |
| 4.2.2 生成器网络设计 |
| 4.2.3 判别器网络设计 |
| 4.2.4 损失函数 |
| 4.3 实验细节 |
| 4.3.1 数据集 |
| 4.3.2 硬件环境和参数设置 |
| 4.4 实验结果与分析 |
| 4.4.1 视觉效果分析 |
| 4.4.2 客观评价指标分析 |
| 4.4.3 视网膜层次分割结果分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（3）图像迁移学习的多场景应用关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 卷积神经网络 |
| 1.2.2 迁移学习 |
| 1.2.3 跨分辨率的遥感影像颜色一致性校正 |
| 1.2.4 夜间城市道路场景解析 |
| 第2章 卷积神经网络的基础理论和相关研究 |
| 2.1 卷积神经网络的发展历史 |
| 2.2 卷积神经网络的基本模块 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 非线性层 |
| 2.2.4 规范化层 |
| 2.2.5 丢弃层 |
| 2.3 卷积神经网络的运行模式 |
| 2.3.1 模型结构 |
| 2.3.2 模型求解 |
| 2.4 典型的迁移学习网络 |
| 2.4.1 CycleGAN |
| 2.4.2 UNIT |
| 2.5 典型的语义分割网络模型 |
| 2.5.1 FCN |
| 2.5.2 UNet |
| 2.5.3 PSPNet |
| 2.5.4 Deeplabv3+ |
| 2.6 本章小结 |
| 第3章 基于颜色迁移的遥感影像色彩一致性校正 |
| 3.1 引言 |
| 3.2 遥感影像颜色校正的模型框架 |
| 3.3 编码器解码器网络 |
| 3.3.1 编解码器模型的相关分析 |
| 3.3.2 编解码器网络模型的设计 |
| 3.4 风格网络模型 |
| 3.4.1 风格参数设计 |
| 3.4.2 风格参数的求解 |
| 3.4.3 内容一致性约束 |
| 3.5 网络模型的详细设置 |
| 3.5.1 网络结构设置 |
| 3.5.2 损失函数 |
| 3.6 实验结果评估 |
| 3.6.1 定性分析 |
| 3.6.2 定量分析 |
| 3.7 本章小结 |
| 第4章 基于颜色迁移的夜间道路场景解析 |
| 4.1 引言 |
| 4.2 基于自适应上采样的语义分割 |
| 4.2.1 遥感影像分割框架 |
| 4.2.2 金字塔池化模块 |
| 4.2.3 异步融合非局部模块 |
| 4.2.4 自适应上采样模块 |
| 4.2.5 实验结果 |
| 4.3 基于颜色迁移的语义解析 |
| 4.3.1 夜间道路场景解析框架 |
| 4.3.2 颜色迁移模块 |
| 4.3.3 实验结果 |
| 4.4 本章小结 |
| 第5章 基于语义迁移的夜间道路场景解析 |
| 5.1 引言 |
| 5.2 场景迁移框架 |
| 5.3 场景迁移学习 |
| 5.4 夜间道路场景解析模型 |
| 5.4.1 编码解码网络 |
| 5.4.2 生成对抗网络 |
| 5.4.3 分割网络 |
| 5.4.4 网络超参数配置 |
| 5.4.5 损失函数 |
| 5.5 实验设置 |
| 5.5.1 网络结构设置 |
| 5.5.2 实验参数设置 |
| 5.6 实验结果 |
| 5.6.1 消融实验 |
| 5.6.2 性能比较 |
| 5.7 本章小结 |
| 第6章 结论与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读博士学位期间取得的科研成果 |
| 附录2 攻读博士学位期间参加的科研项目 |
（4）基于多视图的网络表示学习研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 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 |
| 1.2.1 网络表示学习 |
| 1.2.2 图神经网络 |
| 1.2.3 多视图学习 |
| 1.3 研究内容 |
| 1.3.1 基于生成对抗的多视图网络表示学习模型 |
| 1.3.2 基于模体的多视图网络表示学习模型 |
| 1.3.3 多视图网络表示学习在商品搜索与推荐中的应用 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第二章 相关概念及技术 |
| 2.1 网络 |
| 2.1.1 定义及相关概念 |
| 2.1.2 异质网络 |
| 2.1.3 多视图网络 |
| 2.2 网络表示学习 |
| 2.2.1 定义 |
| 2.2.2 相关技术及原理 |
| 2.3 图神经网络 |
| 2.4 注意力机制 |
| 2.5 本章小结 |
| 第三章 基于生成对抗的多视图网络表示学习模型 |
| 3.1 引言 |
| 3.2 模型设计与实现 |
| 3.2.1 多视图结构 |
| 3.2.2 数据处理层 |
| 3.2.3 模型总架构图 |
| 3.2.4 邻居聚合网络 |
| 3.2.5 生成器网络 |
| 3.2.6 判别器网络 |
| 3.2.7 优化目标 |
| 3.3 实验设计与结果分析 |
| 3.3.1 数据集 |
| 3.3.2 基准模型 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于模体的多视图网络表示学习模型 |
| 4.1 模型设计与实现 |
| 4.1.1 多视图网络构造 |
| 4.1.2 基于注意力的学习网络 |
| 4.1.3 优化目标 |
| 4.2 实验设计与结果分析 |
| 4.2.1 数据集 |
| 4.2.2 基准模型 |
| 4.2.3 实验结果与分析 |
| 4.3 本章小结 |
| 第五章 多视图网络表示学习在商品搜索与推荐中的应用 |
| 5.1 引言 |
| 5.2 数据介绍和任务定义 |
| 5.2.1 数据介绍 |
| 5.2.2 任务定义 |
| 5.3 模型设计与实现 |
| 5.3.1 双视图网络构建 |
| 5.3.2 图神经网络点击率预测 |
| 5.4 实验与结果分析 |
| 5.4.1 基准模型 |
| 5.4.2 结果与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（5）深度神经网络性能和规模的量化分析（论文提纲范文）
| 摘要 |
| Abstact |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及方案 |
| 1.4 论文结构安排 |
| 第二章 相关领域和技术简介 |
| 2.1 深度神经网络相关知识概述 |
| 2.2 网络剪枝相关知识概述 |
| 2.3 参数共享 |
| 2.4 权值量化 |
| 2.5 知识蒸馏 |
| 2.6 本章小结 |
| 第三章 深度网络学习过程中权重变化的量化分析 |
| 3.1 动机和相关因素 |
| 3.2 探针的设计与实现 |
| 3.3 深度神经网络的训练 |
| 3.4 权重数据的量化分析 |
| 3.5 网络训练可以终止的条件 |
| 3.6 本章小结 |
| 第四章 卷积神经网络剪枝详细设计与实现 |
| 4.1 问题的提出 |
| 4.2 单个权重剪枝 |
| 4.3 实验设计与实现 |
| 4.4 实验结果分析 |
| 4.5 结论 |
| 4.6 本章小结 |
| 第五章 生成式对抗网络剪枝详细设计与实现 |
| 5.1 问题的提出 |
| 5.2 基于卷积核的剪枝方法 |
| 5.3 实验结果分析 |
| 5.4 结论 |
| 5.5 本章小结 |
| 第六章 在移动平台上完成深度学习任务 |
| 6.1 动机及相关因素 |
| 6.2 将深度网络移植到Android平台 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 本文工作展望 |
| 参考文献 |
| 致谢 |
（6）基于属性独立生成对抗网络的人脸属性迁移方法研究（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 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第二章 相关技术 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积层和激活函数 |
| 2.1.2 池化层 |
| 2.1.3 全连接层 |
| 2.2 变分自编码器 |
| 2.3 生成对抗网络 |
| 2.3.1 基本原理 |
| 2.3.2 改进模型 |
| 2.4 基于神经网络的风格迁移方法 |
| 2.4.1 基于特征提取网络的风格迁移 |
| 2.4.2 基于生成对抗网络的风格迁移 |
| 2.5 本章小结 |
| 第三章 基于属性独立生成对抗网络的人脸属性迁移算法 |
| 3.1 人脸属性迁移模型 |
| 3.2 总体框架设计 |
| 3.2.1 网络的前向传播 |
| 3.2.2 身份向量 |
| 3.3 损失函数 |
| 3.3.1 对抗损失 |
| 3.3.2 属性分类损失 |
| 3.3.3 图片重构损失 |
| 3.3.4 身份向量重构损失 |
| 3.3.5 总体损失函数 |
| 3.4 网络结构 |
| 3.4.1 全卷积神经网络 |
| 3.4.2 跳跃连接 |
| 3.4.3 潜变量分层结构 |
| 3.4.4 归一化层 |
| 3.4.5 共享卷积结构 |
| 3.5 网络实现 |
| 3.5.1 网络具体结构 |
| 3.5.2 跳跃连接与身份向量分层的实现 |
| 3.5.3 WGAN-GP的实现 |
| 3.5.4 归一化层的实现 |
| 3.5.5 共享卷积结构的实现 |
| 3.6 本章小结 |
| 第四章 生成对抗网络中的可变式交替训练机制 |
| 4.1 神经网络的训练方法 |
| 4.1.1 常见的神经网络训练方法 |
| 4.1.2 生成对抗网络训练中存在的问题 |
| 4.2 训练方法的设计与实现 |
| 4.2.1 参数初始化方法 |
| 4.2.2 优化器的选择 |
| 4.2.3 可变学习率 |
| 4.2.4 可变式交替训练机制 |
| 4.3 网络训练的其它细节 |
| 4.4 本章小结 |
| 第五章 实验与分析 |
| 5.1 实验环境 |
| 5.2 数据集介绍 |
| 5.2.1 名人人脸属性数据集 |
| 5.2.2 数据集预处理 |
| 5.3 实验对比分析 |
| 5.3.1 对比模型介绍 |
| 5.3.2 人脸单属性迁移 |
| 5.3.3 人脸多属性迁移 |
| 5.3.4 人脸之间属性替换 |
| 5.4 评价指标 |
| 5.4.1 人脸属性迁移准确率 |
| 5.4.2 人脸属性迁移留存错误率 |
| 5.5 独立性和收敛性测试实验 |
| 5.5.1 控制属性独立性程度 |
| 5.5.2 交替训练机制的影响 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（7）基于序列生成对抗网络的综合素质评价系统文本生成研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于监督学习的文本生成 |
| 1.2.2 基于生成对抗网络与强化学习的生成 |
| 1.2.3 文本生成的新进展 |
| 1.2.4 论述 |
| 1.3 工作内容及文章结构 |
| 1.3.1 工作内容 |
| 1.3.2 文章结构 |
| 第2章 文本生成相关理论与技术 |
| 2.1 神经网络模型 |
| 2.1.1 长短时记忆网络 |
| 2.1.2 卷积神经网络 |
| 2.2 生成对抗网络概述 |
| 2.3 强化学习方法 |
| 2.3.1 强化学习 |
| 2.3.2 策略梯度 |
| 2.4 序列对抗生成网络 |
| 2.5 本章小结 |
| 第3章 抽象语义控制的文本生成模型实现 |
| 3.1 抽象语义指导的文本生成 |
| 3.1.1 判别器结构 |
| 3.1.2 生成器结构 |
| 3.1.3 reward计算 |
| 3.2 数据预处理 |
| 3.2.1 数据集介绍 |
| 3.2.2 数据预处理 |
| 3.3 实验结果分析 |
| 3.3.1 实验环境与参数设置 |
| 3.3.2 预训练情况分析 |
| 3.3.3 对抗训练轮数比例对模型的影响分析 |
| 3.3.4 评价指标与结果 |
| 3.4 本章小结 |
| 第4章 应用系统设计 |
| 4.1 需求分析 |
| 4.1.1 数据流程 |
| 4.1.2 角色分析 |
| 4.2 概要设计 |
| 4.2.1 评价任务 |
| 4.2.2 写实记录 |
| 4.2.3 系统管理 |
| 4.2.4 结果查询与维护 |
| 4.2.5 成绩公示 |
| 4.2.6 成绩统计 |
| 4.2.7 报表生成 |
| 4.3 数据库设计 |
| 4.3.1 数据库概念设计 |
| 4.3.2 数据库逻辑设计 |
| 4.4 本章小结 |
| 第5章 应用系统实现 |
| 5.1 开发环境与模型封装 |
| 5.2 主要功能实现 |
| 5.2.1 教师界面 |
| 5.2.2 学生界面 |
| 5.3 应用测试效果 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（8）自对弈棋局学习样例生成器的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究与应用现状 |
| 1.3 研究内容 |
| 1.4 论文结构 |
| 2 相关理论与技术 |
| 2.1 极大极小值算法 |
| 2.2 α-β剪枝算法 |
| 2.3 蒙特卡洛搜索算法 |
| 2.4 面向对象分析与设计 |
| 3 需求分析 |
| 3.1 项目介绍 |
| 3.2 项目目标 |
| 3.3 自对弈棋局学习样例生成器系统功能 |
| 3.3.1 系统功能概述 |
| 3.3.2 井字棋学习样例生成器子系统 |
| 3.3.3 西洋跳棋学习样例生成器子系统 |
| 3.4 系统领域模型 |
| 3.5 系统顺序图 |
| 4 系统概要设计 |
| 4.1 系统对象模型 |
| 4.2 系统动态模型 |
| 4.3 系统层次结构 |
| 4.4 系统模块结构 |
| 4.4.1 井字棋学习样例生成器子系统模块结构 |
| 4.4.2 西洋跳棋学习样例生成器子系统模块结构 |
| 4.5 系统数据模型 |
| 5 系统详细设计与实现 |
| 5.1 井字棋学习样例生成器子系统功能模块设计与实现 |
| 5.1.1 收集棋局信息 |
| 5.1.2 棋局评分 |
| 5.1.3 双方对战 |
| 5.1.4 关键问题及解决方案 |
| 5.2 西洋跳棋学习样例生成器子系统功能模块设计与实现 |
| 5.2.1 棋局初始化 |
| 5.2.2 权重初始化 |
| 5.2.3 双方自对弈行棋 |
| 5.2.4 学习样例生成 |
| 5.2.5 训练红方选手 |
| 5.2.6 关键问题及解决方案 |
| 6 软件测试 |
| 6.1 测试目的和原则 |
| 6.2 测试环境 |
| 6.3 测试过程 |
| 6.3.1 井字棋学习样例生成器子系统功能测试 |
| 6.3.2 西洋跳棋学习样例生成器子系统功能测试 |
| 6.4 系统实现效果展示 |
| 6.4.1 井字棋学习样例生成器子系统结果展示 |
| 6.4.2 西洋跳棋学习样例生成器子系统结果展示 |
| 7 结论与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简介 |
（9）基于自适应遗传算法的DPR-FPGA资源布局研究（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 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 动态部分可重构技术发展历程 |
| 1.2.2 DPR-FPGA资源布局算法研究现状 |
| 1.2.3 遗传算法研究现状 |
| 1.3 论文主要工作及组织安排 |
| 1.3.1 论文主要工作 |
| 1.3.2 组织安排 |
| 第二章 相关理论与技术 |
| 2.1 DPR-FPGA设计方法 |
| 2.1.1 FPGA开发设计一般流程 |
| 2.1.2 动态部分可重构原理 |
| 2.1.3 动态部分可重构设计方法 |
| 2.2 FPGA基本结构 |
| 2.2.1 FPGA内部资源分析 |
| 2.2.2 FPGA工作原理 |
| 2.3 遗传算法基本原理 |
| 2.3.1 基本概念释义 |
| 2.3.2 算法的一般步骤 |
| 2.4 本章小结 |
| 第三章 基于自适应遗传算法的FPGA资源布局算法 |
| 3.1 自适应遗传算法原理 |
| 3.1.1 算法初始化过程 |
| 3.1.2 自适应进化方式 |
| 3.1.3 遗传算子设计 |
| 3.2 基于AGA的自适应资源布局算法 |
| 3.2.1 基于句柄——任务关联的间接编码策略 |
| 3.2.2 句柄——属性交叉操作 |
| 3.2.3 逆序变异操作 |
| 3.3 本章小结 |
| 第四章 基于离线3D布局器的DPR-FPGA自适应布局方案 |
| 4.1 不同维度布局器比较 |
| 4.1.1 1D及2D布局器 |
| 4.1.2 3D布局器 |
| 4.2 基于任务依赖的离线3D布局器 |
| 4.2.1 DPR-FPGA的部分配置分层结构 |
| 4.2.2 基于任务依赖划分部分配置序列 |
| 4.3 基于离线3D布局器的DPR-FPGA自适应布局方案 |
| 4.4 本章小结 |
| 第五章 实验分析 |
| 5.1 TGFF随机任务图生成器 |
| 5.2 FPGA资源布局实验 |
| 5.2.1 四种二维布局算法对比 |
| 5.2.2 DPR-FPGA的多任务自适应布局方案实现 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）基于计算机视觉的裂缝检测与宽度计算（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 研究历史和现状 |
| 1.3 课题来源 |
| 1.4 本文研究内容 |
| 1.5 本文结构 |
| 第2章 相关技术介绍 |
| 2.1 深度学习概述 |
| 2.2 生成对抗网络 |
| 2.2.1 条件生成对抗网络 |
| 2.2.2 循环生成对抗网络 |
| 2.3 U-Net网络 |
| 2.3.1 U-Net网络的结构 |
| 2.3.2 U-Net网络的优缺点 |
| 2.4 级联主成分分析算法 |
| 2.4.1 主成分分析算法 |
| 2.4.2 鲁棒性主成分分析算法 |
| 2.4.3 随机抽样一致算法 |
| 2.5 本章小结 |
| 第3章 基于映射转换的无监督裂缝检测算法 |
| 3.1 算法原理 |
| 3.1.1 研究思路 |
| 3.1.2 网络模型的整体结构 |
| 3.1.3 生成网络结构 |
| 3.1.4 判别网络结构 |
| 3.2 算法训练 |
| 3.2.1 损失函数 |
| 3.2.2 网络参数设置 |
| 3.3 实验结果分析 |
| 3.3.1 评估标准 |
| 3.3.2 实验结果 |
| 3.3.3 结果分析 |
| 3.4 本章小结 |
| 第4章 基于级联主成分分析的裂缝宽度计算方法 |
| 4.1 算法原理 |
| 4.1.1 研究思路 |
| 4.1.2 研究原理 |
| 4.2 级联主成分分析的框架 |
| 4.2.1 框架介绍 |
| 4.2.2 级联主成分分析算法细节 |
| 4.3 实验结果分析 |
| 4.3.1 评估准则 |
| 4.3.2 实验结果 |
| 4.3.3 结果分析 |
| 4.4 本章小结 |
| 结论 |
| 攻读硕士学位期间的研究成果 |
| 参考文献 |
| 致谢 |
四、A computer generator for randomly layered structures（论文参考文献）
- [1]基于机器视觉的油田仪表读数识别算法研究[D]. 吴康祁. 西安理工大学, 2021(01)
- [2]基于生成对抗网络的视网膜OCT图像去噪与超分辨率方法研究[D]. 贺玉华. 四川大学, 2021(02)
- [3]图像迁移学习的多场景应用关键技术研究[D]. 宋灿. 武汉科技大学, 2021(01)
- [4]基于多视图的网络表示学习研究与实现[D]. 赵锴. 北京邮电大学, 2021(01)
- [5]深度神经网络性能和规模的量化分析[D]. 温伟健. 暨南大学, 2020(03)
- [6]基于属性独立生成对抗网络的人脸属性迁移方法研究[D]. 郭优. 北京邮电大学, 2020(05)
- [7]基于序列生成对抗网络的综合素质评价系统文本生成研究[D]. 黄路遥. 南昌大学, 2020(01)
- [8]自对弈棋局学习样例生成器的设计与实现[D]. 尤惠彬. 郑州大学, 2020(02)
- [9]基于自适应遗传算法的DPR-FPGA资源布局研究[D]. 黄彩红. 西安电子科技大学, 2020(05)
- [10]基于计算机视觉的裂缝检测与宽度计算[D]. 耿慧玲. 北京工业大学, 2020