开题报告-基于深度学习方法的图像配准算法研究.docxVIP

开题报告 学院： 信息与电气工程学院 专业： 计算机科学与技术 学号： 年级： 2017 学 生 姓 名 指 导 教 师 论文（设计）题目 基于深度学习方法的图像配准算法研究 一、研究课题介绍 深度学习以及神经网络模型是近年来机器学习及人工智能领域新的研究方向及热点问题，深度学习在图像识别应用中已取得了突破性进展,得到了广泛应用。在图像识别中图像匹配是一个重要环节，而当前基于传统图像处理方法的匹配存在匹配效率和精度有限的问题，将深度学习方法应用到图像匹配中，将会是提升图像匹配效率和精度的重要研究方向。 本课题将研究基于深度学习方法的指针式仪表图像自动匹配算法，设计和实现将图像识别过程中的模板图像和实际图像进行高效率和高精度的匹配算法，从而实现快速智能的指针式仪表的自动读取。 二、与本课题有关的国内外研究情况 目前，国际上主流使用卷积神经网络（CNN）特征的图像配准方法，主要有两个主要作用：使用CNN来生成鲁棒的多尺度特征描述符，并且设计逐渐增加的内线选择，以提高特征点配准的鲁棒性。在卫星图像数据集和无人机图像数据集上进行了特征匹配和图像配准的广泛实验并取得了优秀的效果。 卷积神经网络广泛应用于图像领域，其卷积-池化-全连接的结构简单又有效。通过设计结构合理的卷积核，可以很好地提取图像包含的特征，再通过池化层减小特征规模，加速网络训练，最后通过全连接层进行分类或回归输出。所以基于CNN的图像匹配与检测研究非常多，国外还有基于此进行肺部异常等与身体健康相关的研究。 随着卷积神经网络及其变体的空前发展，对象检测与匹配得到了蓬勃发展。当CNN系列发展到带有CNN（R-CNN）的更快区域时，平均精度已达到76.4，而Faster R-CNN的每秒帧数保持5到18，这比实时效果要慢得多。因此，提高物体检测的最紧迫要求是提高速度。在概述CNN的背景和核心解决方案的基础上， CNN最好的代表之一“ You Only Look Once”（YOLO），打破了CNN家族的传统，并创新了一种全新的解决方法，可以解决物体检测问题。这是最简单高效的方法，最快速度达到了令人兴奋的结果，其平均精度也可以达到78.6，两者均大大超过了Faster R-CNN的性能。此外，与最新最先进的解决方案相比，YOLOv2在速度和准确性之间实现了极佳的折衷，并且对象检测器具有强大的泛化能力来表示整个图像。 参考文献： [1] Yang Z, Dan T, Yang Y. Multi-temporal remote sensing image registration using deep convolutional features[J]. IEEE Access, 2018, 6: 38544-38555. [2] Li Y D, Hao Z B, Lei H. Survey of convolutional neural network[J]. Journal of Computer Applications, 2016, 36(9): 2508-2515. [3] Albawi S, Mohammed T A, Al-Zawi S. Understanding of a convolutional neural network[C]//2017 International Conference on Engineering and Technology (ICET). IEEE, 2017: 1-6. [4] OShea K, Nash R. An introduction to convolutional neural networks[J]. arXiv preprint arXiv:1511.08458, 2015. [5] Kido S, Hirano Y, Hashimoto N. Detection and classification of lung abnormalities by use of convolutional neural network (CNN) and regions with CNN features (R-CNN)[C]//2018 International Workshop on Advanced Image Technology (IWAIT). IEEE, 2018: 1-4. [6] Du J. Understanding of object detection based on CNN family and YOLO[C]//Journal of Physics: Conference Series. IOP Publi