一、Content-based retrieval based on binary vectors for 2-D medical images(论文文献综述)
阚世超[1](2021)在《面向大规模图像检索的度量学习和索引研究》文中进行了进一步梳理随着移动设备和监控设备的大量普及,图像和视频数据呈现爆炸性增长趋势。如何从这些不断增长的海量数据中快速并准确提取有用信息是大规模图像检索的核心问题,也是图像处理和计算机视觉等领域的热点问题之一。近年来,大量研究通过解决图像低层次表示和高层次语义之间的“语义鸿沟”问题,极大的提升了大规模图像检索的性能,其中较为典型的是通过将表示学习和度量学习相结合来获得鲁棒的深度特征嵌入。在实际应用中,由于度量学习和深度特征嵌入的单一性,以及图像索引的局限性,大规模图像检索技术依然面临以下挑战。首先,传统度量学习方法主要基于图像的单类特征进行学习,无法学习多特征之间的互补属性。其次,基于传统度量学习的技术无法实现端到端更新图像表示模型。尽管现有的深度特征嵌入模型可实现特征嵌入和度量学习模块的端到端更新,但在多特征处理方面依然有所欠缺。最后,大部分深度度量学习方法都是基于有类别标签的数据来设计模型,需要高昂的海量数据标注成本。已有非监督深度度量学习方法无法充分挖掘无类别标签数据的语义信息。此外,现有索引模型主要依赖于测试集建立索引,当有新类别数据增加时需要更新索引结构,在数据不断增加的场景下具有局限性。为了解决上述问题,本文在核度量学习、深度特征嵌入和图像索引三个方面提出了新方法,主要贡献包括以下五点:(1)提出了一种面向特征融合的核度量学习模型。基于矩阵分块,将特征融合下的核度量学习推导为分别在各自特征空间、相互空间中学习相关的核度量模型。此外,基于Log Det分解和核极限学习机理论,将三元组和标签约束引入到优化模型中。最终,基于交替方向乘子法来求解优化模型。在图像检索实验中,分别对4-Root HSV特征、基于SURF的局部聚合描述子向量编码特征、Dense Net特征和SENet特征进行两两融合,实验结果表明所提出的多特征核度量学习方法在多种特征融合场景下都优于现有主流方法。(2)提出了一种融合手工特征的深度特征嵌入模型。基于深度度量学习的思想,将手工特征加入到深度学习模型中。首先,提出了变换器(Converter)和融合器(Merger)技术。然后,结合度量学习和分类的思想,将标签和距离信息相结合,以形成类-度量损失函数来训练模型。最后,在一般图像检索、行人重识别和车辆重识别中进行了大量实验。实验结果证明了所提出的深度特征嵌入模型的有效性。(3)提出了一种面向深度特征嵌入的局部语义相关性图神经网络模型。首先,基于图像的K近邻信息,在特征空间中建立图神经网络来描述和预测图像的局部相关结构。然后,建立图的边相关性预测网络和节点特征嵌入网络来分别学习近邻图像的相关性信息和相关性加权的特征嵌入。此外,基于存储池计算批次图像和全局训练集图像特征之间的相似性,构建度量损失函数对网络进行训练。在细粒度图像检索上的实验结果证明了局部语义相关性图神经网络模型的有效性。(4)提出了一种面向非监督深度度量学习的相对顺序分析和优化模型。首先,基于锚点图像的自扩增图像和所在聚类中心附近的图像建立置信度高的相似对,基于远离锚点图像类别的其它类别中心图像建立置信度高的非相似对。然后,建立相对顺序一致性损失和度量顺序一致性损失来协作训练相对顺序预测网络及特征嵌入网络。最后,利用预测的相对顺序来精调基于特征之间距离计算得到的检索结果。在图像检索中的实验结果表明相对顺序分析和优化模型在非监督场景下优于现有主流方法。(5)提出了一种面向可扩展图像检索的零样本语义树索引学习模型。首先,利用训练数据集的特征和类别信息,建立训练数据集的语义树编码。然后,根据其语义树编码建立索引的监督信息来训练卷积神经网络。最后,利用训练好的网络来预测与训练集类别不同的测试图像的索引信息,并通过解码算法将所预测的索引信息解码到语义树得到索引。在SOP和Image Net数据集上的实验结果表明所提出的零样本语义树索引学习模型优于现有主流方法,且具有可扩展性。
彭程[2](2021)在《基于FRIT和随机结构森林的自适应阈值路面裂缝检测算法》文中认为随着我国生活水平的不断提高,公共基础建设的规模不断扩大,道路作为公共基础设施的重要组成部分,为人们的出行和交通运输提供了不可替代的便利。然而公路里程数的逐年增加也随之带来了养护任务的亟需解决,裂缝作为路面衰变的直接表现形式,其被及时检测是路面养护任务中重要的一部分。早些年代,裂缝的检测主要依靠人工检测,随着养护里程数的不断增加,单纯依靠人工检测裂缝已经不能实现检测的实时性和有效性。因此,及时有效地检测出路面裂缝已经成为路面养护重要任务。近年来图像处理和计算机技术飞速发展使得利用图像处理进行路面裂缝检测变成可能同时也得到空前的发展。但是裂缝周围存在着油污、水渍等噪声干扰,加之裂缝形状复杂且强度不均匀,现有的裂缝检测算法不能实现对路面裂缝的高准确识别。参考国内外现有裂缝检测算法,在此基础上本文提出一种基于有限脊波变换(Finite Ridgelet Transform,FRIT)和随机结构森林(Random structured forest)的自适应双阈值路面裂缝检测算法来实现路面裂缝的准确识别,并进行仿真验证与分析。论文的主要工作包括:1)针对裂缝背景环境复杂,常存在油污等噪声和裂缝强度不均匀等特点造成的裂缝与背景对比度不足问题,提出基于有限脊波变换的裂缝增强算法,通过在有限radon域最小值所在列进行所有列系数倍数扩大来实现裂缝和背景的对比度拉伸,在脊波域对小波变换的每层细节系数进行倍数抑制操作来平滑噪声,从而为后续特征提取和分类器设计提供更适于特征学习和训练的裂缝图像。2)针对裂缝拓扑形状复杂,提出利用随机结构森林训练学习以生成裂缝得分图的方法。详细研究了裂缝块的特征表示,利用通道特征和像素对差异特征从颜色、梯度幅值、方向和像素值差异等不同方面提取裂缝块特征,研究随机结构森林训练学习等知识,包括样本选取、结构化学习、标签的离散化等方法。通过在裂缝图像上选取固定大小的裂缝块并提取相关特征放入随机结构森林进行训练学习以生成一个能够预测各种裂缝形状的裂缝检测器和裂缝得分图。3)针对由随机结构森林学习得到的裂缝得分图的特点,提出了自适应双阈值的裂缝提取算法,通过设定弱阈值来排除得分值较低的背景像素点,设定强阈值来提取得分值较高的裂缝像素点,并通过迭代遍历剩余待定像素点(得分值处于强弱阈值之间)八邻域的方法来将剩余待定像素点中裂缝像素点和复杂背景噪声像素点区分出来,并且通过级联形态学的方法来增强裂缝的连接性。最终通过实验验证本文方法相比于其他算法在裂缝背景和拓扑背景复杂的情况下能够得到更好地检测结果。
李东原[3](2021)在《基于深度学习的车辆重识别算法研究》文中指出近年来,随着人工智能的快速发展,利用深度学习技术处理刑侦数据成为可能。当公安干警在追捕犯罪车辆时,通过车辆重识别技术,在不同的摄像头中快速精准的检索出嫌疑车辆,以提高刑侦案件处理效率。每个车辆都有着唯一的身份标识,即车牌,通过车牌进行车辆重识别是最直接最有效的方式。但当面对车牌遮挡或者伪造等情况,就要考虑使用车辆外观信息完成重识别任务。通过深度学习技术去提取并分析车辆全局特征和局部特征,以此来进行车辆重识别。但是,现阶段通过深度学习技术进行车辆重识别还面临着很多的问题。首先,车辆图像中会存在复杂背景、光照、视角等因素的干扰,这会导致网络不能很好的提取具有表征性的车辆特征。其次,同款车型之间类间差异小,难以区分。本文针对车辆重识别现有问题,主要研究内容如下:(1)针对复杂背景、光照、视角等因素的干扰,本文提出基于注意力机制的车辆重识别算法,将注意力机制加入到提取车辆全局特征的卷积神经网络中,让网络给与更重要的通道和空间更高的权重。并且通过改进的批量难样本三元组损失和交叉熵损失联合学习的方法,来减小不同视角下同一车辆的图像距离,增大有着相似外观的不同车辆的图像距离。使用以上方法之后,获得了更高的准确率。(2)针对同款车型类间差异小,难以区分的问题,本文提出基于目标关系建模的车辆重识别算法,使用目标检测器检测出年检标志、特殊摆放物、车窗、车灯和车标等车辆局部感兴趣区域目标,然后通过目标关系模块对局部目标之间的关系进行建模,使得输出的每一个目标特征中还包含有与其他目标之间的关系特征,将多个局部目标特征组合成具有唯一判别性的车辆局部特征,提高了同款车的区分度。(3)将使用注意力机制、联合学习得到的车辆全局特征和使用目标关系建模得到的车辆局部特征融合起来,通过最终的融合特征来进行车辆重识别任务。并在车辆重识别算法中使用重排序,以此来建立更鲁棒更精确的车辆重识别模型。实验结果表明:使用该方法相对于单独使用全局或局部分支的准确率有较好的提升。
宦思琪[4](2021)在《基于迁移学习的图像检索方法研究与应用》文中研究说明近年来,随着信息技术的高速发展,图像数据量持续爆发式增长,数据之间的联系也变得越来越复杂,如何在海量数据中完成图像的高效检索成为了一个亟待解决的问题。在对徽派建筑构件的图像研究过程中,发现徽派建筑构件总体上造型特征区别相对较小,细节上的特征差别繁杂,并且样本采集工作尚不充分,无法获取充足的实验数据,而通过迁移学习与深度学习结合的方法可以较好解决目标域数据不充分带来的问题。针对传统图像算法与深度学习算法在图像检索应用中的不足,以及徽派建筑构件数据集的可研究性,本文进行了以下研究与实践:本文对图像检索进行了详细阐述,介绍了图像特征的相关知识,以及图像检索中的关键技术,并对检索方法的评价标准展开论述,同时还对迁移学习的方法以及相关的深度学习、卷积神经网络进行了深入研究。在此基础上,本文使用基于模型的迁移学习方法对卷积神经网络进行改进,并与传统图像匹配算法进行结合,提出三种不同的图像检索方法。首先,提出了一种基于特征点匹配的图像检索方法。将基于非线性方法构造尺度空间与网格统计去除误匹配的方法进行改进结合,提出了一种改进的特征点匹配算法G-AKAZE,并将该算法应用于图像检索应用中。实验结果表明这种方法在图像匹配的实验中,能够有效提升算法的耗时和准确度,在图像检索的实验中,精确率比较于其他算法也有着明显提高。其次针对应用中出现的数据集样本采集量不足够、计算力和时间缺乏的情况,提出了一种基于迁移学习和哈希算法的图像检索方法,将卷积神经网络模型在大规模标准数据集上进行训练得到预训练模型,再运用迁移学习方法将预训练结果中的权重参数迁移到新模型中,使用应用场景相应的数据集通过训练对模型的权重参数进行调整。在全连接层后加入隐藏层,并对隐藏层输出信息进行哈希计算,再根据全连接层输出的高维特征向量计算相似度,按照相似度排序输出最相似的检索结果。实验结果表明,该检索方法在检索精确率上表现优于其他方法,在CIFAR-10数据集上检索最相似的10个样本精确率为89.1%,比没有使用隐藏层与哈希计算时的检索精确率提高0.8%,在数据增强处理后的徽派建筑构件数据集上检索最相似的1个样本精确率为93.2%,最相似的10个样本精确率为84.1%。在前两种图像检索方法的基础上,提出一种基于多类别特征决策融合的图像检索方法。从两个卷积神经网络预训练模型中将权重参数迁移到新模型中,并提取两个新模型中全连接层输出的深层特征进行特征融合,又根据LBP局部二值特征、Gabor小波特征、HSV颜色特征以及G-AKAZE特征点四个低层特征的匹配算法,将使用深层特征检索结果与低层特征检索结果进行决策融合,通过实验分配不同的权重得出最适用于实验所用数据集的检索模型。实验结果表明,多类别特征检索模型在三个实验数据集上最相似的10个样本的最佳检索精确率分别为89.3%、92.5%和85.4%。图[42]表[10]参[65]
曹赛男[5](2020)在《基于非参数贝叶斯字典学习的MRI重建方法》文中指出随着临床医学的进步,磁共振成像(Magnetic Resonance Imaging,MRI)技术由于具有多参数成像、任意方位断层、无人体危害、成像对比度高等特点,在医学成像中得到了广泛的应用。随之,对成像数据的采集时间也提出了高要求。目前解决这一问题的方法主要分为两类:第一类是在硬件上做出改进,例如使用多线圈快速成像;另一类是减少K空间数据量的采集,通过计算机软件,在欠采样的数据中重建,即欠采样K空间重建方法。欠采样K空间重建不需要增加硬件成本,可行性强,受到了研究者的广泛关注。压缩感知(Compressed Sensing,CS)理论和稀疏表示理论的发展,为欠采样K空间重建方法提供了扎实的理论基础。稀疏表示和字典学习作为CS理论的重要内容,对提高MRI图像重建质量起着重要作用。现存的字典学习方法中,主要分为解析设计的字典和基于自适应的学习字典。解析字典方法简单、高效,但是不能灵活地实现与图像信号本身的最佳结构匹配。自适应的学习字典基于信号本身训练字典,因此备受关注。但是诸如K-SVD(K-singular value decomposition)等自适应学习图像表示的方法需要预先设定好字典的大小、信号的稀疏度、正则化参数等。这些先验值需要与图像本身相适应,一旦设置不当,将直接影响字典学习的质量。如何训练更适应当前图像的字典是本文的研究重点。本文围绕稀疏先验和字典学习两个方面来进行MRI图像重构的研究,具体的研究内容如下:(1)提出一种基于梯度域和非参数贝叶斯字典学习的MRI重构模型。利用梯度域稀疏,首先将原始MRI图像变换到梯度域中,在梯度域图像中再进行字典学习等过程。在字典学习中,引入非参数贝叶斯字典学习方法,替代传统的K-SVD方法。在非参数贝叶斯字典学习方法的现有研究成果中,针对结构性和聚类性不足做出改进,利用Beta过程的截棍构造,提出基于Beta过程的非参数贝叶斯字典学习方法。考虑到所提模型是一个多变量耦合问题,利用ADM(Alternating Direction Method)方法和分裂Bergman方法将该NP难问题分解为三个子问题分别进行求解。利用Gibbs采样方法对字典学习变量进行更新,从而获得更适应图像信号本身的字典。实验结果表明:相比目前几种经典的MRI重建方法,所提方法的重构质量更优,特别是在抗噪声能力方面具有更强的稳定性。(2)为进一步提高字典的结构化表达,考虑MRI图像的空间位置信息,提出一种利用Dirichlet-Beta过程的非参数贝叶斯字典学习方法,并将该方法用于上文所提的MRI重建模型中。在对字典变量进行更新时,除了使用Gibbs采样,还结合MAP(Maximum A Posteriori Estimation)方法对隐变量进行推断。实验结果表明:所提方法的峰值信噪比相比前一个所提重构方法平均提高0.84d B,重构质量有进一步的提高。
李鹏波[6](2020)在《基于深度学习的颈部淋巴结识别算法研究》文中研究指明在医学影像识别领域,基于传统机器学习的识别算法通常离不开人工干预,有时甚至要求操作者具备丰富的临床经验及医学先验知识。对比传统的机器学习算法,基于深度学习技术的识别算法能够自动提取图像的高维语义特征,避免传统算法在提取特征时由于人为因素导致的性能问题,其已经成为视觉计算领域的重点研究方向。因此,基于深度学习技术进行医学影像病灶检测及目标识别是非常前沿的研究课题。本文以颈部淋巴结作为研究对象,探索基于深度学习技术的淋巴结识别算法。针对淋巴结自身存在的病理复杂、形态小、不规则、分布区域广泛等成像特点及识别难点,从以下几个方面简要论述本文的主要工作:(1)针对医学影像普遍存在影像资料缺乏、标注稀缺的问题,本文基于有限的医学影像数据进行增广以丰富数据集,除常规增广策略外,弹性形变也是极为重要的增广策略之一。通过微小的弹性形变来模拟真实环境的医学影像数据,以便允许神经网络学习医学影像的形变不变性。经过多项研究表明,该增广策略非常有效,有助于进一步提高识别率。(2)针对当前算法识别过程中容易受到诸多无关组织干扰的问题,本文提出级联全卷积网络的识别算法,基于丰富的医学先验知识提出先分区后提取的淋巴结识别策略。针对淋巴结形态尺度变化明显导致假阳性去除效果不理想的问题,提出特征块平均池化理念,用以替代传统三维分类网络的全连接层,使得网络基于样本的原始空间信息进行深度学习以提供更精准的判别结果。(3)针对当前算法无法平衡全局信息识别目标与避免对目标位置产生偏向性的问题,本文提出半随机采样策略,结合三维局部定位算法和三维整体定位算法两者的优势,同时实现有效的数据增广。针对淋巴结尺度变化明显导致常规网络整体识别精度低的问题,提出基于注意力机制的自适应感受野识别网络,其根据不同刺激动态调节自身感受野并融合多尺度特征以增强对尺度差异明显的目标识别,在耗费较少的计算代价前提下实现更好的识别效果。
叶凌智[7](2020)在《基于深度学习和哈希编码的图像检索》文中研究指明基于内容的图像检索在视觉领域受到广泛关注。检索主要分为两个步骤,先提取图像的特征,然后在数据库中查找与目标图像特征近似的图片。其中最为重要的一步便是图像的特征提取。随着图片数据量越来越大,我们希望用于检索的图像特征可以包含足够信息,即能够是具有语义信息的特征,其次希望特征维度低,从而可以降低特征的存储成本,最后希望特征足够简单,从而可以加快检索速度。近些年,基于深度学习的深度卷积网络在计算机视觉领域取得了巨大的成就,卷积神经网络提取的特征能够很好的表达一张图片的内容,并且卷积网络同时可提取图像的低级局部特征和高级语义特征。越来越多的基于深度学习的图像检索算法被提出。本文基于对图像检索的特征特点思考,因此进行如下几部分的研究工作:1.针对丰富特征内容,研究了基于深度卷积神经网络特征融合的图像检索算法。首先,对卷积层各层特征以及不同尺度卷积核提取的特征进行可视化,分析其不同的特点。然后进行了两种特征融合的方法研究:(1)基于不同层的特征融合算法。(2)基于不同尺度卷积核提取的特征融合算法。2.针对降低特征维度和复杂度,研究了基于深度随机VLAD的哈希检索算法(RV-SSDH)。首先,利用经典卷积神经网络提取图像的卷积特征,然后将卷积特征进行随机VLAD降维,将降维后的特征进行哈希编码,最后生成了低维的哈希码。该算法在降低了特征维度的同时,还利用哈希算法降低特征的复杂度,并且可通过汉明距离来计算特征之间的距离,极大加快了算法的检索速度。将其与其他算法进行对比,展现了RV-SSDH的优势。
刘建伟,王园方,罗雄麟[8](2021)在《深度记忆网络研究进展》文中指出近年来,随着深度神经网络的快速发展,它在越来越多的领域中有了广泛的应用。深度神经网络模型在处理有序列依赖关系的预测问题时,需要利用之前学习到的信息进行记忆。在一般的神经网络模型中,数据经过多个神经元节点传输会损失很多关键的信息,因此需要具有记忆能力的神经网络模型,我们把它们统称为记忆网络。本文首先介绍了记忆网络的基础模型,包括循环神经网络(RNN)、长短期记忆神经网络(LSTM)、神经图灵机(NTM)、记忆神经网络(MN)和变送器(Transformer)。其中,RNN和LSTM是通过隐单元对前一时刻信息的处理来记忆信息,NTM和NM是通过使用外部存储器来进行记忆,而变送器使用注意力机制来选择性记忆。本文对这些模型进了对比,并分析了各个记忆方法的问题和不足。然后根据基础模型的不同,本文对常见的记忆网络模型进行了系统的阐述、分类和总结,包括其模型结构和算法。接着介绍了记忆网络在不同领域和场景下的应用,最后对记忆网络的未来研究方向进行了展望。
夏彦[9](2019)在《基于单张图片的三维点云重建技术研究》文中认为单张图像仅能提供有限的三维形状信息,传统的三维重建技术(如运动恢复结构法、立体视觉法)需要多张图片才能恢复出物体的三维结构。但这些方法有着繁琐的流程,并且无法重建没有纹理的物体。目前,随着移动设备的普及,单张二维图像随处可见。因此,研究基于单张图像的三维重建具有巨大的实际意义和经济效益。近十年来,深度学习的发展和大规模三维CAD模型库的出现,为使用数据驱动的方式从单张图片中实现物体的三维重建提供了必要的条件。然而,现有的三维点云重建方法需要相对干净背景和固定拍摄角度的图片,极大地限制了其在真实场景下的应用。本文以单张真实图片为研究对象,针对三维点云重建存在的问题,提出了一种可行的解决方案。本文的主要工作和创新点包括:(1)针对三维模型检索问题,本文提出了一种基于渲染图片的三维模型检索方法。该方法首先对三维模型库中每个三维模型多角度渲染得到大规模渲染图片数据集,再使用VGGNet-16网络提取图片特征构建特征图字典,最后采用相似度度量函数检索到与输入图片相似的三维模型。(2)针对三维重建中单张图片具有复杂背景和任意角度拍摄的问题,本文提出了一种基于先验信息指导的方法实现单张图片的三维重建。该方法应用相似三维点云模型作为先验知识,设计了一个能够融合图片特征和三维点云空间信息的网络结构RealPoint3D。本文在ShapeNet数据集和Obj ectNet3D数据集上对以上研究内容进行了实验论证。相比于目前的重建算法,本文提出的方法取得了国际领先水平,同时适用于任意角度且复杂背景的真实图像。
李嘉展[10](2019)在《基于深度离散哈希的医学影像检索与平台实现》文中进行了进一步梳理随着社会经济的不断发展,物质条件日益优越,人们养成很多不健康的生活习惯。同时也导致近年来癌症的发病人数逐年增加,其中女性新发癌症病例中比例最高的是乳腺癌。通常使用乳腺X影像检测手段发现乳腺癌早期症状,是预防乳腺癌最有效的手段之一。采用计算机辅助诊断工具帮助医生筛查乳腺癌,不但可以减轻医生的工作压力,还能够降低诊疗过程中对医生阅片能力的要求。乳腺肿块检索主要是利用乳腺X影像的形态结构特征,在影像数据库中进行相似性搜索,寻找与待检索影像相似的病例,从而为乳腺癌诊断提供参考依据。受基于深度哈希的图像检索方法的启发,结合联合特征学习思想,充分利用图像特征之间的相似性和差异性,本文提出了基于联合特征学习的深度哈希乳腺影像检索方法,主要工作如下:首先,本文提出一种基于联合特征学习的深度哈希检索方法。该算法针对卷积神经网络提取的正常组织影像特征和部分早期病变影像特征相似的问题,提出在特征提取阶段同时学习同类特征间相似性和异类特征间差异性的方法。该算法达到增加正常组织和病变组织特征距离的目的,而且能够解决卷积神经网络提取哈希特征的过程中同类特征聚类效果差和异类特征辨识度较低的问题。该方法得到的哈希特征与待检索图像之间保持原有相似关系不变,有效的提高了乳腺肿块影像检索精度。其次,本文提出一种基于相似差的乳腺肿块良恶性检索方法。该算法针对良恶性乳腺肿块的哈希特征在汉明空间距离接近的问题,提出了使用向量范数表示特征距离,并在特征学习阶段使用向量相似差来增大良恶性肿块特征之间距离。该算法解决了向量内积不能全面表示向量之间汉明距离问题,并达到更好地区分病变性质的目的。该方法在乳腺肿块良恶性检索任务中表现良好,有效提高良恶性肿块检索精度。最后,本文搭建了一个面向患者诊疗流程的辅助影像检索平台。区别于大多数互联网医疗软件平台通常只具有挂号、病情监管、医患交流等功能,该平台针对需要拍片确诊的疾病,提供面向患者的影像检索功能,通过检索相似病例,帮助患者及时了解病情,解决了因患者无法准确地用语言描述真实病情,因而无法获得专业诊疗意见的问题。通过该辅助影像检索平台的搭建,实现算法理论与实际应用的有效结合。实验结果表明,本文提出的基于联合特征学习的深度哈希乳腺肿块检索方法,能够有效提高乳腺肿块检索任务精度,实现正常组织和病变组织,以及良性和恶性病变的高效检索,为胜任临床医疗场景中的检索任务提供良好的理论和技术基础。
二、Content-based retrieval based on binary vectors for 2-D medical images(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、Content-based retrieval based on binary vectors for 2-D medical images(论文提纲范文)
(1)面向大规模图像检索的度量学习和索引研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
缩略语表 |
1 绪论 |
1.1 研究背景与意义 |
1.2 大规模图像检索的研究现状 |
1.2.1 图像表示 |
1.2.2 相似性度量 |
1.2.3 图像索引 |
1.3 研究的内容及贡献 |
1.4 论文组织结构 |
2 面向特征融合的核度量学习 |
2.1 引言 |
2.2 理论基础 |
2.2.1 基于Log Det分解的度量学习 |
2.2.2 基于核的度量学习 |
2.2.3 基于核的极限学习机 |
2.3 目标函数的建立和求解 |
2.3.1 面向特征融合的核度量学习模型建立 |
2.3.2 三元组约束的核度量学习模型求解 |
2.3.3 三元组和标签约束的核度量学习模型求解 |
2.3.4 算法概述 |
2.3.5 算法收敛性和复杂度分析 |
2.4 实验结果 |
2.4.1 核函数定义和参数设置 |
2.4.2 数据集和特征 |
2.4.3 在Holidays数据集上的实验 |
2.4.4 在UKB数据集上的实验 |
2.4.5 结论 |
2.5 本章小结 |
3 融合手工特征的深度特征嵌入模型 |
3.1 引言 |
3.2 度量学习分析 |
3.3 融合手工特征的深度特征嵌入模型 |
3.3.1 基于马氏距离的度量学习分析 |
3.3.2 图像表示和变换器 |
3.3.3 监督的深度特征嵌入 |
3.3.4 类-度量损失的时间复杂度分析 |
3.3.5 模型训练 |
3.4 实验结果 |
3.4.1 性能评价度量 |
3.4.2 多损失函数实验 |
3.4.3 图像检索 |
3.4.4 图像聚类结果 |
3.4.5 行人重识别结果 |
3.4.6 车辆重识别结果 |
3.4.7 算法性能比较 |
3.4.8 讨论 |
3.5 本章小结 |
4 局部语义相关性图神经网络模型 |
4.1 引言 |
4.2 局部语义相关性图神经网络模型概述 |
4.3 网络学习和损失函数 |
4.3.1 边相关性预测网络和节点特征嵌入网络的设计 |
4.3.2 局部近邻相关性图神经网络的分析 |
4.3.3 局部近邻相关性图神经网络算法概述 |
4.3.4 复杂度和存储分析 |
4.4 实验结果 |
4.4.1 数据集和实验设置 |
4.4.2 算法性能比较 |
4.4.3 消融实验 |
4.5 特征的t-SNE可视化 |
4.6 结论 |
4.7 本章小结 |
5 面向非监督深度度量学习的相对顺序分析和优化模型 |
5.1 引言 |
5.2 基于相对顺序的非监督学习模型 |
5.2.1 高置信度相对顺序分析 |
5.2.2 相对顺序一致性和度量顺序一致性 |
5.2.3 网络设计和协作训练 |
5.2.4 网络推理的约束优化 |
5.3 实验结果 |
5.3.1 数据集和评价标准 |
5.3.2 算法性能比较 |
5.3.3 消融实验 |
5.4 本章小结 |
6 面向可扩展图像检索的零样本语义树索引学习 |
6.1 引言 |
6.2 零样本语义树索引学习模型 |
6.2.1 语义树编码和样本标签 |
6.2.2 语义树索引学习网络的训练 |
6.2.3 语义树解码和图像检索 |
6.2.4 复杂度和存储分析 |
6.3 图像索引实验 |
6.3.1 数据集和评价指标 |
6.3.2 实现细节 |
6.3.3 算法性能比较 |
6.3.4 消融实验 |
6.3.5 结论 |
6.4 本章小结 |
7 总结与展望 |
7.1 论文工作总结 |
7.2 研究工作展望 |
参考文献 |
作者简历及攻读博士学位期间取得的研究成果 |
学位论文数据集 |
(2)基于FRIT和随机结构森林的自适应阈值路面裂缝检测算法(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 国内外研究现状 |
1.3 论文主要工作及内容安排 |
第二章 基于有限脊波变换的裂缝增强算法 |
2.1 小波变换 |
2.1.1 连续小波变换和离散小波变换 |
2.1.2 多分辨率分析 |
2.2 脊波变换 |
2.2.1 一维脊波变换 |
2.2.2 二维脊波变换 |
2.2.3 有限脊波变换 |
2.3 基于有限脊波变换的裂缝增强算法 |
2.4 本章小结 |
第三章 基于随机结构森林的自适应双阈值路面检测算法 |
3.1 路面裂缝图像的特征描述 |
3.1.1 灰度和颜色通道 |
3.1.2 梯度幅值通道 |
3.1.3 梯度直方图通道 |
3.1.4 路面裂缝图像特征的选取 |
3.2 基于随机结构森林的裂缝得分图生成 |
3.2.1 结构化学习 |
3.2.2 随机森林结构化学习 |
3.3 基于自适应双阈值算法的裂缝图的生成 |
3.3.1 裂缝图的初步生成 |
3.3.2 形态学处理得到最终探测结果图 |
3.4 本章小结 |
第四章 实验分析 |
4.1 裂缝数据库和评价因子 |
4.1.1 裂缝数据库 |
4.1.2 评价因子 |
4.2 路面裂缝检测算法实验结果分析 |
4.2.1 基于有限脊波变换的裂缝增强算法中参数的确定 |
4.2.2 算法流程可视化 |
4.2.3 与其他算法的对比实验及分析 |
4.3 基于有限脊波变换的裂缝增强算法效果验证实验 |
4.3.1 基于有限脊波变换的裂缝增强算法效果分析 |
4.3.2 不同参数下裂缝图片的可视化 |
4.4 自适应双阈值选取合理性验证实验 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 全文总结 |
5.2 论文展望 |
参考文献 |
致谢 |
攻读学位期间科研成果 |
学位论文评阅及答辩情况表 |
(3)基于深度学习的车辆重识别算法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 本文主要研究内容 |
1.4 论文组织结构 |
2 相关技术综述 |
2.1 卷积神经网络 |
2.1.1 VGGNet |
2.1.2 ResNet |
2.2 目标检测 |
2.3 数据预处理 |
2.4 图像特征提取与融合 |
2.4.1 全局特征提取 |
2.4.2 局部特征提取 |
2.4.3 特征融合方式 |
2.5 相似性度量 |
2.6 车辆数据集 |
2.7 评价标准 |
2.8 本章小结 |
3 基于注意力机制的车辆重识别算法研究 |
3.1 基于注意力机制的骨干网络结构 |
3.1.1 注意力机制 |
3.1.2 网络结构 |
3.2 联合学习与网络训练 |
3.2.1 联合学习 |
3.2.2 网络训练 |
3.3 实验结果及分析 |
3.4 本章小结 |
4 基于目标关系建模的车辆重识别算法研究 |
4.1 车辆重识别中的目标检测 |
4.1.1 车辆重识别中目标检测的应用 |
4.1.2 目标检测器 |
4.2 目标关系建模 |
4.3 基于目标关系建模的车辆重识别网络 |
4.3.1 网络结构 |
4.3.2 目标关系模块 |
4.3.3 网络训练 |
4.4 实验结果及分析 |
4.5 本章小结 |
5 全局和局部特征融合的车辆重识别方法 |
5.1 车辆重识别流程 |
5.2 网络结构 |
5.3 重排序 |
5.4 实验结果及分析 |
5.4.1 实验配置 |
5.4.2 实验结果及分析 |
5.5 本章小结 |
6 总结与展望 |
6.1 本文工作总结 |
6.2 未来工作展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表的论文及成果 |
(4)基于迁移学习的图像检索方法研究与应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究目的与意义 |
1.2 国内外研究现状 |
1.3 论文主要内容及安排 |
1.3.1 研究内容 |
1.3.2 结构安排 |
第二章 图像检索与迁移学习相关理论 |
2.1 图像检索的定义 |
2.2 图像检索的方法 |
2.2.1 图像特征的提取 |
2.2.2 特征匹配的方法 |
2.3 图像检索方法评价标准 |
2.4 迁移学习基础理论 |
2.4.1 迁移学习 |
2.4.2 深度学习与卷积神经网络 |
2.5 本章小结 |
第三章 一种改进的基于特征点匹配的图像检索方法 |
3.1 特征点检测与特征点描述 |
3.1.1 特征点检测 |
3.1.2 特征点描述 |
3.2 基于非线性扩散滤波与离散采样的特征点匹配算法 |
3.2.1 尺度空间构建和特征点检测 |
3.2.2 M-LDB描述子 |
3.2.3 相似度计算 |
3.3 基于特征点匹配与网格运动统计的图像检索方法 |
3.3.1 误匹配点剔除算法 |
3.3.2 改进的G-AKAZE算法 |
3.3.3 图像检索步骤 |
3.4 实验设计 |
3.5 实验结果与分析 |
3.6 本章小结 |
第四章 基于迁移学习与哈希算法的图像检索方法 |
4.1 基于迁移学习的图像特征抽取 |
4.1.1 基于迁移学习的预训练模型 |
4.1.2 基于迁移学习的模型微调及特征提取 |
4.1.3 全连接层与输出层工作原理 |
4.2 基于深层特征与局部敏感哈希的图像检索 |
4.3 实验设计 |
4.3.1 徽派建筑群及建筑构件 |
4.3.2 数据增强 |
4.3.3 实验分组设计 |
4.4 实验结果与分析 |
4.5 本章小结 |
第五章 基于多类别特征提取及决策融合的图像检索 |
5.1 双模型深层特征与低层特征提取 |
5.1.1 基于双模型的深层特征提取 |
5.1.2 低层特征提取与选择 |
5.2 基于决策融合的多类别特征图像检索算法 |
5.2.1 决策融合 |
5.2.2 多类别图像特征决策融合 |
5.3 实验设计 |
5.4 实验结果与分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 本文工作与创新总结 |
6.2 未来期望 |
参考文献 |
致谢 |
作者简介及读研期间主要科研成果 |
(5)基于非参数贝叶斯字典学习的MRI重建方法(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 基于CS-MRI的重建算法研究现状 |
1.3 非参数贝叶斯字典学习的研究现状 |
1.4 论文的主要研究内容及章节安排 |
第二章 基础理论 |
2.1 引言 |
2.2 压缩感知磁共振成像 |
2.3 稀疏表示与字典学习 |
2.3.1 解析字典 |
2.3.2 自适应的学习字典 |
2.4 非参数贝叶斯基础理论 |
2.4.1 非参数贝叶斯常用分布 |
2.4.2 共轭先验 |
2.4.3 Dirichlet过程 |
2.4.4 Beta过程 |
2.5 本章小结 |
第三章 基于Beta过程的非参数贝叶斯字典学习方法及MRI重建模型 |
3.1 引言 |
3.2 相关工作 |
3.2.1 基于BPFA的非参数贝叶斯字典学习方法 |
3.2.2 基于DP-BPFA的非参数贝叶斯字典学习方法 |
3.3 基于SBBP的非参数贝叶斯字典学习方法 |
3.4 基于梯度域和SBBP字典学习的MRI重建方法 |
3.5 实验结果及分析 |
3.5.1 实验设置 |
3.5.2 评价标准 |
3.5.3 参数设置 |
3.5.4 无噪声的实验结果 |
3.5.5 有噪声的实验结果 |
3.5.6 收敛性分析 |
3.6 本章小节 |
第四章 基于梯度域和Dirichlet-Beta过程先验的MRI重建方法 |
4.1 引言 |
4.2 基于Dirichlet-Beta过程先验的MRI重建方法 |
4.3 基于Dirichlet-Beta过程先验的字典学习方法 |
4.4 实验结果及分析 |
4.4.1 参数设置 |
4.4.2 无噪声的实验结果 |
4.4.3 有噪声的实验结果 |
4.4.4 收敛性分析 |
4.5 本章小节 |
第五章 总结及展望 |
5.1 总结 |
5.2 研究展望 |
参考文献 |
个人简历在读期间发表的学术论文 |
致谢 |
(6)基于深度学习的颈部淋巴结识别算法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 选题依据、研究背景及意义 |
1.1.1 选题依据 |
1.1.2 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 医学影像目标识别研究现状 |
1.2.2 医学影像假阳性去除研究现状 |
1.3 本文主要研究内容及安排 |
1.3.1 主要研究内容 |
1.3.2 论文组织结构 |
1.4 本章小结 |
第二章 深度学习及淋巴结检测的相关知识 |
2.1 深度学习网络 |
2.1.1 卷积神经网络 |
2.1.2 全卷积神经网络 |
2.1.3 残差卷积网络 |
2.2 注意力机制 |
2.2.1 类激活映射 |
2.2.2 通道注意力机制 |
2.2.3 自适应感受野机制 |
2.3 目标检测算法 |
2.3.1 二维与三维相结合的算法 |
2.3.2 三维目标检测的算法 |
2.3.3 三维局部定位的算法 |
2.3.4 三维整体定位的算法 |
2.4 医学影像介绍 |
2.4.1 医学影像特点 |
2.4.2 颈部淋巴结特点 |
2.5 本章小结 |
第三章 基于级联全卷积网络的颈部淋巴结识别算法研究 |
3.1 当前方法局限性及关键问题 |
3.2 基本框架及功能模块 |
3.2.1 基本框架 |
3.2.2 功能模块 |
3.3 基于级联FCN的淋巴结检测 |
3.3.1 改进U-Net网络 |
3.3.2 损失函数 |
3.3.3 提取候选样本 |
3.3.4 合并三维样本 |
3.4 基于GAP的假阳性剔除 |
3.4.1 网络结构 |
3.4.2 特征块池化 |
3.4.3 网络训练流程 |
3.5 本章小结 |
第四章 基于注意力机制的颈部淋巴结识别算法研究 |
4.1 当前方法局限性及关键问题 |
4.2 基本框架及功能模块 |
4.2.1 基本框架 |
4.2.2 功能模块 |
4.3 基于自适应感受野机制的淋巴结识别 |
4.3.1 半随机采样方法 |
4.3.2 DeepNode网络结构 |
4.3.3 网络训练流程 |
4.4 本章小结 |
第五章 数据集与实验 |
5.1 数据集介绍 |
5.2 淋巴结数据集预处理及数据增广 |
5.2.1 数据集预处理 |
5.2.2 数据增广 |
5.3 淋巴结检测评价指标 |
5.3.1 评价指标:召回率 |
5.3.2 评价指标:准确率 |
5.4 实验结果及分析 |
5.4.1 级联全卷积网络识别结果分析 |
5.4.2 DeepNode网络识别结果分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 全文总结 |
6.2 未来工作展望 |
参考文献 |
攻读硕士学位期间发表的论文及所取得的研究成果 |
致谢 |
(7)基于深度学习和哈希编码的图像检索(论文提纲范文)
摘要 |
ABSTRACT |
1绪论 |
1.1 图像检索的背景与意义 |
1.2 国内外研究现状 |
1.2.1 图像检索的研究 |
1.2.2 深度学习的研究 |
1.3 本文的主要研究内容 |
1.4 本文的组织结构 |
2 图像检索与深度学习的相关知识 |
2.1 图像常见特征 |
2.1.1 图像颜色特征 |
2.1.2 图像纹理特征 |
2.1.3 图像形状特征 |
2.1.4 图像深度特征 |
2.2 相似度判别方法 |
2.3 深度学习基础知识 |
2.3.1 深度学习概述 |
2.3.2 基于深度学习的图像特征学习模型 |
2.3.3 深度卷积神经网络的基本组成 |
2.3.4 反向传播算法 |
2.3.5 几个经典深度卷积神经网络 |
2.4 本章小结 |
3 基于深度CNN的特征融合算法研究 |
3.1 卷积层特征可视化 |
3.1.1 不同层特征 |
3.1.2 基于不同尺度卷积核的特征 |
3.2 特征融合算法 |
3.2.1 多层卷积特征融合(Multi-layers feature fusion,MLFF) |
3.2.2 多尺度卷积核特征融合(Multi-scales feature fusion,MSFF) |
3.3 实验结果和分析 |
3.3.1 数据集以及实验环境介绍 |
3.3.2 评价指标 |
3.3.3 实验结果分析 |
3.4 本章小结 |
4 基于深度随机VLAD的哈希算法 |
4.1 哈希算法 |
4.1.1 经典哈希算法 |
4.1.2 SSDH(semantics-preserving deep hashing) |
4.2 监督学习哈希的训练方式 |
4.3 深度随机VLAD结构 |
4.3.1 VLAD |
4.3.2 深度随机VLAD |
4.4 基于深度随机VLAD的哈希算法 |
4.4.1 网络框架 |
4.4.2 约束 |
4.5 实验结果分析 |
4.5.1 基础卷积网络选择 |
4.5.2 基于不同的哈希长度的实验 |
4.5.3 RV-SSDH算法的分类效果 |
4.5.4 RV-SSDH算法复杂度分析 |
4.5.5 RV-SSDH在 Places365 数据集上的实验 |
4.5.6 RV-SSDH与其他哈希算法对比 |
4.6 本章小结 |
5 总结与展望 |
5.1 工作总结 |
5.2 研究展望 |
致谢 |
参考文献 |
附录 |
(8)深度记忆网络研究进展(论文提纲范文)
1 记忆网络概述 |
2 记忆网络基础模型 |
2.1 循环神经网络 |
2.2 长短期记忆神经网络 |
2.3 神经图灵机 |
2.4 记忆神经网络 |
2.5 变送器 |
2.6 小结与分析 |
3 记忆网络模型扩展 |
3.1 基于RNN的扩展模型 |
3.1.1 基于注意力机制的记忆选择RNN |
3.1.2 具有长期记忆的RNN |
3.1.3 用于单样本学习的RNN |
3.2 基于LSTM的扩展模型 |
3.2.1 关联LSTM |
3.2.2 树状LSTM |
3.2.3 用于机器阅读的LSTM |
3.2.4 用于单样本学习的LSTM匹配网络 |
3.3 基于MN的扩展模型 |
3.3.1 端到端记忆网络 |
3.3.2 门控端到端记忆网络 |
3.3.3 动态记忆网络 |
3.3.4 键-值记忆网络 |
3.3.5 分层记忆网络 |
3.3.6 基于二叉树的分层注意力MN |
3.3.7 应用于大规模问答系统的MN |
3.3.8 用于视觉和文本问答系统的DMN |
3.3.9 应用于视频描述的KV-MemNN |
3.3.1 0 用于未知单词答案选择的HMN |
3.4 其他类型的记忆网络 |
3.4.1 主动长期记忆网络 |
3.4.2 前馈神经网络的简化注意力模型 |
3.4.3 使用虫洞连接的记忆增强神经网络 |
3.4.4 用于知识库问答的事实记忆网络 |
3.4.5 存储器增强的神经网络 |
3.4.6 记忆增强的神经图灵机 |
3.5 小结与分析 |
4 记忆网络应用 |
4.1 自然语言处理 |
4.2 计算机视觉 |
4.3 语音处理 |
4.4 其他方面的应用 |
4.5 小结与分析 |
5 总结及未来趋势与展望 |
5.1 总结 |
5.2 未来趋势与展望 |
Background |
(9)基于单张图片的三维点云重建技术研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 论文研究背景与意义 |
1.2 论文研究内容与创新之处 |
1.3 论文结构 |
第二章 论文相关技术研究现状 |
2.1 三维数据表达形式 |
2.1.1 三维数据的结构化表示 |
2.1.2 三维数据的非结构化表示 |
2.2 深度学习简介 |
2.2.1 深度学习的发展 |
2.2.2 卷积神经网络及其应用 |
2.2.3 深度学习在点云上的应用 |
2.3 单张图片的三维重建方法简述 |
第三章 基于渲染图像的三维模型检索 |
3.1 方法框架 |
3.2 算法描述 |
3.2.1 渲染图像数据集的建立 |
3.2.2 特征图字典的构建 |
3.2.3 特征相似性匹配 |
3.3 实验 |
3.4 本章小结 |
第四章 基于先验信息指导的单张图片三维点云重建 |
4.1 方法框架 |
4.2 算法描述 |
4.2.1 三维点云特征提取 |
4.2.2 RealPoint3D网络 |
4.2.3 损失函数 |
4.3 实验 |
4.3.1 在渲染图片上的三维重建 |
4.3.2 在真实图片上的三维重建 |
4.3.3 模型分析 |
4.3.4 时间复杂性 |
4.4 本章小结 |
第五章 总结与展望 |
参考文献 |
附录A 攻读硕士学位期间取得的研究成果 |
附录B ShapeNet数据集 |
附录C PASCAL3D+数据集 |
附录D ObjectNet3D数据集 |
致谢 |
(10)基于深度离散哈希的医学影像检索与平台实现(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 研究背景及意义 |
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 计算机辅助诊断系统研究现状 |
1.2.2 乳腺肿块CAD系统的发展趋势 |
1.3 研究内容及章节安排 |
第二章 深度哈希算法及图像检索方法 |
2.1 深度哈希算法理论基础 |
2.1.1 相似性度量准则 |
2.1.2 卷积神经网络 |
2.1.3 目标函数优化方法 |
2.2 图像检索方法 |
2.2.1 图像检索方法发展 |
2.2.2 哈希图像检索方法概述 |
2.2.3 图像检索方法的应用 |
2.3 本章小结 |
第三章 基于深度离散哈希的肿块检索方法 |
3.1 引言 |
3.2 乳腺影像感兴趣区域提取及预处理 |
3.3 基于联合特征学习的深度哈希肿块检索方法 |
3.3.1 基于联合特征学习的深度哈希肿块检索系统框架 |
3.3.2 深度哈希模型目标函数的构建 |
3.3.3 实验结果与分析 |
3.4 基于相似差的深度哈希良恶性肿块检索方法 |
3.4.1 乳腺肿块良恶性肿块检索任务 |
3.4.2 基于相似差的目标函数构建 |
3.4.3 实验结果与分析 |
3.5 本章小结 |
第四章 基于深度离散哈希的医学影像检索平台 |
4.1 引言 |
4.2 开发需求可行性分析 |
4.3 总体设计方案 |
4.3.1 系统组成及功能结构 |
4.3.2 开发运行环境 |
4.4 功能模块介绍 |
4.4.1 登录与注册模块 |
4.4.2 电子档案数据管理模块 |
4.4.3 健康教育模块 |
4.4.4 在线交流模块 |
4.4.5 辅助影像检索模块 |
4.4.6 辅助影像检索平台开发过程分析 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
作者简介 |
四、Content-based retrieval based on binary vectors for 2-D medical images(论文参考文献)
- [1]面向大规模图像检索的度量学习和索引研究[D]. 阚世超. 北京交通大学, 2021(02)
- [2]基于FRIT和随机结构森林的自适应阈值路面裂缝检测算法[D]. 彭程. 山东大学, 2021(12)
- [3]基于深度学习的车辆重识别算法研究[D]. 李东原. 西安工业大学, 2021(02)
- [4]基于迁移学习的图像检索方法研究与应用[D]. 宦思琪. 安徽建筑大学, 2021(08)
- [5]基于非参数贝叶斯字典学习的MRI重建方法[D]. 曹赛男. 华东交通大学, 2020(03)
- [6]基于深度学习的颈部淋巴结识别算法研究[D]. 李鹏波. 中北大学, 2020(09)
- [7]基于深度学习和哈希编码的图像检索[D]. 叶凌智. 杭州电子科技大学, 2020(02)
- [8]深度记忆网络研究进展[J]. 刘建伟,王园方,罗雄麟. 计算机学报, 2021(08)
- [9]基于单张图片的三维点云重建技术研究[D]. 夏彦. 厦门大学, 2019(07)
- [10]基于深度离散哈希的医学影像检索与平台实现[D]. 李嘉展. 西安电子科技大学, 2019(02)