一、FormZ建模实例棒球（论文文献综述）
丁鹏欣[1]（2021）在《基于深度学习的图像目标检测关键技术研究》文中研究说明深度学习又称为深度神经网络,是人工神经网络的一种,是一种通过堆叠多层非线性变换方法对高复杂性数据进行建模的算法。在图像处理领域,深度学习主要是指深度卷积神经网络（Deep Convolutional Neural Networks,简称DCNN）。人工神经网络的概念自上个世纪四五十年代被提出以来,几经发展和沉寂,在本世纪初又开启新一轮发展热潮,展现出强大的生命力。图像目标检测的目的是判断图像中是否存在预定义类别的目标并给出其位置、大小、类别及旋转角度等信息。近年来,由于强大的市场需求,图像目标检测受到学术界和工业界的广泛关注,成为一个研究热点,研究人员开展了大量研究并取得了众多成果,推动了学术发展,同时也在智能交通、公共安全、医疗及娱乐等领域得到广泛的应用。随着深度学习模型夺得Image Net图像识别大赛冠军,深度学习再一次引起了学术界和工业界的关注,并逐渐成为图像检测和目标识别等研究方向的主流方法。理论上讲,目标图像常因相机角度、光照变化和部分遮挡等原因造成特征信息较少,严重抑制了算法的有效性和鲁棒性。然而,相关研究表明,深度卷积神经网络在不明显特征的提取和表达上有独特优势,是解决前述问题的有效方法。论文通过收集分析深度卷积神经网络经典算法原理和优势、对既有模型进行比较、总结常用测试数据库的数据特性,针对当前算法准确度不高、对特征不明显目标漏检较多的问题,从目标检测算法优化、数据集生成与标注等方面开展深入研究,主要内容如下:（1）提出了一种将局部和全局信息相结合的金字塔上下文学习算法（Pyramid Context Learning,PCL）。在多尺度复杂场景的图像目标检测中,小目标由于特征不明显,容易被漏检,利用目标周围的环境信息可以大大提高检测性能,与既有方法将局部和全局上下文信息分开使用不同,本算法利用它们之间的紧密联系以提升检测精度。首先通过聚合操作在不同级别上收集特征上下文作为描述符候选,通过分配操作对特征上下文进行自适应加权以生成上下文向量,然后在上下文向量上进行通道上下文学习以获取通道相关性,通过逐通道乘法生成上下文感知特征图,最后将算法集成到主流目标检测框架中。该算法充分利用了不同级别的特征上下文,可有效提取目标特征信息,最终提升检测精度;同时,该算法具有良好的普适性,可以应用在大多数目标检测框架中。实验结果表明,改进后算法的检测准确率得到有效提升,并且可以检测出更多的小目标。（2）提出了一种动态锚框生成算法。针对锚框生成效率较低的问题,论文提出一种基于小型网络的动态锚框生成算法,该算法框架分为特征提取,锚框生成器预测和锚框生成三个部分。其中,锚框生成器由小型网络动态生成,使用不同的预定义锚框,可以生成不同的锚框生成器。通过在特征图上使用锚框生成器,可以在特征图的任意位置上获得具有不同大小和长宽比的新锚框。因为锚框生成器是从手工设计的锚框中学习而来的,因而具有多场景适应性。最后,使用自适应Io U阈值来平衡大小目标的正样本数量。通过MS COCO数据集测试表明,算法比预定义锚框方法具有更好的有效性,显着提高了基于锚框目标检测算法的精度。（3）提出一种基于推理的实例级上下文目标检测算法。该算法针对复杂场景中小目标或不明显目标检测效率较低的问题,首先在第一阶段提出高可信候选区域,然后利用高可信候选区域来辅助不确定区域的二次估计,多次迭代从而得到高质量的候选区域。为了提升候选区域的分类结果,算法利用候选区域之间的上下文关系来增强候选区域的特征表示,从而大幅度提升了对小目标和特征不明显目标的检测性能。最后,将算法在PASCAL VOC和MS COCO数据集上进行实验验证,实验结果表明,所提算法明显提升了目标检测的准确率。（4）提出一种基于虚拟环境的深度学习数据集生成方法。训练和测试深度学习模型需要大规模数据集,包括训练集和测试集,数据集的创建和标注需要消耗大量的人力物力。针对这一问题,提出了使用虚拟环境来生成数据集的方法,并用于训练与评估目标检测算法。该方法采用程序化方法生成虚拟城市环境,包括道路、街道等静态场景和行人、车辆等动态场景,并采用随机化方法提升虚拟环境多样性。最后,使用虚拟物理相机来模拟真实相机对环境进行采集,通过更改虚拟物理相机参数的方法达到模拟真实相机传感器的目的,从而使采用虚拟图像训练的分类器可直接应用于真实场景识别。实验结果表明,基于虚拟数据集训练的目标检测模型可以有效检测真实图像中的目标且能达到较高的准确率。
陈春霖[2]（2021）在《复杂场景下的目标检测算法研究》文中研究说明近年来,随着信息技术的蓬勃发展,在互联网上每天都会产生海量的图片和视频数据,针对这些爆炸式递增的数据进行分析和处理关系到网络空间的安全保障以及用户体验的提高。目标检测是计算机视觉和多媒体应用的基础技术之一,在实际的工程中有非常广泛的应用需求,具有非常重要的研究意义。目标检测任务是在给定的图片中识别所有目标的类别,同时给出其坐标位置框,并使用一个外接矩形框来定位所识别目标的位置。由于同一张图片中可能存在多个目标,目标之间类别不一,尺度不同,位置也可能相互遮挡等,因此相比于一般的图像分类任务而言,针对多个目标的识别和定位具有更大的难度和挑战性。虽然近年来随着深度学习的发展,目标检测算法有了突破性进展,但是在面对复杂场景中的小目标检测、缺少训练数据的小样本场景等问题上依然存在一些困难尚未解决。本文针对这些问题进行了深入的研究,具体的研究内容包括:从动态的特征提取方面研究自适应卷积在复杂场景下的小目标检测问题,从稀疏注意力融合方面研究图像上下文信息提取问题,从原型特征的动态生成与辅助检测模块研究小样本目标检测问题。主要贡献如下:（1）基于自适应卷积的目标检测算法:提出了一种自适应卷积块模块,根据输入的特征图动态地调整卷积核的参数,然后用得到的动态卷积核对输入特征图进行卷积。由于卷积核参数依赖于输入数据,可以选择性地提取最适合当前场景的特征,经过自适应卷积增强后的特征图可以更加关注关键目标,抑制环境中不相关目标的干扰信息,有效地提高检测精度。所提出的自适应卷积模块是参数轻量的、速度快的。通过将自适应卷积模块直接嵌入到现有的检测框架中,本文构造了一种新的实时的自适应卷积目标检测器,在速度和检测精度之间取得了更好的平衡。（2）基于稀疏注意力模块的目标检测算法:现有的非局部模块通过引入自注意力机制来建模卷积特征的远程依赖,但由于需要生成密集的注意力图,这需要产生非常大的内存和计算开销,实际应用中限制较大。本文提出了一种稀疏注意力模块,通过采样最具代表性的特征建立稀疏的注意力图,进行上下文信息聚合,可以大幅降低计算量和内存开销。在给定输入卷积特征图的响应热力图中搜索局部峰值响应后,动态地选择一组稀疏位置来提取键元素和值元素,并建立查询元素与键元素之间的稀疏依赖关系。这种稀疏的注意力模块可以很容易地插入到现有的各种目标检测框架中,以极少的计算代价带来稳定的检测精度提升。（3）基于动态原型特征融合的小样本目标检测算法:传统的目标检测的方法通常依赖于大量的训练数据,但是准备大规模的高质量精细标注的训练数据的代价是非常高的。在实际的业务中,通常需要检测的新类别目标仅有少数的支持样本,这需要高精度的小样本目标检测算法。本文提出了动态原型特征生成模块,计算查询图像的特征与支持样本的特征的关联系数,根据关联系数来地融合支持特征,动态的生成原型特征,利用小样本支持集和查询集的相似性来检测新的目标,同时抑制背景中的错误检测结果。同时,本文提出了辅助检测模块和源域-目标域往复训练策略,提高少量的支持样本的信息利用率,并减少检测网络在小样本目标域的过拟合风险。
李栋[3]（2021）在《基于时空关联性的视频动作识别与检测方法研究》文中认为在这个数字化的时代,人类日常生活中充满了各种多媒体数字内容,包括文本、音频、图像、视频等。尤其是视频,随着带有摄像头和传感器的各类移动设备的普及,正逐渐成为互联网用户之间一种全新的沟通交流方式。这种趋势促进了一系列视频内容理解技术和相关应用的蓬勃发展,动作识别与检测就是其中的一项核心技术。然而由于视频内容具有较大的差异性和复杂性,准确地识别并检测视频中出现的动作仍然具有较高的挑战性。大多数现有方法都是采用二维或三维卷积神经网络提取整个场景的特征作为动作表达。然而,动作识别与物体识别不同,物体可以仅通过视觉外观进行识别,但在大多数情况下并不能仅通过行为人或场景的视觉外观来识别动作,对动作的理解需要推理行为人与物体和其他人物之间的时空关联性。为实现这一目标,本论文探究如何学习以行为人为中心的时空关联性,从而提升视频动作识别和检测的准确率。具体地,本文从经典的神经网络结构（如二维和三维卷积神经网络）出发,研究如何设计并引入新的网络结构,包括注意力神经单元、循环时空管道生成和识别网络框架、长短时关联性网络框架以及多尺度子图学习框架,使得神经网络具备强大的为视频中的人与人或人与物体的关联性进行建模的能力。本论文包含以下几个创新点:（1）本文设计了一种通用的注意力神经单元,此神经单元可以根据局部信息与动作类别的相关性为视频片段中不同的空间区域赋予不同的权重。利用此神经单元,我们在多模态背景下提出了一种通用的空间注意力网络。此网络提取卷积神经网络的卷积层特征作为视频片段的局部描述子,然后根据注意力神经单元学到的空间注意力将这些局部描述子组合成视频片段的特征表达,从而过滤掉与动作类别无关的视频内容。在UCF101、CCV、THUMOS14和Sports-1M四个公开数据集上的实验表明,本文提出的空间注意力机制极大提升了基础网络的识别性能。本文还验证并证明了在不同数量的输入模态下空间注意力机制的有效性。（2）本文提出了一种全新的循环时空管道生成和识别网络框架,此框架将跨帧的时间上下文信息用于视频动作检测任务中。此框架由循环时空管道生成网络和循环时空管道识别网络这两个相互关联的网络结构组成。循环时空管道生成网络根据前一帧的动作候选框来循环估计下一帧中动作候选框的位置,从而将前后帧的动作候选框链接起来形成时空管道。循环时空管道识别网络采用多通道架构提取时空管道的语义特征并将其输入到长短时记忆网络中来识别动作类别。此网络框架在四个公开数据集上均获得了优于现有方法的性能,与最佳竞争对手相比,在UCF-Sports、J-HMDB、UCF-101和AVA这四个数据集上的性能提升分别为 2.9%,4.3%,0.7%和 3.9%。（3）本文针对视频动作检测任务提出了一种全新的长短时关联性网络框架,此框架同时对视频片段内的短时关联性和视频片段间的长时关联性进行建模。我们将一个完整视频分割成视频片段并利用时空管道生成网络为所有片段中的行为人生成时空管道。对于每一个行为人的时空管道,此框架通过自适应卷积操作动态地预测此时空管道对应的时空注意图,时空注意图表征了行为人与周围环境的关联性的紧密程度,这种短期关联性被用于增强时空管道的特征表达。随后此框架将所有的时空管道作为节点建立时空关系图,并利用图卷积网络对不同的时空管道间的长期关联性建模。我们在四个公开数据集上验证了此网络框架的有效性并取得了优于现有方法的性能。（4）在时空关系图的基础上,本文进一步提出使用时空关系子图来表征视频中的动作模式。具体来说,本文提出了多尺度子图学习框架,该框架为视频建立完整的时空关系图并以聚类的方式将完整的时空关系图分解成不同尺度的具有辨识力的时空关系子图。从技术上讲,此框架为视频中的所有人和物体生成时空管道,并将这些时空管道作为图节点来生成完成的时空关系图。对于每一个动作类别,我们通过学习一个高斯混合层以在线聚类的方式将完整的时空关系图分解成不同尺度的关系子图,并选择具有辨识力的子图作为此动作类别的标准模式。在大规模的动作识别数据集Something-Something和Kinetics-400上,多尺度子图学习框架取得了明显的性能提升,并在Something-Something数据集上实现了迄今为止最佳的65.0%的识别准确率。
蔡雨情[4]（2021）在《中加初中数学教材函数内容的比较研究》文中研究表明加强课程教材的建设是提高教育教学质量的条件之一,顺应教育走向全球化的趋势,中加两国教育界都在不断的优化数学教材。不同国家数学教材的比较研究,不仅能够进一步改进和完善本国教材的编写,还能改善当前的教学,从而促进对当前教育发展规律的理解和认识。笔者选取中国人教版初中教材与加拿大安大略省NE版中学数学教材相应的函数知识内容进行比较研究,采用文献研究法、统计分析法、比较研究法、案例分析法,分析和探讨两国教材函数的内容。宏观比较分为背景信息、设计特征和函数内容的选取和编排,背景信息中分析两国教材的基本信息,设计特征包括版面设计和体例结构,函数内容的选取和编排部分对两版教材具体研究内容以及内容的编排顺序进行了阐述。微观比较从教材内容和教材中图片的运用两方面展开,教材内容对两版教材章头呈现、概念的编排、例习题的数量、背景、类型以及习题难度进行了举例说明。视频分析比较方面,通过加方“nool”平台和中方“一师一优课”平台对两国部分函数教学内容进行分析。研究表明,中加两国函数内容都是分开编排,且加拿大教材中函数内容篇幅多于人教版教材。体例结构方面,加拿大教材结构丰富多彩,栏目多样。章节选取和编排顺序方面,加拿大教材内容划分的更细致,两版教材都遵循“一次函数”“二次函数”的顺序。在教材内容上,两版教材均设有章头图、章标题和章头图,引入方式上,两版教材都是通过实例创设情境引入,实例内容的选择两国各不相同。在函数的定义上,人教版教材系统完整,加拿大教材注重案例的铺垫,例题方面,加拿大教材数量多于人教版教材,表征方式都以纯数学和组合形式为主,在解题过程上,加拿大教材更加思路清晰完整,解答详细。例题类型两国都以方法型为主,按情景划分主要表现为“个人情境”。习题上,NE版教材习题数量、难度均高于人教版教材,且呈现形式和丰富度相较于人教版显得更胜一筹。在图片的选取上,人教版教材以漫画图为主,NE版教材以真实生活图片的展现为主,色彩丰富,信息量大,图片色彩绚丽。教学视频的讲解上,加方一次函数涉及了我国高中部分所学内容,相较于人教版弱化了对函数图像的处理,在部分二次函数内容的讲解上,两国处理方式基本一致。最终从知识点的整体性,生活图片素材、习题类型和教学等方面提出建议。
牛俊文[5]（2021）在《基于微博文本的兰州公交公众评价分析》文中指出公众参与已经成为交通规划和相关政策制定的重要组成部分,但是由于项目周期和成本限制,采用传统方法进行公众观点的大规模收集和分析将面临巨大的挑战。目前,在交通规划设计中,需要大力提高公众参与度,更重要的是加快数据的采集和处理速度,以弥补传统规划的不足。近年来,随着互联网技术的发展,微博用户的数量不断增加,新浪微博已成为公众发布信息的重要平台,微博评论中蕴含的丰富信息有待发掘。本文以兰州公交为对象,以公众微博评论为依据,开展了以下主要研究工作。首先,利用Python编写了爬虫程序,获取了微博评论文本数据并对其进行了预处理,包括字符清洗、中文分词、语义情感分析等。其次,构造了SVM分类模型对文本数据进行分类,本文将文本分为交通评价类、信息汇报类、交通需求类、无关数据类等四种类型;构造了LDA主题分析模型,挖掘得到了兰州公交出行、道路情况、线路调整、上学出行、疫情安全、交通安全等6种主题;在此基础上,深入分析了公众对兰州公交的关注角度和热点关注内容。最后,利用上述模型挖掘所得文本数据的隐含信息,分析研究了公众对兰州公交热点关注问题的时间与空间分布特性。通过对六个主题时空分布特征的分析,得到了公众对兰州公交热点关注问题的时间变化趋势,并针对不同的主题提出了相应的改进意见和建议。结果表明:（1）受疫情的影响,主题1和主题5中的口罩、发热和隔离等话题成为公众关注的新的热点问题;佩戴口罩也是目前公众乘坐公交须满足的基本条件。（2）主题2、主题3、主题4和主题6中的交通拥堵、线路调整、出行方式和交通安全等话题,公众关注的热度一直居高不下,其中交通拥堵是公众长期关注的热点话题,从空间分布来看,兰州公众对大型商圈、学校及交通枢纽等区域的公交拥堵情况关注较高;从时间分布来看,工作日公众的主要关注点在于城市主城区繁华路段的线路和交叉口等,而非工作日时,休闲娱乐的场所及景点,如中山桥站和白塔山公园等,公交站点交通状况成为公众关注的热点话题。
杜皓旻[6]（2021）在《基于关系的特定目标检测算法研究与实现》文中研究表明计算机视觉技术已经深入到人类日常生活的方方面面,目标检测便是其中一个热点领域,其目的是通过检测器给出图像中所关注物体的类别和位置。计算机视觉中很多其他任务都依赖于目标检测算法输出的结果,因此提高目标检测算法的准确率是十分必要的。目前大部分的目标检测算法将图像中的各个物体视为独立的个体来分类和定位。但是,在实际情况中,目标之间以及它们和所处环境之间总会存在千丝万缕的联系,利用好这种关系就可以在一定程度上提高算法的精度。本文通过对现有的基于关系的目标检测算法进行调研归纳,发现它们无差别对待所有区域提议框,不考虑其中负样本的反面效果,并且对上下文环境的整合方式也不太适用于关系这种非欧式数据结构。因此,本文针对这些发现的问题进行优化,主要的工作和贡献如下:（1）首次将目标检测任务中的可建模关系分类为几何关系、视觉关系、上下文关系、共现性关系,并归纳其优缺点和适用场景。（2）设计了基于掩码的多关系融合目标检测算法来解决已有的基于关系的目标检测算法中存在的问题。一方面,该算法将目标之间的几何和视觉关系融合进预设掩码的关系图结构中,减少区域提议中负样本的噪声,优化正样本的作用范围。另一方面,该算法巧妙地将上下文信息融合进关系图结构中,进一步有效利用图像中的关联信息。最终,所设计的关系图结构在图神经网络的卷积过程中完善区域提议的表征能力,提高检测效果。（3）在Faster R-CNN的基础上融合了基于掩码的多关系融合模块,并通过一系列实验验证其有效性。最终证明本方法不仅相较于基础模型准确率提高了近5个百分点,而且优于已有的基于关系的目标检测算法。
杨晨[7]（2021）在《弱监督学习下的细粒度视频动作识别与检测》文中提出随着科学技术的发展,每天都会产生海量视频数据,这些数据与我们生活有着紧密联系。如何有效利用这些数据为我们的生活带来便捷,是随之而来的问题。许多现实场景中,动作之间差异十分微小,使得它们具有细粒度的特征,所以细粒度视频行为检测和识别技术是一个有效解决问题的方向。细粒度动作识别和检测是一个非常具有挑战性的问题,近几年引起了学术界极大的关注。在视频中,细粒度动作类别之间的视觉差异非常细微,导致动作识别和检测变得异常困难。现有的方法在模型训练时常常需要视频帧级的强监督标签,使得训练的时间成本和经济成本非常高昂。为此,本文提出了一个新的弱监督动作检测算法,用于细粒度视频的动作识别和检测。为了捕捉细粒度视频中动作的发生区间,本文设计了一个可以同时在空间和时间维度上定位显着性区域的时空自注意力模块。尽管在强监督方法中已经有一些工作利用时空注意力机制进行动作检测和识别,但是这些方法通常将时空注意力的产生视为两个分离的步骤。本文认为动作特征在时空中是一个整体,不应该被分离成两个部分。因此,与这些机制不同,本文的时空注意力机制可以同时在时空中产生注意力信号。相较于强监督下,时空分离注意力模块可以使用帧级强监督信号训练,本文的时空自注意力模块仅有视频级别弱监督信号指导。为了防止自注意力模块因为监督信号不足,得不到充分训练,本文利用特定类别的注意图作为自引导信号,改进本文的自注意力模块的能力。最后,考虑到时空维度上动作特征和背景特征分布的复杂性,本文尝试同时学习多种时空注意力掩码,并使用多样性损失函数监督,增强这些掩码之间的解耦能力和多样性。在多样性损失函数的优化下,不同注意力掩码关注不同的区域,从而提高本文算法在建模细粒度类别动作方面的能力。综上所述,本文主要贡献点如下:1.本文设计了一个新的自注意力模块,可以同时在空间和时间维度上定位关键动作区域,捕捉细粒度动作的细微动作模式。2.本文扩展了类相关的信息,以此作为自引导信号,指导时空自注意力模块更好的学习。3.本文设计了一个具有多样性的多注意力模块,可以在复杂的特征分布中,更精确地捕捉动作的细微动作模式,且在多样性损失函数的监督下,多个注意力模块间可以解耦且更具多样性。4.本文的方法在两个具有挑战性的细粒度视频数据集上,即MPⅡ Activities和MLB-YouTube上进行了大量实验,实验结果也证明了与当前通用弱监督行为检测技术相比,本文所提方法的有效性。
李睿敏[8]（2020）在《基于视觉数据的人体动作精细分类及评估方法研究》文中指出人体动作是人类最主要的生物特征之一,让传感器和计算机学会像人类一样感知和理解人体动作具有重要意义。基于视觉数据的人体动作精细分类及评估以其非接触、低成本等优势,广泛地应用于智能安防、人机交互和康复医疗等领域。基于视觉数据的人体动作精细分类及评估指的是利用计算机视觉技术对视频中发生的人类动作进行动作类别预测、时间上的精细分类和动作质量评分,主要包括动作分类、动作检测和动作评估三大模块。目前的研究工作主要存在以下问题:（1）现有的动作分类方法大多数依赖于深度神经网络,难以对动作内部进行深入剖析和研究;（2）目前的动作检测算法没有考虑动作的完整性,定位精度低,难以满足实际场景下的需求;（3）在动作评估研究中,评估动作简单,且局限于对体育赛事的评估。针对以上存在的问题,本文从动作分类、动作检测和动作评估三方面入手,首先提出了可解释的动作分类算法,用于对视频中发生的人类动作进行类别预测。考虑到实际场景下获取的视频通常为未剪切的长视频,进一步提出了渐进式动作检测算法对未剪切长视频中的人类动作进行时间上的精细定位。然后,提出了精细动作评估算法用于对已知类别和精确定位得到的人体动作进行定量评估。最后设计了康复医疗场景下的数字化视觉动作追踪系统,应用提出的动作精细分类及评估算法实现相关疾病的辅助诊断和机制探索。主要研究工作总结如下:1.提出了一种可解释的基于关键片段描述子和步长矩阵模型的人体动作分类算法。将动作单元定义为由连续几帧具有相似空间结构的骨骼帧构成的骨骼片段,提取骨骼片段的时空特征进行聚类形成关键片段字典,将骨骼序列表示为词序列。构建步长矩阵模型,用于编码动作序列的多尺度全局时序信息,通过计算测试样本的步长矩阵与各类别动作的步长矩阵的响应实现动作分类。该算法在Northwestern-UCLA数据库、MSRC-12数据库和CAD-60数据库上的动作分类准确率分别达到78.96%、91.84%和91.18%。2.提出了一种基于深度残差网络和实例搜索的渐进式动作检测算法,专注于实现高精度的动作精细定位。提出用于量化表示当前帧动作进度的进度标签,设计了基于Res Net-50的53层进度标签预测网络LPNet-53,用于实现单帧图像的进度标签回归。提出渐进式动作搜索算法,基于进度标签序列精细定位动作实例发生的区间位置。构建DFMAD-70数据库,用于评估渐进式动作检测算法的性能。该算法在DFMAD-70数据库上的检测精度为:当t Io U=0.5时,m AP=97.0%,当t Io U=0.8时,m AP=76.0%。3.针对康复医疗场景下动作评估自动化的需求,提出了一种基于时域滤波卷积神经网络的动作检测方法,实现了交互过程中的精细动作评估。应用设计的视觉动作追踪系统记录实验对象在精细动作评估任务中的动作数据,构建动作评估数据库。实验结果表明,所提出的动作评估方法的预测结果与人工评分的平均误差为1.83,有效实现了精细动作的自动化评估。4.开发了一套无标记的低成本数字化视觉动作追踪系统,系统由Kinect和头戴式眼动仪组成,Kinect用于捕获记录实验对象动作数据的RGB图像、深度图像和骨骼数据,眼动仪用于捕获实验对象的眼动信息和第一视角下的动作数据。该系统可用于同步记录康复医疗场景下动作评估过程中的动作数据和眼动数据,实现了运动障碍相关疾病的辅助诊断和机制探索。
蔡文杰[9]（2020）在《基于特征增强和负样本挖掘的图像描述方法》文中研究表明计算机视觉信息转换成文本信息能够在图像和文字之间建立起特定的对应关系,具有广泛的实际应用价值。当前基于卷积神经网络和循环神经网络的“编码器—解码器”框架是实现图像描述的有效方法,但是存在多个不足:1)图像特征表征能力不足,2)训练样本不均衡、不充分,均造成所生成的文字描述不够准确。本文针对上述问题开展研究以下工作。一、基于全景分割注意力机制的图像描述算法。针对现有基于物体检测的注意力机制中检测矩形框包含物体无关区域（例如,背景或与其他物体的重叠区域）的问题,提出基于全景分割的注意力机制,从相应的分割区域中提取被描述物体的特征,并分配注意力。与当前的基于物体检测的注意力机制相比,基于全景分割的注意力机制关注级别更细致,能够增强图像特征。为了独立处理前景与背景特征,本文实施的是双重注意模块。基于全景分割的注意力机制可以更准确地识别重叠的物体以及图片所在的场景,并且能够生成更准确的文字描述。二、基于语义增强模块的图像描述算法。针对图像描述模型的图像特征缺乏文字描述维度的语义特性的问题,提出基于语义增强模块的图像描述算法,结合图文匹配子网络提供语义判别信息。由于图文匹配网络的训练目标是将图像和文字描述进行匹配,这样选取的训练目标比图像分类或目标检测任务的目标更具语义性,使图文匹配网络能够获得更具语义性的图像特征。此外,专门设计了特征融合层,融合图文匹配子网络特征和物体检测模型特征,以增强图像特征,从而生成与图片更匹配的文字描述。三、基于极难负样本挖掘的图像描述算法。针对训练图像描述模型需要大量标注数据的问题,提出基于极难负样本挖掘的图像描述算法,研究自动生成训练负样本的方法,通过增加训练样本提高模型性能。为了使模型能够捕获不同图像的细微区别,生成具有判别性的文字描述,引入极难负样本加强训练。极难负样本与对应的正样本只有一个名词的差别,通过极难负样本训练,再利用图文匹配网络的反馈信息,增强模型学习细粒度单词间的语义差别,即提高模型对词间语义差别的判别能力,从而生成更准确的文字描述。
张元梁[10]（2020）在《我国体育科技进步及其对竞技体育的促进效应研究》文中研究说明作为第一生产力的体育科学技术是竞技体育可持续发展的重要推动力,体育科技与竞技体育是一个既相互牵制,又协同共生的复合大系统。其中,体育科技在促进系统稳固可持续发展中起到重要的主导作用。我国在建设竞技体育强国的改革发展进程中,我们需要继续借助和依靠体育科技,不断提升对体育科技与竞技体育两者相互关系与融合发展规律的理性认识,并充分利用体育科学研究与开发,力求达到两者之间的有序与和谐,才能最终实现我国体育科技与竞技体育的良性融合可持续发展。因此,要想提升我国体育科技创新能力,更好发挥体育科技进步对竞技体育事业发展的重要支撑作用,需要我们对体育科技进步及其对竞技体育的促进效应进行系统探索研究。本研究旨在依据系统科学理论和社会网络分析等理论与方法,对我国体育科技与竞技体育相互关系进行系统理论分析。在此基础上,从定性和定量相结合的角度,对我国体育科技发展中的体育科学研究特征和体育专利技术研发特征进行分析,同时在对我国体育科技进步进行追踪观测的基础上,探索体育科技对竞技体育的影响,最后对我国体育科技攻关与服务特征进行分析,从而更好地为体育科技与竞技体育可持续发展提供一定的参考。经研究分析,得出以下主要结论:（1）体育科技进步与竞技体育是一个相互制约、相互作用、协同进化的动态演化系统,其动力机制主要包括竞技体育发展需求的拉动力、体育科技自身创新的推动力以及包括相关政策规范在内的外部环境支持力,两者即是在此三方面力量的相互作用和共同推动下不断演化发展。（2）我国体育科学研究经过多年发展取得了长足进步,并在国际上踏入高产高影响力国家行列,同时产生了一批诸如上海体育学院、北京体育大学等国际高影响力的体育科研机构,凭借高产和高质的论文成果跻身世界顶尖级研究机构行列,中国体育科学研究步入了新时代。然而,我国的影响力并未处于世界领先地位,与全球领先国家和机构相比,尚有较大差距。我国在体育科学研究国际合作中处于主导地位,但在国际合作论文产出的绝对值上中国与美国仍存在较大差距,运动创伤学、运动生理学、运动康复学及运动心理学等是我国国际合作频率最高的领域,国际合作网络呈现出明显的核心-边缘结构特征,在合作网络规模上,美国核心圈和外围圈明显大于中国。（3）我国在体育自主创新技术研发领域取得了显着进步,体育专利申请数量逐年攀升,并在数量上占据世界领先地位,然而在专利申请量激增的同时,随之而来的是专利质量参差不齐,多数技术还停留在低技术含量的外观设计和实用新型的边缘技术。完善的专利制度、良好的专利保护意识、广阔的国际市场范围、稳固高效的研发团队以及高科技核心专利技术,成为国外领先国家与核心企业重要的专利技术研发战略。（4）上世纪90年代,我国体育科技进步相对发展比较缓慢,无论是科技人员、科技经费的投入等均处于较低水平,体育科技进步贡献率较低,进入21世纪以来,随着我国在体育科技人力和经费等方面投入的不断增长,科技创新活动和科技创新扩散水平不断提升,从而使体育科技进步对竞技体育的贡献率大幅增长。其中,体育科技经费投入、体育科技创新活动及体育科技创新扩散三个指标对竞技体育产出呈现显着影响。（5）完善的制度保障是实现体育科技与竞技体育融合发展的重要前提。多年来,我国所实施的竞技体育科研攻关科技服务制度,逐步形成了运动队、体育院校和科研所、政府体育部门三维一体互动模式,为竞技体育科学化训练与发展提供重要的制度保障。在科研攻关课题方面,逐步形成了以体育类院校和科研院所为核心,以非体育专业类院校和地方科研院所为支撑的合作攻关联网络模式,为我国优势项目和潜优势项目提供了良好的科技保障。提出以下建议:（1）进一步提升我国体育科学研究的国际化发展水平。（2）进一步加强国际体育科学合作研究。（3）加强有利于体育科技与竞技体育融合的创新机制建设。（4）进一步增强体育科技成果在竞技体育领域内的成果转化与应用。
二、FormZ建模实例棒球（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、FormZ建模实例棒球（论文提纲范文）
（1）基于深度学习的图像目标检测关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统图像目标检测方法 |
| 1.2.2 基于深度学习的图像目标检测方法 |
| 1.2.3 目标检测算法提升策略 |
| 1.2.4 图像目标检测应用研究 |
| 1.3 本文工作与创新点 |
| 1.4 本文组织架构 |
| 第2章 金字塔上下文学习算法 |
| 2.1 引言 |
| 2.2 图像处理中的金字塔模型 |
| 2.3 多级别金字塔上下文学习算法 |
| 2.4 目标检测框架与PCL算法的结合 |
| 2.4.1 SSD与PCL算法的结合 |
| 2.4.2 Faster-RCNN与PCL算法的结合 |
| 2.4.3 RetinaNet与PCL算法的结合 |
| 2.5 实验结果与分析 |
| 2.5.1 实验环境 |
| 2.5.2 VOC 2007上的实验结果 |
| 2.5.3 消融实验 |
| 2.5.4 COCO数据集上的实验结果 |
| 2.6 定性评估 |
| 2.7 本章小结 |
| 第3章 动态锚框生成算法 |
| 3.1 引言 |
| 3.1.1 目标检测中预设框的表示 |
| 3.1.2 锚框的发展 |
| 3.1.3 锚框的使用 |
| 3.1.4 小结 |
| 3.2 锚框生成模型 |
| 3.3 基于小型网络的动态锚框生成算法 |
| 3.3.1 锚框预测 |
| 3.3.2 锚框标注 |
| 3.4 实验结果与分析 |
| 3.4.1 实验环境 |
| 3.4.2 结果对比 |
| 3.4.3 消融实验 |
| 3.5 本章小结 |
| 第4章 基于推理的目标检测算法 |
| 4.1 引言 |
| 4.2 上下文学习目标检测算法 |
| 4.3 基于推理的实例级上下文目标检测算法研究 |
| 4.3.1 候选区域生成 |
| 4.3.2 基于推理的候选区域生成 |
| 4.3.3 基于可信区域特征增强的候选区域分类 |
| 4.4 实验结果与分析 |
| 4.4.1 数据集和评估标准 |
| 4.4.2 实验设计 |
| 4.4.3 在PASCAL VOC数据集上的检测结果 |
| 4.4.4 在MS COCO数据集上的检测结果 |
| 4.4.5 不同模块对检测结果的影响 |
| 4.4.6 不同特征融合方法对检测结果的影响 |
| 4.5 本章小结 |
| 第5章 基于虚拟环境的深度学习数据集生成方法 |
| 5.1 引言 |
| 5.2 虚拟数据集生成算法 |
| 5.3 一种城市虚拟环境内容生成方法 |
| 5.3.1 数据集生成平台 |
| 5.3.2 虚拟环境的生成过程 |
| 5.3.3 随机化方法增加城市虚拟环境的多样性 |
| 5.4 合成虚拟环境数据集 |
| 5.4.1 虚拟数据集自动标注方法 |
| 5.5 实验结果与分析 |
| 5.5.1 基于虚拟数据集的算法训练实验 |
| 5.5.2 虚拟数据集与既有数据集融合实验 |
| 5.6 本章小结 |
| 第6章 全文总结与展望 |
| 6.1 研究工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（2）复杂场景下的目标检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 关键技术及难点分析 |
| 1.3.1 目标检测在复杂场景的自适应性问题 |
| 1.3.2 小目标检测问题 |
| 1.3.3 上下文关系的检测问题 |
| 1.3.4 小样本目标检测问题 |
| 1.4 本文主要研究内容和贡献 |
| 1.5 论文结构安排 |
| 第2章 目标检测算法概述 |
| 2.1 目标检测算法发展历史 |
| 2.2 两阶段检测算法 |
| 2.2.1 区域卷积网络 |
| 2.2.2 Fast R-CNN |
| 2.2.3 Faster R-CNN |
| 2.2.4 特征金字塔网络 |
| 2.3 单阶段检测器 |
| 2.3.1 YOLO |
| 2.3.2 SSD |
| 2.3.3 RetinaNet |
| 2.4 小样本目标检测器 |
| 2.4.1 LSTD |
| 2.4.2 FSOD |
| 2.5 本章小结 |
| 第3章 基于自适应卷积的目标检测算法研究 |
| 3.1 研究现状与问题 |
| 3.2 方法概述 |
| 3.3 基于自适应卷积的目标检测算法 |
| 3.3.1 自适应卷积模块 |
| 3.3.2 自适应检测器 |
| 3.4 实验结果与分析 |
| 3.4.1 实验细节 |
| 3.4.2 与现有方法的对比 |
| 3.4.3 消融实验 |
| 3.5 本章小结 |
| 第4章 基于稀疏注意力的目标检测算法研究 |
| 4.1 研究现状与问题描述 |
| 4.2 基于稀疏注意力的目标检测算法 |
| 4.2.1 常规非局部模块的回顾 |
| 4.2.2 稀疏注意力模块 |
| 4.2.3 稀疏注意力模块概述 |
| 4.2.4 稀疏采样操作 |
| 4.2.5 键-值元素的特征共享策略 |
| 4.2.6 稀疏注意力模块在检测网络中的应用 |
| 4.3 实验结果与分析 |
| 4.3.1 实验细节 |
| 4.3.2 消融实验 |
| 4.3.3 在一般检测框架下的结果 |
| 4.3.4 检测结果示例 |
| 4.4 本章小结 |
| 第5章 基于动态原型特征融合的小样本检测算法研究 |
| 5.1 研究现状与问题分析 |
| 5.1.1 小样本学习方法 |
| 5.1.2 小样本目标检测方法 |
| 5.2 小样本目标检测算法 |
| 5.2.1 方法概述 |
| 5.2.2 基于注意力机制的动态原型特征生成模块 |
| 5.2.3 辅助检测模块 |
| 5.2.4 源域-目标域往复训练策略 |
| 5.3 实验结果与分析 |
| 5.3.1 实验设置细节 |
| 5.3.2 与现有算法对比 |
| 5.3.3 消融实验 |
| 5.3.4 检测结果的可视化 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究成果与创新点 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（3）基于时空关联性的视频动作识别与检测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 视频动作识别 |
| 1.2.2 视频动作检测 |
| 1.3 本文研究内容与结构安排 |
| 第2章 基于空间关联性的空间注意力网络 |
| 2.1 背景介绍 |
| 2.2 相关工作 |
| 2.3 空间注意力网络 |
| 2.3.1 注意力神经单元 |
| 2.3.2 局部特征提取 |
| 2.3.3 空间注意力模型 |
| 2.3.4 时间注意力模型 |
| 2.4 实现细节 |
| 2.5 实验评估 |
| 2.5.1 数据集 |
| 2.5.2 单模态评估 |
| 2.5.3 双模态评估 |
| 2.5.4 三模态评估 |
| 2.5.5 与相关工作性能对比 |
| 2.6 讨论与总结 |
| 第3章 基于时间关联性的循环时空管道生成和识别网络 |
| 3.1 背景介绍 |
| 3.2 相关工作 |
| 3.3 循环时空管道生成和识别网络 |
| 3.3.1 循环时空管道生成网络 |
| 3.3.2 生成时空管道 |
| 3.3.3 循环时空管道识别网络 |
| 3.4 实现细节 |
| 3.5 实验评估 |
| 3.5.1 数据集与评估指标 |
| 3.5.2 生成网络实验评估 |
| 3.5.3 识别网络实验评估 |
| 3.5.4 消融实验 |
| 3.5.5 与相关工作性能对比 |
| 3.5.6 参数分析 |
| 3.6 讨论与总结 |
| 第4章 基于全局关联性的长短时关联性网络 |
| 4.1 背景介绍 |
| 4.2 相关工作 |
| 4.3 视频动作检测框架 |
| 4.3.1 时空管道生成网络 |
| 4.3.2 长短时关联性网络 |
| 4.4 实现细节 |
| 4.5 实验评估 |
| 4.5.1 数据集与评估指标 |
| 4.5.2 短时关联性实验评估 |
| 4.5.3 长时关联性实验评估 |
| 4.5.4 消融实验 |
| 4.5.5 与相关工作性能对比 |
| 4.5.6 参数分析 |
| 4.6 讨论与总结 |
| 第5章 基于全局关联性的多尺度子图学习框架 |
| 5.1 背景介绍 |
| 5.2 相关工作 |
| 5.3 多尺度子图学习框架 |
| 5.3.1 时空管道生成网络 |
| 5.3.2 完整的时空关系图 |
| 5.3.3 有辨识力的关系子图 |
| 5.4 实验评估 |
| 5.4.1 数据集 |
| 5.4.2 实现细节 |
| 5.4.3 消融实验 |
| 5.4.4 与相关工作性能对比 |
| 5.5 讨论与总结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（4）中加初中数学教材函数内容的比较研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.1.1 数学教育国际比较及教材比较发展的趋势 |
| 1.1.2 中加两国的教育体制 |
| 1.2 研究问题 |
| 1.3 研究意义 |
| 第2章 文献综述 |
| 2.1 国外数学教材比较研究现状 |
| 2.2 国内数学教材比较研究现状 |
| 2.3 函数内容比较研究现状 |
| 2.4 中加两国教材比较研究现状 |
| 2.5 文献综述小结 |
| 第3章 研究设计 |
| 3.1 研究对象 |
| 3.1.1 中国教材的选取 |
| 3.1.2 加拿大教材的选取 |
| 3.2 研究工具 |
| 3.2.1 数学题难度综合模型 |
| 3.3 研究方法 |
| 3.4 研究框架 |
| 第4章 中加初中数学教材函数内容的宏观比较 |
| 4.1 背景信息的比较 |
| 4.2 设计特征比较 |
| 4.2.1 版面设计比较 |
| 4.2.2 体例结构的比较 |
| 4.3 函数内容的编排和选取的比较 |
| 4.3.1 函数内容的选取 |
| 4.3.2 函数的编排顺序 |
| 第5章 中加初中数学教材函数内容的微观比较 |
| 5.1 教材内容的比较 |
| 5.1.1章头呈现的比较 |
| 5.1.2 概念编排的比较 |
| 5.1.3 例题的比较 |
| 5.1.4 习题的比较 |
| 5.2 图片的运用比较 |
| 第6章 教学视频知识讲解比较 |
| 6.1 一次函数知识讲解过程比较 |
| 6.2 二次函数知识讲解过程比较 |
| 第7章 研究结论与建议 |
| 7.1 研究结论 |
| 7.1.1 宏观方面的比较研究结论 |
| 7.1.2 微观方面的比较研究结论 |
| 7.1.3 教学视频知识讲解的比较结论 |
| 7.2 研究建议 |
| 7.2.1 对教材编写的建议 |
| 7.2.2 对函数教学的建议 |
| 7.3 不足 |
| 致谢 |
| 参考文献 |
| 在学期间科研成果情况 |
（5）基于微博文本的兰州公交公众评价分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国内研究现状 |
| 1.3.2 国外研究现状 |
| 1.4 主要研究内容 |
| 2 相关理论和技术介绍 |
| 2.1 文本数据获取与预处理 |
| 2.1.1 基于网络爬虫技术的文本数据获取 |
| 2.1.2 数据预处理 |
| 2.2 文本分类和表示方法 |
| 2.2.1 文本分类方法 |
| 2.2.2 文本表示方法 |
| 2.3 文本的预测分布模型 |
| 2.4 LDA模型 |
| 2.4.1 LDA模型 |
| 2.4.2 样本采样和LDA模型中吉布斯采样 |
| 2.4.3 LDA模型训练设置 |
| 2.5 本章小结 |
| 3 基于LDA模型的兰州公交评价分析 |
| 3.1 兰州公交评价获取 |
| 3.2 数据预处理 |
| 3.2.1 降噪处理 |
| 3.2.2 中文分词 |
| 3.2.3 语义情感分析 |
| 3.3 文本分类 |
| 3.4 LDA主题模型分析 |
| 3.5 本章小结 |
| 4 兰州公交评价文本挖掘分析及交通优化措施 |
| 4.1 公众热点关注问题的时间分布 |
| 4.2 公众热点关注的交通拥堵的空间分布 |
| 4.3 公交线路优化和服务改善 |
| 4.3.1 公交线路优化措施 |
| 4.3.2 公交服务改善措施 |
| 4.4 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 附录 A 爬虫代码 |
（6）基于关系的特定目标检测算法研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 存在的问题 |
| 1.4 论文研究内容 |
| 1.5 本文组织架构 |
| 第二章 相关技术介绍 |
| 2.1 深度学习相关基础技术 |
| 2.1.1 卷积神经网络 |
| 2.1.2 欧式和非欧式数据结构 |
| 2.1.3 图神经网络 |
| 2.2 目标检测相关技术 |
| 2.2.1 基于深度学习的目标检测算法 |
| 2.2.2 基于关系的目标检测算法 |
| 2.3 本章小结 |
| 第三章 基于掩码的多关系融合目标检测算法设计与实现 |
| 3.1 基础模型的确定 |
| 3.1.1 目标检测基础模型的确定 |
| 3.1.2 关系建模基础模型的确定 |
| 3.2 目标检测中可建模的关系及其选择 |
| 3.3 基于掩码的多关系融合目标检测算法的网络结构 |
| 3.4 基于掩码的几何和视觉关系融合 |
| 3.4.1 关系图结构 |
| 3.4.2 基于掩码的关系图结构 |
| 3.4.3 几何关系系数 |
| 3.4.4 视觉关系系数 |
| 3.4.5 关系系数的整合 |
| 3.5 上下文场景关系的融合 |
| 3.6 基于掩码的多关系融合目标检测算法的实现 |
| 3.7 本章小结 |
| 第四章 实验验证及结果分析 |
| 4.1 实验环境 |
| 4.2 实验数据集 |
| 4.2.1 目标检测数据集PASCAL VOC |
| 4.2.2 视觉关系检测数据集VRD |
| 4.2.3 自动驾驶数据集KITTI |
| 4.3 评价指标 |
| 4.3.1 IoU |
| 4.3.2 mAP |
| 4.4 不同数据集下的消融实验对比 |
| 4.4.1 不同数据集下的实验验证 |
| 4.4.2 基于掩码的几何和视觉关系融合模块的评估 |
| 4.4.3 上下文场景关系的融合的评估 |
| 4.5 目标检测算法结果对比及分析 |
| 4.6 可视化检测结果展示和分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 现有工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者攻读学位期间发表的学术论文目录 |
（7）弱监督学习下的细粒度视频动作识别与检测（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题依据和研究意义 |
| 1.2 国内外研究和发展态势 |
| 1.2.1 全监督下的细粒度动作检测 |
| 1.2.2 弱监督下的通用动作检测 |
| 1.3 本文的主要贡献与创新 |
| 1.4 论文的结构安排 |
| 第二章 相关基础知识 |
| 2.1 问题定义 |
| 2.2 基于深度学习的视频特征提取 |
| 2.3 自注意力机制 |
| 2.4 Grad-CAM机制 |
| 2.5 光流图 |
| 2.6 本章小结 |
| 第三章 基于时空注意力的动作检测算法 |
| 3.1 整体框架预览 |
| 3.2 各模块详细介绍 |
| 3.2.1 特征提取模块 |
| 3.2.2 时空多样性自注意力模块 |
| 3.2.3 分类模块 |
| 3.2.4 自引导模块 |
| 3.3 损失函数 |
| 3.3.1 分类损失函数 |
| 3.3.2 稀疏性损失函数 |
| 3.3.3 自引导损失函数 |
| 3.3.4 多样性损失函数 |
| 3.4 协同训练 |
| 3.5 弱监督下的行为检测 |
| 3.6 本章小结 |
| 第四章 实验分析 |
| 4.1 实验设置 |
| 4.1.1 数据集 |
| 4.1.2 评测标准 |
| 4.1.3 对比方法 |
| 4.1.4 参数设置 |
| 4.2 总体实验 |
| 4.3 消融实验 |
| 4.4 其他实验 |
| 4.4.1 模型参数量分析 |
| 4.4.2 定性分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（8）基于视觉数据的人体动作精细分类及评估方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 英文缩略词说明 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 动作精细分类及评估的定义 |
| 1.3 国内外研究现状 |
| 1.3.1 人体动作分类 |
| 1.3.2 人体动作评估 |
| 1.4 存在的主要问题 |
| 1.5 本文主要研究内容 |
| 1.6 本论文章节安排 |
| 第2章 基于关键片段描述子和步长矩阵模型的动作分类算法 |
| 2.1 引言 |
| 2.2 骨骼数据获取方法 |
| 2.3 动作单元的定义 |
| 2.4 骨骼数据归一化 |
| 2.4.1 骨骼数据的表示 |
| 2.4.2 视角对齐 |
| 2.4.3 尺度归一化 |
| 2.5 基于动作单元的关键片段描述子 |
| 2.5.1 动态分割策略 |
| 2.5.2 特征提取 |
| 2.5.3 词序列描述子 |
| 2.6 时序模型 |
| 2.6.1 基于词袋模型的基线方法 |
| 2.6.2 步长矩阵模型 |
| 2.7 实验分析 |
| 2.7.1 Northwestern-UCLA数据库 |
| 2.7.2 MSRC-12数据库 |
| 2.7.3 CAD-60数据库 |
| 2.7.4 步长设置讨论 |
| 2.7.5 参数设置讨论 |
| 2.7.6 算法运行时间分析 |
| 2.7.7 算法稳定性分析 |
| 2.8 本章小结 |
| 第3章 基于深度残差网络和实例搜索的渐进式动作检测算法 |
| 3.1 引言 |
| 3.2 渐进式动作 |
| 3.3 进度标签 |
| 3.4 进度标签预测 |
| 3.4.1 卷积神经网络 |
| 3.4.2 进度标签预测网络 |
| 3.5 渐进式动作搜索算法 |
| 3.6 实验分析 |
| 3.6.1 渐进式动作检测数据库 |
| 3.6.2 动作检测评价指标 |
| 3.6.3 进度标签预测网络评估 |
| 3.6.4 渐进式动作检测评估 |
| 3.6.5 PAS算法下采样讨论 |
| 3.6.6 算法运行时间分析 |
| 3.6.7 算法比较讨论 |
| 3.7 本章小结 |
| 第4章 发展性协调障碍精细动作评估方法 |
| 4.1 引言 |
| 4.2 DCD评估工具 |
| 4.3 动作评估数据库 |
| 4.3.1 评估任务及标准 |
| 4.3.2 动作数据采集 |
| 4.4 动作任务定位 |
| 4.4.1 带时域滤波的卷积神经网络 |
| 4.4.2 边界定位算法 |
| 4.5 目标动作评估 |
| 4.5.1 动作任务1的评估 |
| 4.5.2 动作任务2的评估 |
| 4.5.3 动作任务3的评估 |
| 4.6 实验分析 |
| 4.6.1 动作任务定位结果 |
| 4.6.2 精细动作评估结果 |
| 4.7 本章小结 |
| 第5章 无标记的数字化视觉动作追踪系统 |
| 5.1 引言 |
| 5.2 Mircrosoft Kinect |
| 5.3 Pupil Core眼动仪 |
| 5.4 无标记视觉动作追踪系统 |
| 5.4.1 系统结构图 |
| 5.4.2 系统同步与融合 |
| 5.5 大动作肢体运动分析 |
| 5.5.1 扔沙包运动分析 |
| 5.5.2 抛接球运动分析 |
| 5.6 精细动作中的手眼协调分析 |
| 5.6.1 Open Pose手部关键点检测 |
| 5.6.2 手眼协调分析 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 论文的主要创新点 |
| 6.3 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（9）基于特征增强和负样本挖掘的图像描述方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 图像描述研究现状 |
| 1.2.1 图像描述数据集 |
| 1.2.2 图像描述评价指标 |
| 1.2.3 已有方法评述 |
| 1.3 相关问题和主要挑战 |
| 1.4 研究内容 |
| 1.5 本章小结 |
| 第二章 图像描述主要技术 |
| 2.1 “编码器—解码器”框架 |
| 2.1.1 卷积神经网络 |
| 2.1.2 循环神经网络 |
| 2.1.3 文字的编码 |
| 2.1.4 束搜索 |
| 2.2 图像描述中的注意力机制 |
| 2.3 图像描述中的损失函数 |
| 2.4 强化学习在图像描述中的应用 |
| 2.5 本章小结 |
| 第三章 全景分割注意力机制与图像描述 |
| 3.1 问题分析 |
| 3.2 相关工作 |
| 3.2.1 图像描述中的注意力机制相关工作 |
| 3.2.2 图像分割相关工作 |
| 3.3 全景分割注意力机制的图像描述算法 |
| 3.3.1 方法概述 |
| 3.3.2 图像特征提取 |
| 3.3.3 图像描述模型 |
| 3.4 实验结果和分析 |
| 3.4.1 实验参数设置 |
| 3.4.2 实验结果与方法对比 |
| 3.4.3 MSCOCO密集标注子集 |
| 3.5 本章小结 |
| 第四章 语义增强模块与图像描述 |
| 4.1 问题分析 |
| 4.2 相关工作 |
| 4.3 图文匹配网络与语义增强模块 |
| 4.3.1 语义增强模块 |
| 4.3.2 图像描述模型 |
| 4.4 实验结果和分析 |
| 4.4.1 实验参数设置 |
| 4.4.2 实验结果与方法对比 |
| 4.5 本章小结 |
| 第五章 极难负样本与图像描述 |
| 5.1 问题分析 |
| 5.2 相关工作 |
| 5.3 极难负样本与图像描述 |
| 5.3.1 极难负样本的生成 |
| 5.3.2 模型结构 |
| 5.4 实验结果和分析 |
| 5.4.1 实验参数设置 |
| 5.4.2 实验结果与方法对比 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（10）我国体育科技进步及其对竞技体育的促进效应研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 导论 |
| 1.1 选题背景与问题提出 |
| 1.1.1 研究背景 |
| 1.1.2 问题提出 |
| 1.2 研究的目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 文献综述 |
| 1.3.1 体育科技创新的相关研究 |
| 1.3.2 体育科技与竞技体育相互关系的研究 |
| 1.3.3 国外相关研究 |
| 1.3.4 小结 |
| 1.4 研究对象与研究方法 |
| 1.4.1 研究对象 |
| 1.4.2 研究方法 |
| 1.5 研究的基本思路 |
| 1.5.1 本研究的理论基础 |
| 1.5.2 研究内容 |
| 1.5.3 研究重点和难点 |
| 1.5.4 研究可能的创新点 |
| 1.5.5 研究的技术路线图 |
| 2 我国体育科技进步与竞技体育的理论思考 |
| 2.1 相关概念辨析 |
| 2.1.1 科技、体育科技与体育科技进步 |
| 2.1.2 竞技体育 |
| 2.2 体育科技与竞技体育的协同进化机制 |
| 2.2.1 体育技术在竞技体育实践中的应用 |
| 2.2.2 竞技体育竞赛规则对体育技术发展的调节机制 |
| 2.2.3 体育科技与竞技体育的协同进化机制 |
| 2.3 体育科技与竞技体育融合发展的动力机制 |
| 2.3.1 竞技体育实践发展需求的拉动力 |
| 2.3.2 体育科技创新的推动力 |
| 2.3.3 外部环境的支持力 |
| 2.4 小结 |
| 3 我国体育科技进步—体育科学研究特征 |
| 3.1 我国体育科学研究的国际影响力特征分析 |
| 3.1.1 数据来源与检索 |
| 3.1.2 中国体育科学发文量与总被引国际影响力的演变特征 |
| 3.1.3 中国体育科学研究的国际战略地位演变特征 |
| 3.1.4 中国体育科学研究机构国际影响力特征 |
| 3.1.5 中国体育科学高影响力研究成果的期刊分布特征 |
| 3.1.6 中国在不同体育科学研究方向的国际影响力特征 |
| 3.2 我国体育科学研究的国际合作特征分析—中美两国特征比较 |
| 3.2.1 数据的来源及处理 |
| 3.2.2 中美国际体育科学合作论文的整体概况 |
| 3.2.3 中美国际体育科学合作的特征解析 |
| 3.2.4 社会合作网络结构的对比分析 |
| 3.2.5 主要合作国家领域分布的对比分析 |
| 3.3 小结 |
| 4 我国体育科技进步—专利技术研发特征 |
| 4.1 我国体育专利技术研究与开发的时空分布特征 |
| 4.1.1 数据来源与检索 |
| 4.1.2 我国体育专利技术研发的时间分布特征 |
| 4.1.3 我国体育专利技术研发空间分布特征 |
| 4.2 基于专利质量的中外体育专利技术研发特征比较-以运动鞋相关专利为例 |
| 4.2.1 数据检索和处理方法 |
| 4.2.2 指标选取 |
| 4.2.3 整体发展对比分析 |
| 4.2.4 专利质量对比分析 |
| 4.3 基于专利战略的中外体育专利技术研发特征比较-以运动鞋相关专利为例 |
| 4.3.1 数据来源及相关术语说明 |
| 4.3.2 国家专利战略分析 |
| 4.3.3 核心企业专利战略分析 |
| 4.3.4 国外专利战略特征分析 |
| 4.4 小结 |
| 5 我囯体育科技与竞技体育融合发展 |
| 5.1 我国竞技体育科研攻关与科技服务的运行机制 |
| 5.1.1 竞技体育科研攻关与科技服务的范围界定 |
| 5.1.2 竞技体育科研攻关与科技服务的内容 |
| 5.1.3 竞技体育科研攻关与科技服务的管理模式 |
| 5.1.4 竞技体育科研攻关与科技服务的保障机制 |
| 5.2 我国竞技体育科研攻关与科技服务课题研究特征分析 |
| 5.2.1 数据检索及研究方法 |
| 5.2.2 竞技体育科研攻关课题研究的机构合作网络分析 |
| 5.2.3 竞技体育科研攻关课题研究的内容分析 |
| 5.3 小结 |
| 6 我国体育科技进步对竞技体育的促进效应 |
| 6.1 我国体育科技进步与竞技体育的跟踪观测 |
| 6.1.1 体育科技创新投入的跟踪观测 |
| 6.1.2 体育科技创新活动的跟踪观测 |
| 6.1.3 体育科技扩散活动的跟踪观测 |
| 6.1.4 体育科技进步总指数与体育产出指数跟踪观测 |
| 6.2 我国体育科技进步对竞技体育发展的贡献与影响分析 |
| 6.2.1 数据指标的选择与来源 |
| 6.2.2 体育科技进步对竞技体育发展的贡献率分析 |
| 6.2.3 我国体育科技进步与竞技体育发展的相关性分析 |
| 6.3 小结 |
| 7 结论与展望 |
| 参考文献 |
| 主要学习经历 |
| 攻读博士学位期间科研经历 |
| 致谢 |
四、FormZ建模实例棒球（论文参考文献）
- [1]基于深度学习的图像目标检测关键技术研究[D]. 丁鹏欣. 四川大学, 2021(01)
- [2]复杂场景下的目标检测算法研究[D]. 陈春霖. 中国科学技术大学, 2021(09)
- [3]基于时空关联性的视频动作识别与检测方法研究[D]. 李栋. 中国科学技术大学, 2021(09)
- [4]中加初中数学教材函数内容的比较研究[D]. 蔡雨情. 集美大学, 2021(01)
- [5]基于微博文本的兰州公交公众评价分析[D]. 牛俊文. 兰州交通大学, 2021(02)
- [6]基于关系的特定目标检测算法研究与实现[D]. 杜皓旻. 北京邮电大学, 2021(01)
- [7]弱监督学习下的细粒度视频动作识别与检测[D]. 杨晨. 电子科技大学, 2021(01)
- [8]基于视觉数据的人体动作精细分类及评估方法研究[D]. 李睿敏. 中国科学院大学(中国科学院西安光学精密机械研究所), 2020(06)
- [9]基于特征增强和负样本挖掘的图像描述方法[D]. 蔡文杰. 华南理工大学, 2020(02)
- [10]我国体育科技进步及其对竞技体育的促进效应研究[D]. 张元梁. 上海体育学院, 2020(12)