之前也是为论文苦恼了半天，网上的范文和能搜到的资料，大都不全面，一般能有个正文就不错了，而且抄袭的东西肯定不行的，关键是没有数据和分析部分，我好不容易搞出来一篇，结果还过不了审。 还好后来找到文方网，直接让专业人士帮忙，效率很高，核心的部分帮我搞定了，也给了很多参考文献资料。哎，专业的事还是要找专业的人来做啊，建议有问题参考下文方网吧 下面是之前文方网王老师发给我的题目，分享给大家： 基于深度学习的无人机地面小目标算法研究 基于视觉的智能汽车面向前方车辆的运动轨迹预测技术研究 模拟射击训练弹着点检测定位技术研究 基于深度卷积神经网络的空中目标识别算法的研究 基于可见光图像的飞行器多目标识别及位置估计 无人驾驶车辆手势指令识别研究与实现 车载毫米波雷达目标检测技术研究 基于多传感融合的四足机器人建图方法 中老年人群跌倒风险评估的数据采集系统 基于深度学习的视觉SLAM闭环检测方法研究 真实图片比较视觉搜索任务的年龄效应及对策研究 室内复杂场景下的视觉SLAM系统构建与研究 基于双目内窥镜的软组织图像三维重建 学习资源画面色彩表征影响学习注意的研究 毫米波雷达与机器视觉双模探测关键技术的研究 语义地图及其关键技术研究 多重影响因素下的语音识别系统研究 基于卷积神经网络的自主空中加油识别测量技术研究 基于视觉语义的深度估计、实例分割与重建 重复视觉危险刺激——本能恐惧反应的“二态型”调控机制研究 低成本视觉下的三维物体识别与位姿估计 面向非规则目标的3D视觉引导抓取方法及系统研究 基于物体识别地理配准的跨视频行人检测定位技术研究 基于结构光的非刚体目标快速三维重建关键技术研究 基于机器视觉的动物交互行为与认知状态分析系统 关于单目视觉实时定位与建图中的优化算法研究 动态场景下无人机SLAM在智慧城市中的关键技术研究 面向视觉SLAM的联合特征匹配和跟踪算法研究 基于深度学习的显著物体检测 基于平面波的三维超声成像方法与灵长类动物脑成像应用研究 基于物体检测和地理匹配的室内融合定位技术研究 基于多模态信息融合的人体动作识别方法研究 基于视觉惯性里程计的SLAM系统研究 基于语义信息的图像/点云配准与三维重建 基于种子点选取的点云分割算法研究 基于深度学习的场景文字检测与识别方法研究 基于运动上下文信息学习的室内视频烟雾预警算法研究 基于深度学习的垃圾分类系统设计与实现 面向手机部件的目标区域检测算法的设计与实现 电路板自动光照检测系统的设计与实现 基于机器视觉的工件识别与定位系统的设计与实现 基于深度学习的物件识别定位系统的设计与实现 基于视觉四旋翼无人机编队系统设计及实现 基于视觉惯导融合的四旋翼自主导航系统设计与实现 面向城市智能汽车的认知地图车道层生成系统 基于深度学习的智能化无人机视觉系统的设计与仿真 基于知识库的视觉问答技术研究 基于深度学习的火灾视频实时智能检测研究 结构化道路车道线检测方法研究 基于机器视觉的带式输送机动态煤量计量研究 基于深度学习的小目标检测算法研究 基于三维激光与视觉信息融合的地点检索算法研究 动态环境下仿人机器人视觉定位与运动规划方法研究 瓷砖铺贴机器人瓷砖空间定位系统研究 城市街景影像中行人车辆检测实现 基于无线信号的身份识别技术研究 基于移动机器人的目标检测方法研究 基于深度学习的机器人三维环境对象感知 基于特征表示的扩展目标跟踪技术研究 基于深度学习的目标检测方法研究 基于深度学习的复杂背景下目标检测与跟踪 动态扩展目标的高精度特征定位跟踪技术研究 掩模缺陷检测仪的图像处理系统设计 复杂场景下相关滤波跟踪算法研究 基于多层级联网络的多光谱图像显著性检测研究 基于深度结构特征表示学习的视觉跟踪研究 基于深度网络的显著目标检测方法研究 基于深度学习的电气设备检测方法研究 复杂交通场景下的视频目标检测 基于多图学习的多模态图像显著性检测算法研究 基于面部视频的非接触式心率检测研究 单幅图像协同显著性检测方法研究 轻量级人脸关键点检测算法研究 基于决策树和最佳特征选择的神经网络钓鱼网站检测研究 基于深度学习的场景文本检测方法研究 RGB-D图像显著及协同显著区域检测算法研究 多模态融合的RGB-D图像显著目标检测研究 基于协同排序模型的RGBT显著性检测研究 基于最小障碍距离的视觉跟踪研究 基于协同图学习的RGB-T图像显著性检测研究 基于图学习与标签传播优化模型的图像协同显著性目标检测 姿态和遮挡鲁棒的人脸关键点检测算法研究 基于多模态和多任务学习的显著目标检测方法研究 基于深度学习的交通场景视觉显著性区域目标检测 基于生物视觉机制的视频显著目标检测算法研究 基于场景结构的视觉显著性计算方法研究 精神分裂症患者初级视觉网络的磁共振研究 基于fMRI与TMS技术研究腹侧视觉通路中结构优势效应的加工 脑机接口游戏神经可塑性研究 基于YOLOV3算法的FL-YOLO多目标检测系统 基于深度与宽度神经网络显著性检测方法研究 基于深度学习的零件识别系统设计与研究 基于对抗神经网络的图像超分辨算法研究 基于深度学习复杂场景下停车管理视觉算法的研究与实现 镍电解状态视觉检测与分析方法研究 跨界训练对提升舞者静态平衡能力的理论与方法研究 施工现场人员类型识别方法的研究与实现 基于深度学习的自然场景文字检测方法研究 基于嵌入式的交通标志识别器的设计 基于视觉感知特性与图像特征的图像质量评价
论文地址：《 Very Deep Convolutional Networks for Large-Scale Image Recognition 》 思维导图： LSVRC：大规模图像识别挑战赛 ImageNet Large Scale Visual Recognition Challenge 是李飞飞等人于2010年创办的图像识别挑战赛，自2010起连续举办8年，极大地推动计算机视觉发展。比赛项目涵盖：图像分类(Classification)、目标定位(Object localization)、目标检测(Object detection)、视频目标检测(Object detection from video)、场景分类(Scene classification)、场景解析(Scene parsing)。 VGG Net由牛津大学的视觉几何组（ V isual G eometry G roup）参加2014年ILSVRC提出的网络模型，它主要的贡献是展示了卷积神经网络的深度（depth）是算法优良性能的关键部分。 研究了“卷积网络的深度”在大规模的图像识别环境下对准确性的影响（即神经网络的深度与其性能之间的关系）。 使用一个非常小的卷积核 对网络深度进行评估，评估发现将网络深度加至16层-19层，性能有了显著提升。 在ImageNet Challenge 2014竞赛中，定位赛道获得第一名，分类赛道获得第二名。 论文提出了多种规模的网络架构（不同规模深度不尽相同），下图为其中性能表现良好的网络架构之一：VGG16结构图。 所有卷积操作之后跟有3个全连接层（FC层）： 所有的ConvNet配置如图所示，VGG结构全部都采用较小的卷积核（3x3，部分1x1）： 两个3×3的卷积层串联相当于1个5×5的卷积层（二者具有等效感受野5x5），3个串联的3×3卷积层串联的效果相当于一个7×7的卷积层； 下图展示了为什么“两个3x3卷积层”与“单个5x5卷积层”具有等效的5x5的感受野。 2个3x3卷积层拥有比1个5x5卷积层更多的非线性变换（前者可以使用两次ReLU激活函数，而后者只有一次），使得卷积神经网络对特征的学习能力更强。 不影响输入输出的维度情况下（即图片宽高尺寸不变），降低了大量运算，同时改变了维度（通道数）； 卷积之后再紧跟ReLU进行非线性处理，提高决策函数的非线性。 详见： 数据增强，有利于预防过拟合。 测试阶段与训练阶段主要有两点不同： VGGNet网络特点：
摘 要
由于无人值守变电站越来越多，这对电力管理部门在技术和管理上都带来了新的挑战。无人值守变电站的自动化、智能化的程度越来越高，各种在线监控系统也越来越多，对于信息化管理的要求也更高。因此亟待需要一个统一监控平台将电气设备、环境、图像、各种报警装置全方位直观展现，以便管理操作人员能快速、直观、便捷的查看到所需的实时或历史数据。本项目即是针对以上所列出的无人值守变电站运行管理的新挑战，通过基于虚拟现实(VR)技术的变电站远程统一智能监控平台的应用研究，来提高无人值守变电站的运行管理水平。
【关键词】虚拟现实 电力 智能 监控平台
1 引言
随着电力自动化技术的快速发展，越来越多的常规变电站改造为无人值守变电站，无人值守变电站的电压等级和范围越来越广，成为未来发展的必然趋势。在常规变电站改造为无人值守变电站以后，它实现了变电站运行的自动化、精度化，确保了对变电站事故的处理效率和准确性，进一步保障了 系统安全 ，减少了人员的误操作，减少了大量的运行值班人员，提高了劳动生产率，降低了成本，带动了企业科技进步。
但是无人值守的模式无论是在技术上还是管理上都对原有的模式带来了新的挑战。无人变电站的电压等级各站有所不同，设备型号复杂，对于管理运行人员熟悉设备的运行、维护和操作的要求高。并且无人值守变电站的自动化、智能化的程度越来越高，各种在线监控系统也越来越多，对于信息化管理的要求也更高。因此亟待需要将不同监控系统按照设备的真实场景进行统一、整合、分析，电气设备、环境、图像、各种报警装置能全方位直观展现，以便管理操作人员能快速、直观、便捷的查看到所需的实时或历史数据。
2 项目内容
本项目即是针对以上所列出的无人值守变电站运行管理的新挑战，通过基于虚拟现实(VR)技术的变电站远程统一智能监控平台(以下简称“平台”)的应用研究，来提高无人值守变电站的运行管理水平，如图1所示。
平台的功能
真实三维再现变电站场景
直观再现变电站的建筑、主控室、开关室及环境场景; 直观显示电气一次部分以及电气部分的实际连接;直观显示开关柜的位置、外观 ; 直观显示辅控设备的现场安装位置。
集中展示设备工况
3D实景中沉浸、快速、便捷地查看任意电气设备的相关数据、数值、图像，并可进行历史变化趋势的对应分析、判断。
与Scada系统融合――实时展示电气设备的Scada遥测、遥信数据，并统计开关跳闸次数、变压器调档次数及瓦斯保护动作次数;
与图像监测系统融合――实时显示现场监测图像;
与在线测温系统融合――实时显示在线温度;
与现场巡检系统融合――展示设备巡检历史记录。
自动灵活查看实时图像
双击场景中的设备，图像设备自动进行转向、对焦，颠覆传统人工查找摄像机、转动云台、聚焦等一系列繁琐动作;无需查找图像设备，可快速、便捷、准确地进行对应设备的远程外观察看、拍照、热红外成像测温、热红外拍照等一系列动作，并智能生成人性化的记录、 报告 等。
设备异常告警
整个三维场景中，每个设备模型会随着实时采集来的数据，智能判断设备工作状态是否正常;对于出现异常的，三维场景会自动将设备渲染成告警模式并定位，不断提示操作人员及时排除故障;解警后，可在设备数据面板中查看历史告警记录。
远程巡视
设定所需巡检的设备点以及关注的数据量、视频图像外观、热红外成像等必要的巡检信息，系统自动生成巡检路径;巡视人员通过平台随机或定时进行远程巡检，当进入已设定的巡检设备点时，系统将相关的设备相关在线监测数据，进行集中展示;对实时巡检的结果、过去时间短的变化趋势等进行正常与否进行巡视、判定，形成远程综合分析巡检结果记录，如图2所示。
基于虚拟现实(VR)技术实现的变电站远程统一智能监控平台的特点
直观逼真
虚拟现实是人们通过计算机对复杂数据进行可视化、操作以及实时交互的环境。本平台中将通过三维模型忠实逼真地再现了安阳市北郊变电站场景，产生了沉浸式的交互环境。
统一管理
基于虚拟现实(VR)技术实现的变电站远程统一智能监控平台可融合各种平台系统，展示其相应数据或图像，如Scada电气数据(遥信、遥测数据)、在线测温数据、辅助监控系统的视频图像等。
智能监控
基于虚拟现实(VR)技术实现的变电站远程统一智能监控平台融合数字视频监控、RFID无线识别、智能门禁、智能报警等多种监控方式：
整个三维场景中，每个设备模型会随着实时采集来的数据，智能判断设备工作状态是否正常。对于出现异常的，三维场景会自动将设备渲染成告警模式并定位，不断提示操作人员及时排除故障;
所有的图像、安防、消防、周界、门禁、温湿度、各种传感设备、三维一次电气设备及其附件的各种属性、数据、动作、变化规律，均可以作为告警条件，进行告警及组合告警触发。
智能远程巡检
优化目前传统的现场巡检模式，通过在该平台上设定巡检路线、巡检设备、巡检数据量、设备外观等不同巡检内容，巡视人员在定时或随机通过该平台上进行远程巡检，当进入巡检设备点时，系统将相关的设备相关在线监测数据，进行集中展示，并对实时巡检的结果、过去时间短的变化趋势等进行正常与否进行巡视、判定，形成综合分析结果记录，能远程、高效进行电气设备多系统、跨平台巡测，减少现场巡检频次，形成和现场巡检的高度互补、统一。
3 技术实现 3D建模技术
三维建模软件为3dMax，它是Autodesk公司开发的基于PC系统的三维动画渲染和制作软件，它功能强大，扩展性好。它适合制作建筑模型、物体动画模型以及人物动画模型等，可利用系统自带的材质库，或自制的贴图，来达到逼真的效果。
3DMax还可以将模型文件导出多种格式的文件，可用于 Java3D开发的引擎平台加载，如obj文件、3ds文件、mdl文件和smd文件等。
本平台引擎所适用的模型有obj、3ds和ms3d。基本场景静止模型采用obj文件格式;刀闸开合、门开合的动画采用3ds格式;漫游人物动画采用ms3d格式。
平台引擎技术
由于本平台采用B/S架构，所以平台引擎选择用Java3D 来实现VR技术。Java 3D是Java语言在三维图形领域的扩展，是一组应用编程接口(API)。客户端只需要使用标准的Java虚拟机就可以浏览，因此具有不需要安装插件的优点。而且Java3D是基于Internet的软件开发平台，它能将图形功能与Internet很好地集成在一起，因此它非常适用于开发基于网络的VR系统。
本平台算法有如下创新点：
(1)创新采用双视野模式展示变电站复杂场景中的人物/眼睛视野模式;更加直观，沉浸地再现变电站复杂真实场景，实现变电站复杂场景及电气设备、屏柜等多视角三维展。
(2)针对三维变电站场景地形的复杂性，改进传统2D启发式搜索A*算法，大幅度提升变电站复杂三维场景自动寻径的消耗时间。
(3)改进了三维变电站复杂场景中地面高低的检测算法，创新地增加了多维射线，来检测路面的高度信息，提高检验的精确性。
(4)根据变电站场景的复杂性、电气设备的布局复杂以及空间局限性，改进传统的AABB碰撞检测算法，采用动态AABB碰撞检测算法，大幅度提高碰撞检测的准确性。
(5)在变电站三维复杂场景中人物平滑移动，摒弃传统的BSP树，采用椭球体算法并添加滑动公式，实现碰撞后的平滑移动及电力巡检人物碰撞后的椭球体滑动处理。
系统接口技术
本平台与 其它 所需展示的系统接口程序采用Web Service模式。它是基于网络的、分布式的模块化组件，它执行特定的任务，遵守具体的技术规范，这些规范使得Web Service能与其他兼容的组件进行互操作。Web Services 利用 SOAP(简单对象访问协议)和 XML(Extensible Markup Language可扩展标记语言 )对这些模型在通讯方面作了进一步的扩展以消除特殊对象模型的障碍。XML是用于标记电子文件使其具有结构性的标记语言，提供统一的 方法 来描述和交换独立于应用程序或供应商的结构化数据，可以用来标记数据、定义数据类型，是一种允许用户对自己的标记语言进行定义的源语言，非常适合 Web 传输。
本平台的一大功能是可以展示不同系统的实时参数，不同的系统有不同的编程方式，而且像Scada系统，数据量大，且实时性要求很高，接口程序需要设计的灵活、高效，扩展性好。
与Scada系统接口：Scada系统中有所有电力设备所有遥测、遥信数据，本平台需要快速、便捷的从如此庞大的数据量中检索出所需的数据是个难点
与变电站辅控系统接口：本平台需要从辅控系统中要快速便捷地检索出实时图像、及智能报警信号，而图像的文件一般比较大，快速流畅地在3D平台中展示是个难点。
预留与其它系统的接口：因为本平台可以融合其它多种系统平台的数据，所以要求它在扩展性上做到有足够的冗余设计。
4 结论
基于虚拟现实(VR)技术的统一监控平台三维系统采用先进的软硬件技术，在系统功能方面立足电力变电站智能化管理和安全运行的实际情况，解决了传统管理中很多人工难以解决的问题，同时面向变电站整体模块，克服过去各系统数据条块分割、人工关联的弊端，从变电站实际指挥、运行诊断、检修操作等实际使用的角度出发，实现变电运行设备数据准确及时的采集，电气设备、各种监控装置等真实位置场景及实时状态进行直观、立体、逼真的集中再现及变电站三维巡视的漫游、数据记录、外观记录、巡视分析报告录入等数据的直观、统一再现。规范了业务流程的管理，减少了人工和材料损耗，实现了信息数据及分析的自动生成，实现了变电运行的智能及集中化管理。
参考文献
[1]陈卓等.基于虚拟现实的变电站培训仿真巡视功能研究 [J].现代计算机(下半月版)，2010(09).
[2]张照彦等.虚拟现实在变电站仿真中的应用 [J].计算机仿真，2008，25(2).
vr技术2000字论文篇二 【摘 要】VR技术是现今计算机技术领域中一项包含多种学科的一门综合科学技术，该技术已经被应用在现实中许多的领域中。 【关键词】VR技术;虚拟现实技术 1.虚拟现实技术的概念 VR技术就是虚拟现实技术，它是一种能够让现实中的人在计算机所创造的虚拟信息世界中体验与现实世界同样的事和物。它所具有多感知性、沉浸性、交互性和构想性的基本特征。这种虚拟技术集合了计算机图形图像技术、现实仿真技术、多媒体技术等等的多种科学技术。它能够模拟出人的视觉，听觉，触觉等的感官功能。使人在计算机所创造的虚拟世界中通过语言、动作等等的方式进行实时交流，可以说这种技术的发展前景是非常的广阔的。 2.虚拟现实技术的特征介绍 ①多感知性的特征，是指视、力、触、运动、味、嗅等感知系统，从人类理想的虚拟现实技术的发展来说，是希望能够给完全的模拟出现实中所有的感知，但因目前的技术掌握和传感技术的限制，仅仅只能模拟出以上视、力、触、运动、味、嗅等感知系统的。 ②沉浸性又称浸没感或临场感，存在感等，具体是指人以第一人称存在在虚拟世界中的真实体验。当然，以目前技术还没有达到最理想的程度。 ③交互性就是指人在虚拟世界中，能够像在现实当中一样，可以通过对一些物体的抓取、使用等动作，感觉到所触碰的物体的重量，形状，色泽等一些人与物体之间的互动信息。 ④构想性，即在虚拟的世界里面，将所想的物件所做的事情在虚拟世界呈现出来，这样做能达到什么样的效果，那样做又能达到什么样的效果，甚至还可以把在现实世界不可能存在的事和物都可以在虚拟世界中构想出来。 3. VR技术的应用范围 VR技术由诞生到现今已经历了几个年代，其应用范围也越来越广，如医学方面，可以提供给医生进行模拟手术，这样大大提供了现实中手术的成功几率，还有军事，科技，商业，建筑，娱乐，生活等等。 4. VR技术中涉及的相关技术 ①立体视觉现实技术：人通过视觉所获取到的信息是人本身所有感觉中最多的一种感官，所以虚拟现实技术中立体显示技术占有不可或缺的重要地位。 ②环境构建技术：在虚拟世界中，构件环境是一个重要的环节，要营造一个区域的环境，首先就要创造环境或建筑模块，然后在这个基础上再进行实时描绘、立体显示，从而形成一个虚拟的区域环境。 ③真实感实时描绘技术：要在虚拟世界中实现与现实世界相同的事物，仅靠立体显示技术还是远远不够的，虚拟世界中必须存在真实感和实时感，简单来说就是实现一个物体的重量，质量，色泽，相对位置，遮挡关系等的技术。 ④虚拟世界声音的实现技术：在虚拟世界中虽然视觉是获取信息的重要途径之一，除了视觉还有很多感官系统可以获取到周围的信息。如听觉，这种技术就是在虚拟世界中实现声音，这样人在虚拟世界里不仅能够看得到也能听得到。 5. VR技术中所涉及的硬件设备 ①输入设备 与虚拟现实技术相关的硬件输入设备分成两大类：一是基于自然的交互设备，用于虚拟世界的信息输入;另一种是三维定位跟踪设备，主要用于输入设备在虚拟世界中的位置进行判定，并输送到虚拟世界当中。 虚拟世界与人实现自然交互的形式有很多，例如有数据手套，数据衣服，三维控制器，三维扫描仪等。 数据手套是一种多模式的虚拟现实硬件，通过软件编程，可进行虚拟场景中物体的抓取、移动、旋转等动作，也可以利用它的多模式性，用作一种控制场景漫游的工具。数据手套的出现，为虚拟现实系统提供了一种全新的交互手段，目前的产品已经能够检测手指的弯曲，并利用磁定位传感器来精确地定位出手在三维空间中的位置。这种结合手指弯曲度测试和空间定位测试的数据手套被称为“真实手套”，可以为用户提供一种非常真实自然的三维交互手段。 数据衣是为了让VR系统识别全身运动而设计的输入装置。数据衣对人体大约50多个不同的关节进行测量，包括膝盖、手臂、躯干和脚。通过光电转换，身体的运动信息被计算机识别。通过BOOM 显示器 和数据手套与虚拟现实交互数据衣。 ②输出设备 人在虚拟世界中要体现沉浸的感觉，就必须实现现实世界中的多种感受，如是视、听、触、力、嗅、味等感官感觉，只不过以目前的虚拟技术只实现了视觉，听觉和触觉罢了。 ③VR构成设备 虚拟现实世界的构成，主要的设备就是计算机本身了，虚拟世界的所有景象都是靠一个个模型造成的，而这些模型则是由计算机制作出来的。一般计算机被划分成四个部分，第一：高配置的个人计算机，专门用于普通的图形配置加速卡，实现于VR技术中的桌面式特征;第二：高性能图形工作站，就是一台高配置的图形处理计算机;第三：高度并行系统计算机;第四：分布式虚拟实现计算机等四个分类。 6. VR技术上的难点探讨 随着计算机的不断发展，人与计算机的互动性得到了非常好的提现。而这种技术则成为了VR技术建立的主要手段。但是实时现实始终一直阻挡这VR技术前进的一大难点之一，即时在理论上能够分析得到高度逼真、实时漫游的虚拟世界，但至少以目前的状况来说还达不到理论上的要求。这种理论性的技术是需要强大的硬件配置要求支撑的，比如说速度极快的图形工作计算机和三维图形加速卡等等设备，但以目前的设备来看即时最快的图形处理计算机也不能达到十分逼真的同事又是实时互动的虚拟世界。根本的原因就在于，因为引入了人与虚拟世界的互动，需要即时生成新的动态模型时，就不能达到实时的效果了，所以就不得不降低图形模块的清晰度来减少处理的时间，这样直接导致了虚拟世界的逼真在某程度上的减少，这就是所谓的景物复杂度的问题了。 图形模块的生成是虚拟世界中的重要瓶颈，虚拟世界的重要特性随着人的位置、方向的不断变更状态下感受虚拟世界的动态特性，简单来说，就是你移动一下位置和方向后所看到的即时生成的图形模块景象。有两种指标可以衡量用户沉浸在虚拟世界中的效果和程度。其一就是之前所说的动态特性;其二就是互动的延迟特性。自然动态图形的形成的帧数是30帧，至少也不能低于10帧，否则整体画面就会出现严重的不连续和调动的感觉。互动延迟是影响用户的另一个重要指标，如人在飞机上飞行时，位置的变换和方向的控制，这时系统应当即时产生相对的图形画面，期间的时间延迟应不大于秒，最多也不能大于1/4秒。否则在长期的工作中，人会容易产生疲劳、烦躁或者恶心的感觉，严重地影响了“真实”的感觉。以上两种指标都以来计算机图形处理的速度。对于动态的模块图形生成而言，每帧的图形生成时间在30～50毫秒之间为较好;而对于互动性的延迟，除互动式输入及其处理时间外，其图形的生成速度也是重要的因素。而以上所叙述的因素都与图形处理的硬件组成有直接的相互关系，除此之外还有赖于应用技术的因素，如虚拟场景的复杂程度和图形模块生成所需的真实感等等。 7. VR技术在各国的研究情况 ①VR技术在美国的研究现状 美国是虚拟现实技术研究的发源地，虚拟现实技术的诞生可以追溯到上世纪40年代。最初研究的虚拟现实技术只是用于美国军方对飞行驾驶员和宇航员的模拟训练。然而，随着冷战结束后美国军费大大的削减，虚拟现实技术就逐渐转为民用，目前美国在该领域的基础研究主要集中在感知、用户界面、后台软件和硬件四个方面。 上个世纪80年代，美国宇航局及美国国防部组织了一系列有关虚拟现实技术的研究，并取得了令人瞩目的研究成果，美国宇航局Ames实验室致力于一个叫“虚拟行星探索”的实验计划。现在美国宇航局已经建立了航空、卫星维护的模拟训练系统，空间站的模拟训练系统，并且已经建立了可供全国使用的模拟 教育 系统。北卡罗来纳大学的计算机专业就是进行虚拟显示技术研究最早最著名的大学。他们主要研究分子建模、航空驾驶、外科手术仿真、建筑仿真等。乔治梅森大学研制出一套在动态虚拟环境中的流体实时仿真系统。施乐公司研究中心在模拟现实技术领域中主要从事利用VRT建立未来办公室的研究，并努力设计一项基于模拟现实技术使得数据存取更容易的窗口系统。波音公司的波音777运输机采用全无纸化设计，利用所开发的虚拟现实系统将虚拟环境叠加于真实环境之上，把虚拟的模板显示在正在加工的工件上，工人根据此模板控制待加工尺寸，从而简化加工过程。 图形图像处理技术和传感器技术是以上VR项目的主要技术。就目前看，空间的动态性和时间的实时性是这项技术的最主要焦点。 ②VR技术在欧洲的研究现状 在欧洲，英国在VR开发的某些方面，特别是在分布并行处理、辅助设备(包括触觉反馈)设计和应用研究方面。在欧洲来说是领先的。英国Bristol公司发现，VR应用的交点应集中在整体综合技术上，他们在软件和硬件的某些领域处于领先地位。英国ARRL公司关于远地呈现的研究实验，主要包括VR重构问题。他们的产品还包括建筑和科学可视化计算。 欧洲其它一些较发达的国家如：荷兰、德国、瑞典等也积极进行了VR的研究与应用。 瑞典的DIVE分布式虚拟交互环境，是一个基于Unix的，不同节点上的多个进程可以在同一世界中工作的异质分布式系统。 荷兰海牙TNO研究所的物理电子实验室(TNO- PEL)开发的训练和模拟系统，通过改进人机界面来改善现有模拟系统，以使用户完全介入模拟环境。 德国在VR的应用方面取得了出乎意料的成果。在改造传统产业方面，一是用于产品设计、降低成本，避免新产品开发的风险;二是产品演示，吸引客户争取定单;三是用于培训，在新生产设备投入使用前用虚拟工厂来提高工人的操作水平。2008年10月27-29日在法国举行的ACM Symposi- um on Virtual Reality Software and Technoogy大会，整体上促进了虚拟现实技术的深入发展。 ③VR技术在日本的研究现状 日本的虚拟现实技术的发展在世界相关领域的研究中同样具有举足轻重的地位，它在建立大规模VR知识库和虚拟现实的游戏方面作出了很大的成就。 在东京技术学院精密和智能实验室研究了一个用于建立三维模型的人性化界面，称为SpmAR NEC公司开发了一种虚拟现实系统，用代用手来处理CAD中的三维形体模型。通过数据手套把对模型的处理与操作者的手联系起来;日本国际工业和商业部产品科学研究院开发了一种采用x、Y记录器的受力反馈装置;东京大学的高级科学研究中心的研究重点主要集中在远程控制方面，他们最近的研究项目是可以使用户控制远程摄像系统和一个模拟人手的随动机械人手臂的主从系统;东京大学广濑研究室重点研究虚拟现实的可视化问题。他们正在开发一种虚拟全息系统，用于克服当前显示和交互作用技术的局限性;日本奈良尖端技术研究生院大学教授千原国宏领导的研究小组于2004年开发出一种嗅觉模拟器，只要把虚拟空间里的水果放到鼻尖上一闻，装置就会在鼻尖处放出水果的香味，这是虚拟现实技术在嗅觉研究领域的一项突破。 ④国内虚拟现实技术研究现状 在我国虚拟现实技术的研究和一些发达国家相比还有很大的一段距离，随着计算机图形学、计算机系统工程等技术的高速发展，虚拟现实技术已经得到了相当的重视，引起我国各界人士的兴趣和关注，研究与应用VR，建立虚拟环境、虚拟场景模型分布式VR系统的开发正朝着深度和广度发展。国家科委国防科工委部已将虚拟现实技术的研究列为重点攻关项目，国内许多研究机构和高校也都在进行虚拟现实的研究和应用并取得了一些不错的研究成果。 北京航空航天大学计算机系也是国内最早进行VR研究、最有权威的单位之一，其虚拟实现与可视化新技术研究室集成了分布式虚拟环境，可以提供实时三维动态数据库、虚拟现实演示环境、用于飞行员训练的虚拟现实系统、虚拟现实应用系统的开发平台等，并在以下方面取得进展：着重研究了虚拟环境中物体物理特性的表示与处理;在虚拟现实中的视觉接口方面开发出部分硬件，并提出有关算法及实现方法。 清华大学国家光盘工程研究中心所作的“布达拉宫”，采用了QuickTime技术，实现大全景VR制;浙江大学CAD&CG国家重点实验室开发了一套桌面型虚拟建筑环境实时漫游系统;哈尔滨工业大学计算机系已经成功地合成了人的高级行为中的特定人脸图像，解决了表情的合成和唇动合成技术问题，并正在研究人说话时手势和头势的动作、语音和语调的同步等。 8.学习小结和心得 虚拟现实技术是一个极具潜力的研究项目，是未来的重要技术之一。它不论在理论，软件或者硬件的领域上都依赖着很多技术，当然其中也有较多的技术只实现了理论，硬件方面还是有待完善的。不过可以遇见，在未来虚拟现实技术绝对会被广泛应用。 本论文讲述了虚拟现实技术的概念，特征，应用范围，相关的技术，涉及的设备，技术上实现的难点，各国的研究现状等。最重要的就是，我们通过对这门技术项目的学习，了解到计算机更加多方面的知识，亦同时得知了更加多与计算机之间的硬件设备知识，让我们对虚拟现实技术产生了浓厚的兴趣，日后我们会继续留意虚拟现实技术的发展状况，如有机会定必会该项技术奉献绵薄之力。 猜你喜欢： 1. 科技哲学结课论文3000字 2. 触控技术论文 3. 全息投影技术论文 4. 3d打印技术论文3000字 5. 人工智能应用技术论文 6. 网络新技术论文
原文： Scalable Object Detection using Deep Neural Networks——学术范 最近，深度卷积神经网络在许多图像识别基准上取得了最先进的性能，包括ImageNet大规模视觉识别挑战(ILSVRC-2012)。在定位子任务中获胜的模型是一个网络，它预测了图像中每个对象类别的单个边界框和置信度得分。这样的模型捕获了围绕对象的整幅图像上下文，但如果不天真地复制每个实例的输出数量，就无法处理图像中同一对象的多个实例。在这篇论文中提出了一个显著性启发的神经网络检测模型，它预测了一组与类无关的边界框，每个框有一个分数，对应于它包含任何感兴趣的对象的可能性。该模型自然地为每个类处理数量可变的实例，并允许在网络的最高级别上进行跨类泛化。 目标检测是计算机视觉的基本任务之一。一个解决这个问题的通用范例是训练在子图像上操作的对象检测器，并在所有的场所和尺度上以详尽的方式应用这些检测器。这一范例被成功地应用于经过区别训练的可变形零件模型(DPM)中，以实现检测任务的最新结果。对所有可能位置和尺度的穷举搜索带来了计算上的挑战。随着类数量的增加，这个挑战变得更加困难，因为大多数方法都训练每个类单独的检测器。为了解决这个问题，人们提出了多种方法，从检测器级联到使用分割提出少量的对象假设。 关于对象检测的文献非常多，在本节中，我们将重点讨论利用类不可知思想和解决可伸缩性的方法。 许多提出的检测方法都是基于基于部件的模型，最近由于有区别学习和精心设计的特征，已经取得了令人印象深刻的性能。然而,这些方法依赖于在多个尺度上详尽地应用零件模板，这是非常昂贵的。此外，它们在类的数量上是可伸缩的，这对像ImageNet这样的现代数据集来说是一个挑战。 为了解决前一个问题，Lampert等人使用分支绑定策略来避免计算所有可能的对象位置。为了解决后一个问题，Song et al.使用了一个低维部件基，在所有对象类中共享。基于哈希算法的零件检测也取得了良好的结果。 另一种不同的工作，与我们的工作更接近，是基于对象可以本地化的想法，而不必知道它们的类。其中一些方法建立在自底向上无阶级分割[9]的基础上。通过这种方式得到的片段可以使用自上而下的反馈进行评分。基于同样的动机，Alexe等人使用一种廉价的分类器对对象假设是否为对象进行评分，并以这种方式减少了后续检测步骤的位置数量。这些方法可以被认为是多层模型，分割作为第一层，分割分类作为后续层。尽管它们编码了已证明的感知原理，但我们将表明，有更深入的模型，充分学习可以导致更好的结果。 最后，我们利用了DeepLearning的最新进展，最引人注目的是Krizhevsky等人的工作。我们将他们的边界盒回归检测方法扩展到以可扩展的方式处理多个对象的情况。然而，基于dnn的回归已经被Szegedy等人应用到对象掩模中。最后一种方法实现了最先进的检测性能，但由于单个掩模回归的成本，不能扩展到多个类。 我们的目标是通过预测一组表示潜在对象的边界盒来实现一种与类无关的可扩展对象检测。更准确地说，我们使用了深度神经网络(DNN)，它输出固定数量的包围盒。此外，它为每个盒子输出一个分数，表示这个盒子包含一个对象的网络信任度。 为了形式化上述思想，我们将i-thobject框及其相关的置信度编码为最后一网层的节点值: Bounding box: 我们将每个框的左上角和右下角坐标编码为四个节点值，可以写成vectorli∈R4。这些坐标是归一化的w. r. t.图像尺寸，以实现图像绝对尺寸的不变性。每个归一化坐标是由最后一层的线性变换产生的。 Confidence: 置信度:包含一个对象的盒子的置信度得分被编码为单个节点valueci∈[0,1]。这个值是通过最后一个隐藏层的线性变换产生的，后面跟着一个sigmoid。 我们可以组合边界盒位置sli,i∈{1，…K}为一个线性层。同样，我们可以将所有置信区间ci,i∈{1，…K}作为一个s型层的输出。这两个输出层都连接到最后一个隐藏层 在推理时，我们的算法生成kbound盒。在我们的实验中，我们使用ek = 100和K= 200。如果需要，我们可以使用置信分数和非最大抑制在推理时获得较少数量的高置信框。这些盒子应该代表对象。因此，它们可以通过后续的分类器进行分类，实现目标检测。由于盒子的数量非常少，我们可以提供强大的分类器。在我们的实验中，我们使用另一个dnn进行分类。 我们训练一个DNN来预测每个训练图像的边界框及其置信度得分，以便得分最高的框与图像的groundtruth对象框很好地匹配。假设对于一个特定的训练例子，对象被标记为boundingboxesgj,j∈{1，…，M}。在实践中，pre- dictionary的数量远远大于groundtruthboxm的数量。因此，我们试图只优化与地面真实最匹配的预测框子集。我们优化他们的位置，以提高他们的匹配度，最大化他们的信心。与此同时，我们将剩余预测的置信度最小化，这被认为不能很好地定位真实对象。为了达到上述目的，我们为每个训练实例制定一个分配问题。Wexij∈{0,1}表示赋值:xij= 1，如果第i个预测被赋值给第j个真对象。这项任务的目标可以表示为 其中，我们使用标准化边界框坐标之间的el2距离来量化边界框之间的不同。此外，我们希望根据分配x优化盒子的可信度。最大化指定预测的置信度可以表示为 最终的损失目标结合了匹配损失和信心损失 受式1的约束。α平衡了不同损失条款的贡献。 对于每个训练例子，我们通过解决一个最佳的赋值x*的预测到真实的盒子 约束执行赋值解决方案。这是二部匹配的一种变体，是一种多项式复杂度匹配。在我们的应用程序中，匹配是非常便宜的——每幅图像中标记的对象的数量少于一打，而且在大多数情况下只有很少的对象被标记。然后，通过反向传播优化网络参数。例如，反向传播算法的一阶导数计算w、r、t、l和c 尽管上述定义的损失在原则上是足够的，但三次修改使其有可能更快地达到更好的准确性。第一个修改是对地面真实位置进行聚类，并找到这样的聚类/质心，我们可以使用这些聚类/质心作为每个预测位置的先验。因此，鼓励学习算法为每个预测位置学习一个残差到一个先验。 第二个修改涉及到在匹配过程中使用这些先验:不是将N个groundtruth位置与K个预测进行匹配，而是在K个先验和groundtruth之间找到最佳匹配。一旦匹配完成，就会像之前一样计算目标的置信度。此外，位置预测损失也不变:对于任何一对匹配的(目标，预测)位置，其损失定义为groundtruth和对应于匹配先验的坐标之间的差值。我们把使用先验匹配称为先验匹配，并假设它促进了预测的多样化。 需要注意的是，尽管我们以一种与类无关的方式定义了我们的方法，但我们可以将它应用于预测特定类的对象盒。要做到这一点，我们只需要在类的边框上训练我们的模型。此外，我们可以预测每个类的kbox。不幸的是，这个模型的参数数量会随着类的数量线性增长。此外，在一个典型的设置中，给定类的对象数量相对较少，这些参数中的大多数会看到很少有相应梯度贡献的训练示例。因此，我们认为我们的两步过程——首先本地化，然后识别——是一个更好的选择，因为它允许使用少量参数利用同一图像中多个对象类型的数据 我们使用的本地化和分类模型的网络架构与[10]使用的网络架构相同。我们使用Adagrad来控制学习速率衰减，128的小批量，以及使用多个相同的网络副本进行并行分布式训练，从而实现更快的收敛。如前所述，我们在定位损失中使用先验——这些是使用训练集上的均值来计算的。我们还使用α = 来平衡局部化和置信度损失。定位器可以输出用于推断的种植区以外的坐标。坐标被映射和截断到最后的图像区域。另外，使用非最大抑制对盒进行修剪，Jaccard相似度阈值为。然后，我们的第二个模型将每个边界框分类为感兴趣的对象或“背景”。为了训练我们的定位器网络，我们从训练集中生成了大约3000万幅图像，并对训练集中的每幅图像应用以下步骤。最后，样品被打乱。为了训练我们的本地化网络，我们通过对训练集中的每一幅图像应用以下步骤，从训练集中生成了大约3000万幅图像。对于每幅图像，我们生成相同数量的平方样本，使样本总数大约为1000万。对于每幅图像，样本被桶状填充，这样，对于0 - 5%、5 - 15%、15 - 50%、50 - 100%范围内的每个比例，都有相同数量的样本，其中被包围框覆盖的比例在给定范围内。训练集和我们大多数超参数的选择是基于过去使用非公开数据集的经验。在下面的实验中，我们没有探索任何非标准数据生成或正则化选项。在所有的实验中，所有的超参数都是通过对训练集。 Pascal Visual Object Classes (VOC)挑战是最常用的对象检测算法基准。它主要由复杂的场景图像组成，其中包含了20种不同的对象类别的边界框。在我们的评估中，我们关注的是2007版VOC，为此发布了一个测试集。我们通过培训VOC 2012展示了结果，其中包含了大约。11000张图片。我们训练了一个100框的定位器和一个基于深度网络的分类器。 我们在一个由1000万作物组成的数据集上训练分类器，该数据集重叠的对象至少为 jaccard重叠相似度。这些作物被标记为20个VOC对象类中的一个。•2000万负作物与任何物体盒最多有个Jaccard相似度。这些作物被贴上特殊的“背景”类标签。体系结构和超参数的选择遵循。 在第一轮中，定位器模型应用于图像中最大-最小中心方形作物。作物的大小调整到网络输入大小is220×220。单次通过这个网络，我们就可以得到上百个候选日期框。在对重叠阈值为的非最大抑制后，保留评分最高的前10个检测项，并通过21路分类器模型分别通过网络进行分类。最终的检测分数是给定盒子的定位分数乘以分类器在作物周围的最大方形区域上评估的分数的乘积。这些分数通过评估，并用于计算精确查全曲线。 首先，我们分析了本地化器在隔离状态下的性能。我们给出了被检测对象的数量，正如Pascal检测标准所定义的那样，与生成的包围框的数量相对比。在图1中，我们展示了使用VOC2012进行训练所获得的结果。此外，我们通过使用图像的最大中心面积(max-center square crop)作为输入以及使用两个尺度(second scale)来给出结果:最大中心面积(max-center crop)的第二个尺度(select3×3windows的大小为图像大小的60%)正如我们所看到的，当使用10个边界框的预算时，我们可以用第一个模型本地化的对象，用第二个模型本地化48%的对象。这显示出比其他报告的结果更好的性能，例如对象度算法达到42%[1]。此外，这个图表显示了在不同分辨率下观察图像的重要性。虽然我们的算法通过使用最大中心作物获得了大量的对象，但当使用更高分辨率的图像作物时，我们获得了额外的提升。进一步，我们用21-way分类器对生成的包围盒进行分类，如上所述。表1列出了VOC 2007的平均精度(APs)。达到的平均AP是，与先进水平相当。注意，我们的运行时间复杂度非常低——我们只使用top10框。示例检测和全精度召回曲线分别如图2和图3所示。值得注意的是，可视化检测是通过仅使用最大中心方形图像裁剪，即使用全图像获得的。然而，我们设法获得了相对较小的对象，例如第二行和第二列的船，以及第三行和第三列的羊。 在本工作中，我们提出了一种新的方法来定位图像中的对象，该方法可以预测多个边界框的时间。该方法使用深度卷积神经网络作为基本特征提取和学习模型。它制定了一个能够利用可变数量的groundtruth位置的多箱定位成本。在“一个类一个箱”方法的情况下，对1000个盒子进行非max-suppression，使用与给定图像中感兴趣的DeepMulti-Box方法相同的准则，并学习在未见图像中预测这些位置。 我们在VOC2007和ILSVRC-2012这两个具有挑战性的基准上给出了结果，在这两个基准上，所提出的方法具有竞争力。此外，该方法能够很好地预测后续分类器将探测到的位置。我们的结果表明，deepmultibox的方法是可扩展的，甚至可以在两个数据集之间泛化，就能够预测感兴趣的定位，甚至对于它没有训练的类别。此外，它能够捕获同一类物体的多种情况，这是旨在更好地理解图像的算法的一个重要特征。 在未来，我们希望能够将定位和识别路径折叠到一个单一的网络中，这样我们就能够在一个通过网络的一次性前馈中提取位置和类标签信息。即使在其当前状态下，双通道过程(本地化网络之后是分类网络)也会产生5-10个网络评估，每个评估的速度大约为1个CPU-sec(现代机器)。重要的是，这个数字并不与要识别的类的数量成线性关系，这使得所提出的方法与类似dpm的方法非常有竞争力。
姓名：宋子璇学号： 【嵌牛导读】：分析RNN做目标识别 【嵌牛鼻子】：RNN 【嵌牛提问】：计算机视觉中RNN怎么应用于目标检测？ 【嵌牛正文】 深度学习在计算机视觉领域取得的巨大的发展，最近几年CNN一直是目前主流模型所采取的架构。最近半年RNN/LSTM应用在识别领域逐渐成为一种潮流，RNN在获取目标的上下文中较CNN有独特的优势。以下我们分析最近有关RNN做目标识别的相关文章。1、Inside-Outside Net: Detecting Objects in Context with Skip Pooling and Recurrent Neural Networks CVPR2016（论文笔记） 本文的主要贡献是用skip pooling和 RNNlayer。在多尺度的feature map 上做roi pooling，最后一个feature map是通过rnn得到的。 识别精度在VOC2012上达到，原因主要是利用多尺度的feature map和rnn layer。文章中用到了很多trick： 1） rnn 用的是修改后的IRNN，速度快，精度与LSTM相似。 2）由于是在多尺度feature map上做roi pooling，每个尺度上feature map的响应幅度不一样，所以需要先做L2-norm，然后再将这些尺度得到roi 特征concate到一起。然后统一在scale到一个尺度上（scale由网络学习得到）。 3）加入的lstm单元现用segmentation的数据集做预训练，让权重预学习。（很重要，有两个百分点提升） 4）如果把最后一层IRNN换成级联的3*3的卷积层，精度下降，所以IRNN对于提升不是那么明显。 思考： 1）此方法对于小尺度的物体，如bottle、plant等识别效果不好，是否可以利用最早的feature map做识别，最早的feature 尺度信息保存的较好。 2）rnn只是用来提特征用，并没有考虑到物体的上下文信息。 3）是否可以在第一轮识别到物体后，利用attention的机制，现将这些物体在feature map上去除，重点识别小的物体。 2、End-to-end people detection in crowded scenes 在Lentet得到特征的基础用，用LSTM做控制器，按序列输出得到的框。细节方面需要注意的是没有用NMS，用的hungarian loss（匈牙利算法）。本文最大的贡献出了源码，方便做detection的理解LSTM在目标识别中的应用。 Github仓库地址： 3、CNN-RNN: A Unified Framework for Multi-label Image Classification 本文的主要目的是做图像的多label识别。 文中有一句话很重要："when using the same image features to predict multiple labels, objects that are small in the images are easily get ignored or hard torecognize independently". 用同一个feature map预测多label时，往往会忽略小物体。 所以作者利用两个并行的网络，第二个网络输入时当前输出的label，先得到label embeding，然后通过rnn得到一向量，融合图像的feature map得到image embeding，最终输出当前图像下一个label。 思考： 1）利用Deconvolution 将feature 扩到原图一样大小，做小物体的目标识别。 2）用不同尺寸的卷积核。 小思考-----为什么原来多级的级联的卷积,最后的卷积的感受野很大了,为什么还能识别一些较小的物体,比如行人,想象一下最后一层的类别热度图,原因是: a 此类有较强的文理信息b 尺度还是比较大. faster RCNN最后一层卷积层只有14*14,最后也有很好的识别效果,究竟是为什么? 4、Attentive contexts for object detection 文章利用local(多尺度的cnn特征)和global(LSTM生成)来做目标识别。用global的原因是:图像中的其他信息有利于当前box的识别，比如图像中出现其他的汽车对当前框识别为汽车的提升很大，但在文章中global的提升不是很明显，只有的提升。作者所用的global信息感觉很一般，并没有真正用到lstm的作用。 思考一下，lstm到底怎么用才能提取global信息：之前不容易识别到的椅子或者瓶子,不能用cnn最后得到的特征，应为太稀疏了，一是瓶子之类的没有纹理信息，而是像椅子之类的纹理太乱,与其他的物体太冲突。可以利用本文lstm的思路，将隐层的输出当做test时候的隐层输入，怎么将这20类的所有隐层信息集合起来是个难点。 5. Recurrent Convolutional Neural Network for Object Recognition CVPR2015 清华大学 链接二 每一层卷积后用RNN(类似一种cnn,只不过权重共享),在参数较少的情况下,让网络的层数更深,每层获取的context信息更丰富,用cuda-convenet实现,文章借鉴意义不大,从引用量上就可以看出。 6. Image caption相关论文 show and tell: a neural image caption generator CVPR2015 image captioning with deep bidirectional LSTMs 此类文章的主要思想是将图像的cnn特征当做传统LSTM的输入,最终生成一句句子描述,对目标识别的借鉴意义不大. the best of convolutional layers and recurrent layers: a hybrid network for semantic segmentation 本文的主要思想也是用了3层的lstm去提特征,最后用1*1的卷积层降维到K(类别数)层的feature map,本身没有什么创意,只是效果很好. 而且文中作者又设计了一个FCN+LSTM的级联网络,效果做到了state-of-the-art. 借鉴的地方不多。 8. semantic object parsing with graph LSTM 本文主要思想是抛弃原来逐点做序列的思想,转而利用超像素做为序列,而且超像素的输入顺序是根据前一步FCN得到的confidence map决定。 Graph LSTM是用来做语义分割,是否可以借鉴用来做目标识别. 9. pixel recurrent nerual networks 本文利用pixel rnn来做图像的补全,将各种门的计算用cnn来实现,加快计算速度(仅限于门的计算,cell state的更新还是传统方式),最大的贡献是用了多中网络,pixel CNN pixel RNN multiscale RNN---先生成低分辨率的图像,然后用这些低分变率的pixel作为先验知识最终生成一幅完整的图。
可以通过乒乓球视频来进行分析学习，可以从视频里学习一些技术，学习一些手法，也可以学习一些击球和发射的动作，可以对自己的动作进行改善，还可以提高自己的动作活跃度。
首先你要去了解乒乓球的作用点是在哪里，该怎样去发，姿势是怎么样的？该怎么拿到分数。采分点是什么，
第一类： FCN（完全卷积网络） 简介;FCN是一种端到端的深度学习图像分割算法，让网络做像素的预测，直接得到label map 传统cnn缺点：存储开销大，效率低下，像素块的大小限制了感受区域的大小 FCN改变了什么：经典的cnn在卷积层之后时使用了全连接层得到固定长度的整个输入图像的概率向量，适合用于图像的分类和回归任务，经过 softmax后可以获得类别概率信息，但是这个概率信息是1维的，只能表示出整个图像的类别，所以这种全连接方法不适用于图像分割。FCN将Cnn的全连接层换成卷积层（1000个节点的全连接层换成1000个1*1的卷积核的卷积层），这样可以得到2维的fp,再通过softmax可以得到每个像素点的类别信息，从而解决分割问题。 FCN结构:FCN可以接受任何尺寸的输入图像，在最后得到的fp后，通过反卷积层进行上采样，使他恢复到输入图像的尺寸，从而可以对每一个像素都产生预测,保留原始图像当中的空间信息。 为啥cnn不能随便尺寸输入：因为cnn的全连接层会得到一个拉直的向量，向量中比方说有n*n个元素，这n*n个元素每个元素当作一个结点与下一层全连接，如果下一层比方说节点数是4096，权值数就是4096*n*n。神经网络结构确定，那么权值数就要确定了，上一层的输出就不能变了，然后倒着往前推，每一层输出都不能变，因此输入就必须得固定。 skip state:由于最后这个特征图太小，容易丢失很多细节，增加一个skip state这样的一个结构，最后一层的预测（局部信息）和更浅层（全局信息）预测结合起来，这样就是既局部还全局。 FCN缺点：实施推理速度不够快，对各个像素进行分类，没有考虑像素与像素之间的一个关系，不容易移植到三维图像当中。 第二类：基于CNN和完全连接的CRF的语义分割算法 FCN可能忽略了有用的场景级语义上下文，为了集成更多上下文信息 cnn+crf>cnn+softmax fcn得到粗分值图，经过双线性插值上采样恢复分辨率，然后再将它传递给全连接的crf层细化分割结果。最终实验表明：有更高的准确率来定位边界。 第三类：编码器加解码器结构（unet,vnet） 分为一般的分割跟医学图像的分割。 一个是使用从VGG 16层网络采用的卷积层的编码器，另一个是将特征向量作为输入并生成像素级类概率图的反卷积网络。 segnet SegNet的主要新颖之处在于解码器对其较低分辨率的输入特征图进行升采样。具体来说，它使用在相应编码器的最大池化步骤中计算出的合并索引来执行非线性上采样，从而消除了学习上采样的需求.与其他竞争性体系结构相比，SegNet的可训练参数数量也明显更少并且能够提升边缘刻画度。 (ex:SDN,Linknet,w-net) segnet的encoder过程中卷积起到提取特征的作用，使用的是same卷积，卷积后不改变图片的大小。同时在decoder过程中，同样是采用了same卷积，作用是upsample之后丰富变大图片的信息 u-net （医学影像分割的论文几乎都是用u-net来改良的） 在医学图像分割上,在编码器部分，类似于FCN，下采样采用conv3*3，全卷积神经网络。 上采样 conv2*2 ，插值法（不使用转置卷积，为了让特征图保持着均匀的色差） 最后有个1*1（将特征通道数降至特定的数量 ) 为了降低在压缩路径当中造成的图像细节损失，作者会将压缩路径当中的fp叠加到拓张路径的相同尺寸的fp上，再进行conv,upsample.以此整合更多更完整的图像信息。 v-net 基于FCN用于3D医学图像分析的图像分割网络。最后输出的是三维的单通道数据，代表每一个像素是前景还是背景的概率，如果概率大于是前景，概率小于是背景。 第四类：多尺度分析跟金字塔网络 尺度：分辨率 多尺度：所训练出来的成功的模型，他在换到另一个尺度下很有可能失效 提出了一个pspnet,实现利用上下文信息的能力来进行场景解析，又到了老生常谈的问题，FCN不能很好的利用全局信息（比如说，FCN非认为右边是车，但是左边就有船坞，他不能利用这种线索来进行一个判断） DM-Net (Dynamic Multi-scale Filters Network) Context contrasted network and gated multi- scale aggregation (CCN) Adaptive Pyramid Context Network (APC-Net) Multi-scale context intertwining (MSCI) 第五类：实例分割当中基于r-cnn的模型 r-cnn mask r-cnn Mask RCNN使用ResNet+FPN（特征金字塔网络）进行特征提取。顶层特征（最后一层特征图），感受野最大，特征信息最丰富，但对小物体的检测效果并不好。因此，将多个阶段的特征图融合在一起（FPN），这样既有了高层的语义特征，也有了底层的轮廓特征。 RoI Align替代RoI Pooling RoI Pooling有什么问题？经过两次量化，使特征图对应位置不准。 增加Mask分支（语义分割）Mask分支只做语义分割，类型预测的任务交给另一个分支。
行人重识别（Person Re-identification，也称行人再识别，简称为ReID），是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术，指通过穿着、体态、发型等在不确定的场景中能够再次识别是同一个人，并以此描绘出个体行进轨迹的AI视觉技术，简而言之，就是通过计算机视觉技术检索不同摄像头下的同一个目标人物。 即：给定一个监控行人图像，检索跨设备下的该行人图像。旨在弥补固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合，广泛应用于智能视频监控、智能安保等领域。 在监控视频中，由于相机分辨率和拍摄角度的缘故，通常无法得到质量非常高的人脸图片。当人脸识别失效的情况下，ReID就成为了一个非常重要的替代品技术。 重要特性：跨摄像头 --> 学术中性能评价：检索出不同摄像头下的相同行人图片 -----明景视频结构化系列产品 一个区域有多个摄像头拍摄视频序列，明景视频结构化系列产品应用ReID技术，实现对一个摄像头下感兴趣的行人，检索到该行人在其他摄像头下出现的所有图片。明景视频结构化系列产品基于多年实战经验，结合人脸识别和跨镜追踪(Re-ID)各自的特点及优势，以少量的人脸卡口加大量的普通监控探头的部署，既可锁定嫌疑人身份，又能重现嫌疑人轨迹，这种创新的综合型技战法可以较大概率对监控范围进行覆盖，具有极强的实战价值。
毕业设计(论文)是学生毕业前最后一个重要学习环节，是学习深化与升华的重要过程。它既是学生学习、研究与实践成果的全面总结，又是对学生素质与能力的一次全面检验，而且还是对学生的毕业资格及学位资格认证的重要依据。为了保证我校本科生毕业设计(论文)质量，特制定“同济大学本科生毕业设计(论文)撰写规范”。一、毕业设计（论文）资料的组成A．毕业设计(论文)任务书；B．毕业设计(论文)成绩评定书；C．毕业论文或毕业设计说明书（包括：封面、中外文摘要或设计总说明（包括关键词）、目录、正文、谢辞、参考文献、附录）；D．译文及原文复印件；E．图纸、软盘等。二、毕业设计(论文)资料的填写及有关资料的装订毕业设计(论文)统一使用学校印制的毕业设计(论文)资料袋、毕业设计(论文)任务书、毕业设计(论文)成绩评定书、毕业设计(论文)封面、稿纸（在教务处网上下载用，学校统一纸面格式，使用A4打印纸）。毕业设计(论文)资料按要求认真填写，字体要工整，卷面要整洁，手写一律用黑或蓝黑墨水；任务书由指导教师填写并签字，经院长（系主任）签字后发出。毕业论文或设计说明书要按顺序装订：封面、中外文摘要或设计总说明（包括关键词）、目录、正文、谢辞、参考文献、附录装订在一起，然后与毕业设计(论文)任务书、毕业设计(论文)成绩评定书、译文及原文复印件（订在一起）、工程图纸(按国家标准折叠装订)、软盘等一起放入填写好的资料袋内交指导教师查收，经审阅评定后归档。三、毕业设计说明书(论文)撰写的内容与要求一份完整的毕业设计(论文)应包括以下几个方面：1．标题标题应该简短、明确、有概括性。标题字数要适当，不宜超过20个字，如果有些细节必须放进标题，可以分成主标题和副标题。2．论文摘要或设计总说明论文摘要以浓缩的形式概括研究课题的内容，中文摘要在300字左右，外文摘要以250个左右实词为宜，关键词一般以3～5个为妥。设计总说明主要介绍设计任务来源、设计标准、设计原则及主要技术资料，中文字数要在1500～2000字以内，外文字数以1000个左右实词为宜，关键词一般以5个左右为妥。3．目录目录按三级标题编写（即：1……、……、……），要求标题层次清晰。目录中的标题应与正文中的标题一致，附录也应依次列入目录。4．正文毕业设计说明书(论文)正文包括绪论、正文主体与结论，其内容分别如下：绪论应说明本课题的意义、目的、研究范围及要达到的技术要求；简述本课题在国内外的发展概况及存在的问题；说明本课题的指导思想；阐述本课题应解决的主要问题，在文字量上要比摘要多。正文主体是对研究工作的详细表述，其内容包括：问题的提出，研究工作的基本前提、假设和条件；模型的建立，实验方案的拟定；基本概念和理论基础；设计计算的主要方法和内容；实验方法、内容及其分析；理论论证，理论在课题中的应用，课题得出的结果，以及对结果的讨论等。学生根据毕业设计(论文)课题的性质，一般仅涉及上述一部分内容。结论是对整个研究工作进行归纳和综合而得出的总结，对所得结果与已有结果的比较和课题尚存在的问题，以及进一步开展研究的见解与建议。结论要写得概括、简短。5．谢辞谢辞应以简短的文字对在课题研究和设计说明书（论文）撰写过程中曾直接给予帮助的人员（例如指导教师、答疑教师及其他人员）表示自己的谢意，这不仅是一种礼貌，也是对他人劳动的尊重，是治学者应有的思想作风。6．参考文献与附录参考文献是毕业设计(论文)不可缺少的组成部分，它反映毕业设计(论文)的取材来源、材料的广博程度和材料的可靠程度，也是作者对他人知识成果的承认和尊重。一份完整的参考文献可向读者提供一份有价值的信息资料。一般做毕业设计(论文)的参考文献不宜过多，但应列入主要的文献可10篇以上，其中外文文献在2篇以上。附录是对于一些不宜放在正文中，但有参考价值的内容，可编入毕业设计（论文）的附录中，例如公式的推演、编写的程序等；如果文章中引用的符号较多时，便于读者查阅，可以编写一个符号说明，注明符号代表的意义。一般附录的篇幅不宜过大，若附录篇幅超过正文，会让人产生头轻脚重的感觉。四、毕业设计(论文)要求我校毕业设计(论文)大致有设计类、理论研究类（理科）、实验研究类、计算机软件设计类、经济、管理及文科类、综合类等，具体要求如下：1．设计类（包括机械、建筑、土建工程等）：学生必须独立绘制完成一定数量的图纸，工程图除了用计算机绘图外必须要有1～2张（2号以上含2号图）是手工绘图；一份15000字以上的设计说明书（包括计算书、调研报告）；参考文献不低于10篇，其中外文文献要在2篇以上。2．理论研究类（理科）：对该类课题工科学生一般不提倡，各院系要慎重选题，除非题目确实有实际意义。该毕业设计报告或论文字数要在20000字以上；根据课题提出问题、分析问题，提出方案、并进行建模、仿真和设计计算等；参考文献不低于15篇，其中外文文献要在4篇以上。3．实验研究类：学生要独立完成一个完整的实验，取得足够的实验数据，实验要有探索性，而不是简单重复已有的工作；要完成15000字以上的论文，其包括文献综述，实验部分的讨论与结论等内容；参考文献不少于10篇，包括2篇以上外文文献。4．计算机软件类：学生要独立完成一个软件或较大软件中的一个模块，要有足够的工作量；要写出10000字以上的软件说明书和论文；毕业设计(论文)中如涉及到有关电路方面的内容时，必须完成调试工作，要有完整的测试结果和给出各种参数指标；当涉及到有关计算机软件方面的内容时，要进行计算机演示程序运行和给出运行结果。5．经济、管理及文科类：学生在教师的指导下完成开题报告；撰写一篇20000字以上的有一定水平的专题论文（外国语专业论文篇幅为5000个词以上。）；参考文献不少于10篇，包括1-2篇外文文献。6．综合类：综合类毕业设计(论文)要求至少包括以上三类内容，如有工程设计内容时，在图纸工作量上可酌情减少，完成10000字以上的论文，参考文献不少于10篇，包括2篇以上外文文献。每位学生在完成毕业设计(论文)的同时要求:(1)翻译2万外文印刷字符或译出5000汉字以上的有关技术资料或专业文献（外语专业学生翻译6000～8000字符的专业外文文献或写出10000字符的外文文献的中文读书报告），内容要尽量结合课题（译文连同原文单独装订成册）。(2)使用计算机进行绘图，或进行数据采集、数据处理、数据分析，或进行文献检索、论文编辑等。绘图是工程设计的基本训练，毕业设计中学生应用计算机绘图，但作为绘图基本训练可要求一定量的墨线和铅笔线图。毕业设计图纸应符合制图标准，学生应参照教务处2004年3月印制的《毕业设计制图规范》进行绘图。五、毕业设计(论文)的写作细则1．书写毕业设计(论文)要用学校规定的文稿纸书写或打印（手写时必须用黑或蓝墨水），文稿纸背面不得书写正文和图表，正文中的任何部分不得写到文稿纸边框以外，文稿纸不得随意接长或截短。汉字必须使用国家公布的规范字。2．标点符号毕业设计(论文)中的标点符号应按新闻出版署公布的"标点符号用法"使用。3．名词、名称科学技术名词术语尽量采用全国自然科学名词审定委员会公布的规范词或国家标准、部标准中规定的名称，尚未统一规定或叫法有争议的名称术语，可采用惯用的名称。使用外文缩写代替某一名词术语时，首次出现时应在括号内注明其含义。外国人名一般采用英文原名，按名前姓后的原则书写。一般很熟知的外国人名（如牛顿、达尔文、马克思等）可按通常标准译法写译名。4．量和单位量和单位必须采用中华人民共和国的国家标准GB3100～GB3102-93，它是以国际单位制（SI）为基础的。非物理量的单位，如件、台、人、元等，可用汉字与符号构成组合形式的单位，例如件/台、元/km。5．数字毕业设计(论文)中的测量统计数据一律用阿拉伯数字，但在叙述不很大的数目时，一般不用阿拉伯数字，如"他发现两颗小行星"、"三力作用于一点"，不宜写成"他发现2颗小行星"、"3力作用于1点"。大约的数字可以用中文数字，也可以用阿拉伯数字，如"约一百五十人"，也可写成"约150人"。6．标题层次毕业设计(论文)的全部标题层次应有条不紊，整齐清晰。相同的层次应采用统一的表示体例，正文中各级标题下的内容应同各自的标题对应，不应有与标题无关的内容。章节编号方法应采用分级阿拉伯数字编号方法，第一级为"1"、"2"、"3"等，第二级为""、""、""等,第三级为""、""、""等，但分级阿拉伯数字的编号一般不超过四级，两级之间用下角圆点隔开，每一级的末尾不加标点。各层标题均单独占行书写。第一级标题居中书写；第二级标题序数顶格书写，后空一格接写标题，末尾不加标点；第三级和第四级标题均空两格书写序数，后空一格书写标题。第四级以下单独占行的标题顺序采用.…和.两层，标题均空两格书写序数，后空一格写标题。正文中对总项包括的分项采用⑴、⑵、⑶…单独序号，对分项中的小项采用①、②、③…的序号或数字加半括号，括号后不再加其他标点。7．注释毕业设计(论文)中有个别名词或情况需要解释时，可加注说明，注释可用页末注（将注文放在加注页的下端）或篇末注（将全部注文集中在文章末尾），而不可行中注（夹在正文中的注）。注释只限于写在注释符号出现的同页，不得隔页。8．公式公式应居中书写，公式的编号用圆括号括起放在公式右边行末，公式和编号之间不加虚线。9．表格每个表格应有表序和表题，表序和表题应写在表格上放正中，表序后空一格书写表题。表格允许下页接写，表题可省略，表头应重复写，并在右上方写"续表××"。10．插图毕业设计的插图必须精心制作，线条粗细要合适，图面要整洁美观。每幅插图应有图序和图题，图序和图题应放在图位下方居中处。图应在描图纸或在白纸上用墨线绘成，也可以用计算机绘图。11．参考文献参考文献一律放在文后，参考文献的书写格式要按国家标准GB7714－87规定。参考文献按文中出现的先后统一用阿拉伯数字进行自然编号，一般序码宜用方括号括起，不用园括号括起。
之前也是为论文苦恼了半天，网上的范文和能搜到的资料，大都不全面，一般能有个正文就不错了，而且抄袭的东西肯定不行的，关键是没有数据和分析部分，我好不容易搞出来一篇，结果还过不了审。 还好后来找到文方网，直接让专业人士帮忙，效率很高，核心的部分帮我搞定了，也给了很多参考文献资料。哎，专业的事还是要找专业的人来做啊，建议有问题参考下文方网吧 下面是之前文方网王老师发给我的题目，分享给大家： 基于深度学习的无人机地面小目标算法研究 基于视觉的智能汽车面向前方车辆的运动轨迹预测技术研究 模拟射击训练弹着点检测定位技术研究 基于深度卷积神经网络的空中目标识别算法的研究 基于可见光图像的飞行器多目标识别及位置估计 无人驾驶车辆手势指令识别研究与实现 车载毫米波雷达目标检测技术研究 基于多传感融合的四足机器人建图方法 中老年人群跌倒风险评估的数据采集系统 基于深度学习的视觉SLAM闭环检测方法研究 真实图片比较视觉搜索任务的年龄效应及对策研究 室内复杂场景下的视觉SLAM系统构建与研究 基于双目内窥镜的软组织图像三维重建 学习资源画面色彩表征影响学习注意的研究 毫米波雷达与机器视觉双模探测关键技术的研究 语义地图及其关键技术研究 多重影响因素下的语音识别系统研究 基于卷积神经网络的自主空中加油识别测量技术研究 基于视觉语义的深度估计、实例分割与重建 重复视觉危险刺激——本能恐惧反应的“二态型”调控机制研究 低成本视觉下的三维物体识别与位姿估计 面向非规则目标的3D视觉引导抓取方法及系统研究 基于物体识别地理配准的跨视频行人检测定位技术研究 基于结构光的非刚体目标快速三维重建关键技术研究 基于机器视觉的动物交互行为与认知状态分析系统 关于单目视觉实时定位与建图中的优化算法研究 动态场景下无人机SLAM在智慧城市中的关键技术研究 面向视觉SLAM的联合特征匹配和跟踪算法研究 基于深度学习的显著物体检测 基于平面波的三维超声成像方法与灵长类动物脑成像应用研究 基于物体检测和地理匹配的室内融合定位技术研究 基于多模态信息融合的人体动作识别方法研究 基于视觉惯性里程计的SLAM系统研究 基于语义信息的图像/点云配准与三维重建 基于种子点选取的点云分割算法研究 基于深度学习的场景文字检测与识别方法研究 基于运动上下文信息学习的室内视频烟雾预警算法研究 基于深度学习的垃圾分类系统设计与实现 面向手机部件的目标区域检测算法的设计与实现 电路板自动光照检测系统的设计与实现 基于机器视觉的工件识别与定位系统的设计与实现 基于深度学习的物件识别定位系统的设计与实现 基于视觉四旋翼无人机编队系统设计及实现 基于视觉惯导融合的四旋翼自主导航系统设计与实现 面向城市智能汽车的认知地图车道层生成系统 基于深度学习的智能化无人机视觉系统的设计与仿真 基于知识库的视觉问答技术研究 基于深度学习的火灾视频实时智能检测研究 结构化道路车道线检测方法研究 基于机器视觉的带式输送机动态煤量计量研究 基于深度学习的小目标检测算法研究 基于三维激光与视觉信息融合的地点检索算法研究 动态环境下仿人机器人视觉定位与运动规划方法研究 瓷砖铺贴机器人瓷砖空间定位系统研究 城市街景影像中行人车辆检测实现 基于无线信号的身份识别技术研究 基于移动机器人的目标检测方法研究 基于深度学习的机器人三维环境对象感知 基于特征表示的扩展目标跟踪技术研究 基于深度学习的目标检测方法研究 基于深度学习的复杂背景下目标检测与跟踪 动态扩展目标的高精度特征定位跟踪技术研究 掩模缺陷检测仪的图像处理系统设计 复杂场景下相关滤波跟踪算法研究 基于多层级联网络的多光谱图像显著性检测研究 基于深度结构特征表示学习的视觉跟踪研究 基于深度网络的显著目标检测方法研究 基于深度学习的电气设备检测方法研究 复杂交通场景下的视频目标检测 基于多图学习的多模态图像显著性检测算法研究 基于面部视频的非接触式心率检测研究 单幅图像协同显著性检测方法研究 轻量级人脸关键点检测算法研究 基于决策树和最佳特征选择的神经网络钓鱼网站检测研究 基于深度学习的场景文本检测方法研究 RGB-D图像显著及协同显著区域检测算法研究 多模态融合的RGB-D图像显著目标检测研究 基于协同排序模型的RGBT显著性检测研究 基于最小障碍距离的视觉跟踪研究 基于协同图学习的RGB-T图像显著性检测研究 基于图学习与标签传播优化模型的图像协同显著性目标检测 姿态和遮挡鲁棒的人脸关键点检测算法研究 基于多模态和多任务学习的显著目标检测方法研究 基于深度学习的交通场景视觉显著性区域目标检测 基于生物视觉机制的视频显著目标检测算法研究 基于场景结构的视觉显著性计算方法研究 精神分裂症患者初级视觉网络的磁共振研究 基于fMRI与TMS技术研究腹侧视觉通路中结构优势效应的加工 脑机接口游戏神经可塑性研究 基于YOLOV3算法的FL-YOLO多目标检测系统 基于深度与宽度神经网络显著性检测方法研究 基于深度学习的零件识别系统设计与研究 基于对抗神经网络的图像超分辨算法研究 基于深度学习复杂场景下停车管理视觉算法的研究与实现 镍电解状态视觉检测与分析方法研究 跨界训练对提升舞者静态平衡能力的理论与方法研究 施工现场人员类型识别方法的研究与实现 基于深度学习的自然场景文字检测方法研究 基于嵌入式的交通标志识别器的设计 基于视觉感知特性与图像特征的图像质量评价