一、非空间注意选择过程真相（论文文献综述）
张晓峰[1]（2021）在《认知科学视域下的电影空间建构》文中研究指明我们的大脑在接收和处理客观物理世界信息的过程中形成特有的空间认知模式,人类通过空间认知实践日常生活和推动文明发展。大脑对物理空间的认知同样适用于电影空间认知,电影媒介发出连续视听刺激被视觉和听觉感知神经网络接收,认知系统对视听信息进行编码、组织、选择并补充、组合、重建生成观众自我对电影空间的独特意象。从认知科学视域分析电影空间建构方式有助于理解电影艺术的空间本质,进而更深刻理解空间在电影叙事中的意义。
杨振坤[2]（2021）在《基于深度学习的桥式起重机系统中行人检测算法研究》文中研究说明
李茂会[3]（2021）在《基于室外场景图像的天气类型细粒度分类方法研究》文中研究说明随着人工智能的日益发展壮大,很多室外视觉系统也在逐步进步并且发展,因此实时的天气状况也影响着基于图像数据的室外监控、天气预测、灾害预警、自动驾驶以及场景理解等领域,使计算机通过图像更加拟人化、智能化的进行天气分类已成为计算机视觉领域备受瞩目的研究课题之一。基于此,本文使用深度学习网络,从基本天气类型分类以及恶劣天气细粒度分类两个方向出发,构建了相关的分类预测模型,使得计算机能够通过数据驱动的自动学习来完成基本天气以及恶劣天气类型分类。针对基本天气类型分类,本文设计了一种基于图像语义分割的双重注意力机制的深度网络模型。具体来说,首先,对天气图像进行语义分割,获得一张图像的天空和地面区域。然后,对这两种区域进行特征学习,其学习过程采用残差网络来完成。其次,为了提取出具有判别力信息的天气类型特征,在深度网络中执行通道注意力和空间注意力学习,将得到的通道特征和空间特征级联,分别从通道和空间两个维度对特征图施加不同的关注,侧重有用信息的提取,从而获取特征图的强有效判别能力。最后,将本文算法与其他基本天气图像分类算法做对比,结果表明本算法在四类和六类基本天气数据集上分别能达到99%以上的准确率。对于恶劣天气图像的细粒度分类,本文提出了一种基于数据增广和通道注意力的改进残差网络的恶劣天气图像细粒度分类网络模型。具体来说,首先对原始图像执行五种不同方式的数据增广操作,包含旋转、翻转、噪声、移位和裁剪,对样本数目较少类别的图像数据扩充,使数据更加平衡。其次,使用简化层数的残差网络架构—ResNet20来完成特征学习,接着,使用通道注意力机制进一步提升特征的判别性。最后,创建本任务的天气数据集,包含雨、雪、雾三类天气的重度和轻度级别的细粒度图像数据集。基于这些数据集的实验表明,本文提出的恶劣天气细粒度分类网络模型在自建的数据集上是有效的,且能达到80%以上的准确率。
余伟杰[4]（2021）在《基于卷积神经网络的立体视频编码质量增强方法》文中研究表明随着视频成像和多媒体技术的进步,视频技术正朝着超高清和立体化的方向发展,为了解决立体视频高效压缩问题,视频编码联合组在高效视频编码（High Efficient Video Coding,HEVC）标准的基础上发布了3D高效视频编码（3D-HEVC）标准。但是新的标准在最大限度的去除数据冗余的同时,对视频的画质也造成了一定的影响。因此,如何有效地消除视频中存在的失真和孔洞,提升视频的质量,是迫切需要解决的重点问题。（1）三维视频系统通过对纹理视频和深度视频进行联合编码,然后利用深度图像渲染技术实现视点合成。但是,纹理和深度视频的压缩失真以及图像渲染技术中的遮挡问题会降低合成视点的质量。为了解决这个问题,本文提出了一种基于双流注意力网络（Two-stream Attention Network,TSAN）的3D-HEVC合成视点质量增强方法。通过学习合成视点的全局信息和局部信息,消除视点中存在的失真和孔洞。大量的实验结果表明,所提出的合成视点质量增强方法相比目前3D-HEVC中的质量增强方法具有明显更优的性能。（2）现有基于神经网络的合成视点质量增强方法在性能提升的同时,参数量也显着增加。为了减少网络模型的参数量,节省计算开销,压缩网络模型的运算时间,本文提出了一种基于残差蒸馏增强网络（Residual Distillation Enhanced Network,RDEN）的轻量级3D-HEVC合成视点质量增强方法。通过建立更加高效的网络结构,实现网络推理时间节约和模型参数量降低。最后,通过大量实验结果表明,本方法在网络模型轻量化同时不损失网络性能,可以高效地增强合成视点的质量,消除其中存在的失真和孔洞。
徐彬[5]（2021）在《基于多尺度空谱联合特征网络的高光谱图像分类》文中研究表明随着遥感技术的飞速发展,对于高光谱图像数据的使用与分析,已经成为目前遥感研究领域的研究热点之一。通过合理利用这些遥感数据,实现对地物的精准识别和分类,从而在城市测绘、气象预测和地质勘探等领域得到广泛应用。越来越多的遥感学者将深度学习理论应用于高光谱图像数据,以便更好的提取高光谱图像的深层特征。然而,现有的深度学习方法中,图像维度较高、数据量大等问题一直未有较好的解决方法。同时,现有研究多尺度提取特征的相关算法中,未考虑卷积核之间的相关性。针对上述问题,本文开展了相关的研究工作,主要内容包括:（1）提出了一种基于3D通道和空间注意力机制的多尺度光谱空间残差网络,用于高光谱图像分类。该网络采用三层并行的残差网络结构,利用不同大小的三维卷积核,从丰富的光谱和空间特征中不断学习光谱和空间残差块的特征。最后,将提取的深度多尺度特征进行堆叠,输入到3D注意力模块里,从通道和空间两个角度增强图像特征的表现力,从而提高分类的准确性。经过实验验证,该方法在三种常见的高光谱数据集上,与其他深度学习算法对比,获得了更好的分类结果。（2）提出了一种基于自适应注意力机制的多尺度光谱空间加权核网络用于高光谱图像分类。该网络将PCA算法和一维卷积相结合提取HIS光谱信息,而空间信息则分别通过三分支结构,使用不同的卷积核提取,并通过注意力机制对不同分支的关注度,自适应地调整网络感受野的大小。实验结果表明,该网络在过滤和整合多分支结构提取的信息方面具有优越性,与其他深度学习算法相比,具有训练时间短,分类精度高的特点。
苏娴[6]（2021）在《注意影响周边抑制：任务难度和特征加工的调节作用》文中进行了进一步梳理周边抑制现象是广泛存在于视觉系统各水平的信息整合机制,主要表现为与目标相似的外周背景光栅对中央目标光栅对比度的抑制作用,周边抑制对边缘检测、曲线知觉、图形背景分离等视知觉功能有着重要作用。注意作为一种自上而下的高级信息选择机制,同样对目标信息的整合和加工有着重要影响。那么高级的注意机制是否对感知觉层面的周边抑制现象有影响呢?若有,该过程是否受到其他因素的调节呢?针对此问题,本研究通过心理物理学行为实验和事件相关电位（ERP）脑电实验共同探究人类视觉注意对周边抑制的影响,并考察任务难度、特征加工等知觉因素在其中的调节作用。实验一采用对比度适应范式和二项迫选任务测量被试适应目标光栅（单独呈现或被外周刺激围绕）后的测试光栅阈值,从而间接得出周边抑制的强度;在适应阶段,通过中央注视点任务或目标光栅朝向偏转任务使得被试的注意分别集中于注视点或目标刺激,从而考察注意对周边抑制的影响。基于此设计,实验一发现了熟练被试和非熟练被试的结果存在差异:对于熟练被试,注意会削弱周边抑制;而对于非熟练被试,注意则增强周边抑制。对此,我们提出两种假设:第一,两类被试在主观任务难度上的差异影响了对刺激强度的感知,从而影响了周边抑制效应;第二,两类被试在完成偏转检测任务时,抵制对比度闪烁的能力差异导致了对比度特征加工程度的不同,从而导致周边抑制大小的不同。实验二通过阶梯法的设置,调节了不同的任务难度,探究了注意任务的难度是否调控周边抑制的强度。结果发现:在注意条件下（注意投向目标光栅）,注意任务难度的增加会降低周边抑制效应;在不注意条件下（注意不在目标光栅而在中央注视点）,注意任务的难度对周边抑制没有显着影响。由于在注意条件下,被试在适应阶段的注意任务是进行光栅朝向变化的检测,所以注意任务难度的增加会导致被试对朝向特征加工的加强,以及对对比度特征加工的减弱。因此,注意条件下,任务难度对周边抑制的影响可能源自于不同难度下对比度加工程度的不同。实验三改变了适应阶段的注意任务,即将实验一中的目标光栅朝向偏转检测任务改为对比度降低检测任务,直接探究对比度特征加工对周边抑制的调控。结果发现:在注意对比度变化的任务下,注意对周边抑制的削弱作用消失了（对于熟练被试）。最后,实验四利用事件相关电位（ERP）技术直接探究被试在不同注意状态、不同外周条件下的目标光栅信号差异,结果发现:（1）注意总体削弱了周边抑制效应,表现为周边抑制相关信号在C1、N1、P2成分上时长的缩短和幅值的降低;（2）与不注意条件（注意中央注视点）相比,在注意条件下（注意目标光栅）周边抑制信号在P1成分上增强。综上所述,本研究表明:（1）注意对周边抑制存在影响,但注意效应会受到被试状态、任务类型、对比度特征加工程度等因素的调节;（2）当注意投向与对比度无关维度而干扰对比度加工时,注意会削弱周边抑制;而当注意投向对比度特征时,对比度周边抑制不会被注意削弱,甚至会被提高。
张玥[7]（2021）在《面孔表情对眼睛注视方向知觉偏向的影响》文中指出人类对自身及周围环境的空间认知与反应并不总是对称的,而是存在一定程度的偏向。注视作为人际交往中重要的社会性信息,传递了他人的方向性信息和社交意图信息。但目前对眼睛注视的认知偏向研究大多聚焦于人们在注视方向知觉过程的自我相关加工偏向和视野偏向,而对他人注视方向的知觉是否存在左右知觉偏向作为重要的研究课题,目前尚无研究探讨。因此,我们设计了两项研究,探讨了人类对注视方向的判断是否存在左偏倾向、面孔表情是否会影响人类的注视认知偏向,以及左右半球偏侧化是否与被试的注视左偏认知相关。研究一:设计了4个实验,采用注视方向迫选任务,设置了十种注视偏转角度与四种情绪,要求被试判断刺激面孔的注视方向为左还是右,以被试注视方向判断的主观相等点（The point of subjective equality,PSE）为注视方向知觉偏向性的指标。结果发现,个体对他人的注视方向认知存在普遍的左偏倾向,人们倾向于判断他人正注视着自己的左侧空间。且注视方向的左偏认知偏向受到面孔情绪信息的影响,具体表现为被试更容易将恐惧表情的注视知觉为正在看向自己的左侧,而当面孔表情为愤怒、高兴和中性时,个体对注视方向判断的左侧偏向性消失。研究二:采用静息态EEG技术结合行为实验,探讨受情绪影响的注视方向知觉偏向性（PSE）是否与alpha功率谱密度在左右脑的不对称性（Alpha Asymmetry,AA）相关。以前额叶、颞枕联合处和后枕叶区电极点为兴趣区,分析alpha功率谱密度在左右脑的不对称性与所有被试、AA>0组（即右半球感兴趣区脑电活动较大的被试组）和AA<0组（即左半球感兴趣区脑电活动较大的被试组）被试在四种情绪条件下PSE的相关性。结果发现:所有被试总体上,仅后枕叶区的alpha左右半球功率谱密度差与愤怒情绪条件下的PSE显着正相关;AA<0组被试,前额叶alpha功率谱密度不对称性与恐惧、愤怒和中性情绪的PSE均呈显着或边缘显着正相关;后枕叶alpha功率谱密度不对称性与愤怒情绪的PSE边缘显着正相关;而颞枕联合处alpha功率谱密度不对称性与恐惧情绪的PSE显着负相关。以上发现说明注视方向知觉偏向性与alpha功率谱密度的左右脑不对称性相关,并且这种相关性在不同脑区受不同情绪的调节。综上所述,人类对他人注视方向的空间认知存在普遍的左偏倾向,且这种偏向性受到面孔表情信息的调节:仅在恐惧表情下注视左偏认知得以保留,而在其他三种表情下不存在显着的左偏认知。来自静息态脑电的证据则进一步表明,上述受情绪信息调节的左偏注视方向认知与枕叶、前额叶与颞枕联合处活动的半球偏侧化程度有关。
张熙睿[8]（2021）在《基于深度学习胰腺CT医学图像在线分割系统》文中研究表明近年来,计算机辅助治疗成为了比较火热的话题。深度学习方法用于医学图像处理成为了新的研究热点,推进了医学影像分析领域的发展。许多应用于图像处理的传统方法已经被深度学习分割网络所取代,其最主要的原因是使用深度学习用于医学图像分割通常会产生较高的精度。本文阐述现有用于医学图像的分割技术,包括传统方法以及深度学习方法,并针对现有方法的不足提出改进方法并将改进后的算法模型部署至移动客户端完成胰腺自动分割系统的搭建。不同的患者胰腺形状差异较大且边界模糊,故可靠的胰腺自动分割是一项重要而艰巨的任务。并且,目前国内各大医院没有专门用来辅助医生进行胰腺CT图像分割的系统。针对上述情况,本文研究工作如下:（1）提出了一个两阶段的级联网络用于具有挑战性的胰腺分割。首先,通过第一级网络对原始CT图像进行粗分割,然后,将粗分割的结果裁剪后送入第二级网络进一步训练得到精细分割结果。经过裁剪的CT图像,去除了不相干的背景干扰,缩小了第二级网络的输入尺寸,从而能够很好的提高分割精度。（2）级联网络中加入显着性转换函数以及注意力机制。两阶段级联网络在具体分割时,粗分割和细分割阶段相互独立,参数并没有共享,将显着性转换函数加入至两阶段之间使得粗分割至细分割的过程得到迭代并更新显着性转换模块参数共同参与训练。在网络特征提取过程中难免会产生空间信息以及通道信息的丢失,注意力机制的加入,能够更好的关注与感兴趣区域得到较高的精度。（3）设计并实现了一款可自动分割医学图像的手机APP。该系统采用上述改进过的神经网络所训练的模型部署。将手机中存储的腹部CT图像选中,经过训练完成带参数的网络模型后,将分割结果显示。后期设计,如果用户觉得图像分割效果并不理想,可将自己手动分割的CT图像上传至云端,点击重新训练,服务端收到指令后,将新加入的图片和标签加入到现有数据集中重新训练,达到不断迭代更新的效果。
邢瑞闻[9]（2021）在《基于深度卷积神经网络的弱监督视网膜病变的分割算法研究》文中研究说明视力障碍严重影响着人们的生产生活,而视网膜病变是造成视力障碍的重要原因之一。因而自动获得视网膜图像中的病变区域有着重要的临床意义及研究价值。病变自动分割是SD-OCT（Spectral Domain Optical Coherence Tomography,SD-OCT）图像中视网膜病变定量评估的重要任务之一。最近,深度卷积神经网络（Convolutional Neural Network,CNN）在自动图像分割领域发挥了令人信服的表现,而这是受益于具有高质量像素级标注的大规模数据集。不幸的是,获取准确的标注在人力和财力上都是昂贵的。因此如何在降低标注的成本,从而实现对病变有效的自动分割和量化也成为目前研究的重要挑战。本文围绕SD-OCT视网膜病变图像,主要研究了基于弱监督学习的神经视网膜脱落（Neurosensory Retinal Detachment,NRD）病变的自动分割和量化问题。论文的主要工作总结如下:（1）本文提出了一种弱监督双阶段学习结构,仅使用图像级标注下以检测和进一步分割中央浆液性脉络膜视网膜病变视网膜脱离。具体来说,第一阶段,设计一个LocatedCNN来检测整个SD-OCT视网膜图像中病变区域的位置,并突出病变区域。为了生成有效的伪像素级标签,采用传统的水平集方法对病变区域进行细化。第二阶段,接着在深度网络中自定义活动轮廓损失函数,实现病灶区域的有效分割。（2）本文提出了一种用于SD-OCT体积图像分割的精到粗到精弱监督学习框架。首先,本文提出了全局交替最大平均池化（Global al Ternate max-avg Pooling,GTP）网络,仅利用图像级标注来精确定位病变区域。其次,本文设计了基于GTP网络的网络模块和语义传递模块,将网络的注意力迭代转移到病灶区域,不断发现和扩展目标病灶区域。此外,利用三维灰度分布直方图方法可以生成伪体积标签。该过程利用分类网络从精细分类中生成粗的病变区域标签。最后,设计了一种新的三维水平集能量泛函来保持医学体积图像的形状特征,实现从粗到细的体积分割。
沈佳敏,鲍秉坤[10]（2021）在《基于深度学习的广告布局图片美学属性评价》文中研究说明图像质量美学评价是近十年来比较热门的课题,但是研究的大多是对自然图像的美学评价。然而随着互联网技术的发展,线上广告业务得到了迅速发展,因此准确高效地评价一张广告布局图片的好坏是很有必要的。所谓广告布局图片,即广告图片不考虑广告语的具体内容。为了研究广告布局图片的质量美学评价,引入了一个新的数据集ALID,该数据集包含了四个美学属性的数值评分和语言评价;提出了美学多属性网络,该网络包含了三个部分:多属性特征网络、注意网络和语言生成网络。多属性特征网络通过4个不同的美学属性得分的多任务回归计算不同属性的特征矩阵,注意网络动态地调整所获特征的维度,最后语言生成网络通过长短期记忆网络生成图像字幕。实验结果表明,根据图像字幕的评价标准,该文设计的模型优于传统的CNN-LSTM模型和现代的SCA-CNN模型。
二、非空间注意选择过程真相（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、非空间注意选择过程真相（论文提纲范文）
（1）认知科学视域下的电影空间建构（论文提纲范文）
| 一、空间的认知建构 |
| 二、电影空间的认知建构 |
| （一）重建被摄空间 |
| （二）组合连续空间 |
| 三、电影空间的认知注意 |
| （一）电影视觉认知注意 |
| （二）电影听觉认知注意 |
| 结语 |
（3）基于室外场景图像的天气类型细粒度分类方法研究（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 |
| 1.2.1 天气分类方法研究现状 |
| 1.2.2 多类天气数据集概述 |
| 1.3 本文主要研究内容及章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 章节安排 |
| 2 天气分类方法基础 |
| 2.1 图像语义分割 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络的原理 |
| 2.2.2 残差网络 |
| 2.3 注意力机制 |
| 2.4 数据增广技术 |
| 2.5 评价指标 |
| 2.6 本章小结 |
| 3 基本天气类型分类方法 |
| 3.1 基本天气图像分类框架简介 |
| 3.2 图像语义分割 |
| 3.3 基于改进残差网络的分类方法 |
| 3.3.1 基于Res Net50 结构的基本方法 |
| 3.3.2 基于Res Net15 结构的改进方法 |
| 3.4 基于双重注意力机制的基本天气分类方法 |
| 3.4.1 通道注意力 |
| 3.4.2 空间注意力 |
| 3.4.3 双重注意力机制 |
| 3.5 实验结果与分析 |
| 3.5.1 数据集处理 |
| 3.5.2 实验设置 |
| 3.5.3 结果与分析 |
| 3.6 本章小结 |
| 4 恶劣天气类型的细粒度分类方法 |
| 4.1 恶劣天气图像细粒度分类框架简介 |
| 4.2 数据集构建与处理 |
| 4.2.1 数据集构建 |
| 4.2.2 数据增广 |
| 4.3 基于改进残差网络的恶劣天气图像细粒度分类方法 |
| 4.3.1 基于Res Net34 结构的基本方法 |
| 4.3.2 基于Res Net20 结构的改进方法 |
| 4.4 实验结果与分析 |
| 4.4.1 实验设置 |
| 4.4.2 结果与分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
（4）基于卷积神经网络的立体视频编码质量增强方法（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 国内外研究现状分析 |
| 1.3 研究内容与组织结构 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文组织结构 |
| 第二章 3D-HEVC关键技术介绍 |
| 2.1 HEVC关键编码技术概述 |
| 2.2 3D-HEVC关键编码技术 |
| 2.2.1 3D-HEVC基本编码框架 |
| 2.2.2 合成视点失真计算 |
| 2.2.3 视点合成估计 |
| 2.2.4 虚拟视点合成 |
| 2.3 本章小结 |
| 第三章 基于TSAN的立体视频合成视点质量增强方法 |
| 3.1 立体视频编码系统中视点合成技术分析 |
| 3.2 提出的基于TSAN的合成视点质量增强方法 |
| 3.2.1 全局信息提取流 |
| 3.2.2 局部信息提取流 |
| 3.2.3 多尺度空间注意力机制 |
| 3.3 实验结果 |
| 3.3.1 实验设置 |
| 3.3.2 质量提升对比分析 |
| 3.3.3 RD性能对比分析 |
| 3.3.4 主观质量对比分析 |
| 3.3.5 视频质量波动对比分析 |
| 3.3.6 计算复杂度对比 |
| 3.3.7 消融实验 |
| 3.4 本章小结 |
| 第四章 基于RDEN的轻量级立体视频合成视点质量增强方法 |
| 4.1 基于神经网络的视频质量增强方法分析 |
| 4.2 提出的基于RDEN的轻量级合成视点质量增强方法 |
| 4.2.1 特征蒸馏注意力块 |
| 4.2.2 轻量级多尺度空间注意力机制 |
| 4.2.3 残差特征融合块 |
| 4.3 实验结果 |
| 4.3.1 实验设置 |
| 4.3.2 质量提升对比分析 |
| 4.3.3 RD性能对比分析 |
| 4.3.4 主观质量对比分析 |
| 4.3.5 视频质量波动对比分析 |
| 4.3.6 计算复杂度对比 |
| 4.3.7 消融实验 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（5）基于多尺度空谱联合特征网络的高光谱图像分类（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 |
| 1.2.1 高光谱图像分类传统算法研究现状 |
| 1.2.2 高光谱图像分类深度学习算法研究现状 |
| 1.3 论文研究思路及章节安排 |
| 第二章 高光谱图像分类理论介绍 |
| 2.1 引言 |
| 2.2 主成分分析 |
| 2.3 卷积神经网络 |
| 2.4 3D卷积神经网络 |
| 2.5 基于3D-CNN光谱空间残差网络的高光谱图像分类模型 |
| 2.5.1 光谱和空间残差块 |
| 2.5.2 基于3D-CNN光谱空间残差网络 |
| 2.6 高光谱图像分类数据集 |
| 2.7 高光谱图像分类评价指标 |
| 2.8 本章小结 |
| 第三章 基于3D通道空间注意力机制的多尺度光谱空间残差网络 |
| 3.1 引言 |
| 3.2 多尺度特征提取模块 |
| 3.3 3D注意力模块 |
| 3.3.1 通道注意力模块 |
| 3.3.2 空间注意力模块 |
| 3.4 基于3D通道空间注意力机制的多尺度光谱空间残差网络 |
| 3.5 实验结果与分析 |
| 3.5.1 实验设置 |
| 3.5.2 参数设置与分析 |
| 3.5.3 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 基于自适应注意力机制的多尺度光谱空间加权核网络 |
| 4.1 引言 |
| 4.2 基于PCA和1D卷积的联合降维策略 |
| 4.3 自适应空间特征提取模块 |
| 4.4 基于自适应注意力机制的多尺度光谱空间加权核网络 |
| 4.5 实验结果与分析 |
| 4.5.1 实验设置 |
| 4.5.2 参数设置与分析 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 作者简介 |
（6）注意影响周边抑制：任务难度和特征加工的调节作用（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 前言 |
| 1.1 周边抑制 |
| 1.1.1 周边抑制的生理学研究 |
| 1.1.2 周边抑制的行为学研究 |
| 1.1.3 周边抑制的神经机制和功能意义 |
| 1.2 注意如何影响周边抑制 |
| 1.2.1 注意的功能和分类 |
| 1.2.2 注意与周边抑制 |
| 1.3 问题提出及研究意义 |
| 2 实验一:用心理物理法探究注意对周边抑制的影响 |
| 2.1 实验一a:熟练被试,用心理物理法探究注意对周边抑制的影响 |
| 2.1.1 方法 |
| 2.1.2 数据处理 |
| 2.1.3 结果与讨论 |
| 2.2 实验一b:非熟练被试,用心理物理法探究注意对周边抑制影响 |
| 2.2.1 方法 |
| 2.2.2 数据处理 |
| 2.2.3 结果与讨论 |
| 2.3 实验一结果再分析 |
| 3 实验二:探究任务难度对周边抑制的调控作用 |
| 3.1 实验二a:注意外周目标刺激时,任务难度对周边抑制的调控 |
| 3.1.1 方法 |
| 3.1.2 数据处理 |
| 3.1.3 结果与讨论 |
| 3.2 实验二b:注意中央注视点时,任务难度对周边抑制的调控 |
| 3.2.1 方法 |
| 3.2.2 数据处理 |
| 3.2.3 结果与讨论 |
| 4 实验三:探究对比度特征加工对周边抑制的调控作用 |
| 4.1 方法 |
| 4.2 数据处理 |
| 4.3 结果与讨论 |
| 5 实验四:用ERP脑电技术探究注意对周边抑制的影响 |
| 5.1 方法 |
| 5.2 脑电采集与处理 |
| 5.3 结果与讨论 |
| 6 综合讨论 |
| 6.1 研究总结 |
| 6.2 优势与不足 |
| 7 研究结论与展望 |
| 参考文献 |
（7）面孔表情对眼睛注视方向知觉偏向的影响（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 研究背景 |
| 1.1 人类行为与认知偏向相关的研究进展 |
| 1.1.1 人类行为偏向 |
| 1.1.2 人类认知偏向 |
| 1.2 人类行为与认知偏向的理论解释 |
| 1.3 眼睛注视方向知觉相关的研究进展 |
| 1.3.1 眼睛注视方向加工中的认知偏向性 |
| 1.3.2 眼睛注视方向加工中的视野偏向性 |
| 1.3.3 面孔表情对眼睛注视方向知觉的影响 |
| 1.3.4 与注视和情绪加工处理相关的脑区 |
| 1.4 静息态脑电活动的不对称性与个体情绪处理和认知偏向性的关系 |
| 1.4.1 alpha频段功率谱密度与个体注意偏向差异之间的关系 |
| 1.4.2 alpha频段的不对称性与情绪加工的关系 |
| 2 问题提出与研究思路 |
| 2.1 已有研究的不足 |
| 2.2 研究思路 |
| 2.3 研究假设 |
| 2.4 研究意义 |
| 研究一:面孔表情对眼睛注视方向知觉偏向的影响:行为证据 |
| 3 实验1 个体对他人眼睛注视方向知觉判断的倾向 |
| 3.1 实验目的 |
| 3.2 实验方法 |
| 3.2.1 被试 |
| 3.2.2 实验材料 |
| 3.2.3 实验设计与程序 |
| 3.2.4 数据分析 |
| 3.3 结果与分析 |
| 4 实验2 控制手指灵活性后探究情绪对注视方向知觉偏向的影响 |
| 4.1 实验目的 |
| 4.2 实验方法 |
| 4.2.1 被试 |
| 4.2.2 实验材料 |
| 4.2.3 实验设计与程序 |
| 4.2.4 数据分析 |
| 4.3 结果与分析 |
| 5 实验3 倒置面孔的注视方向知觉偏向 |
| 5.1 实验目的 |
| 5.2 实验方法 |
| 5.2.1 被试 |
| 5.2.2 实验材料 |
| 5.2.3 实验设计 |
| 5.2.4 数据分析 |
| 5.3 结果与分析 |
| 6 实验4 倒置眼睛的注视方向知觉偏向 |
| 6.1 实验目的 |
| 6.2 实验方法 |
| 6.2.1 被试 |
| 6.2.2 实验材料 |
| 6.2.3 实验设计 |
| 6.2.4 数据分析 |
| 6.3 结果与分析 |
| 研究一总讨论 |
| 研究二:静息态脑电活动的不对称性与注视知觉偏向的联系:静息态EEG证据 |
| 7 实验5静息态EEG alpha波能量不对称性与注视知觉偏向的相关性:ERP研究 |
| 7.1 实验目的 |
| 7.2 实验方法 |
| 7.2.1 被试 |
| 7.2.2 实验材料 |
| 7.2.3 实验设计与程序 |
| 7.2.4 EEG数据记录与统计分析 |
| 7.3 实验结果 |
| 7.3.1 行为结果 |
| 7.3.2 静息态EEG结果分析 |
| 7.4 讨论 |
| 8 总讨论 |
| 8.1 注视方向知觉的左侧偏向性 |
| 8.2 面孔表情对注视方向知觉左侧偏向性的影响 |
| 8.3 注视方向知觉的偏向性与感兴趣脑区静息态alpha功率谱密度之间的关系 |
| 8.3.1 前额叶脑区alpha功率谱密度的不对称性与注视方向知觉偏向性之间的关系 |
| 8.3.2 枕叶及颞枕联合处alpha功率谱密度的不对称性与注视方向知觉偏向性的关系 |
| 8.4 不足与展望 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（8）基于深度学习胰腺CT医学图像在线分割系统（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 胰腺分割痛点研究 |
| 1.3.1 胰腺CT图像自身特性 |
| 1.3.2 已有方法局限性 |
| 1.4 移动终端应用研究现状 |
| 1.5 论文主要工作及创新点 |
| 1.6 论文内容安排 |
| 第2章 图像分割相关理论 |
| 2.1 医学影像特点 |
| 2.1.1 MRI |
| 2.1.2 计算机断层扫描(CT) |
| 2.2 图像分割介绍 |
| 2.2.1 传统方法医学图像分割 |
| 2.2.2 深度学习医学图像分割 |
| 2.3 深度图像分割流程 |
| 2.3.1 数据预处理 |
| 2.3.2 训练集创建 |
| 2.3.3 神经网络构建 |
| 2.3.4 分割结果评价指标 |
| 2.4 本章总结 |
| 第3章 用于胰腺分割具有代表性的算法 |
| 3.1 引言 |
| 3.2 胰腺分割的全三维级联框架 |
| 3.2.1 算法介绍 |
| 3.2.2 具体方法 |
| 3.2.3 实验结果 |
| 3.3 基于粗定位和集成学习的胰腺自动分割算法 |
| 3.3.1 算法介绍 |
| 3.3.2 具体方法 |
| 3.3.3 实验结果 |
| 3.4 本章总结 |
| 第4章 多尺度混合注意力级联网络 |
| 4.1 引言 |
| 4.2 注意力机制 |
| 4.2.1 概念介绍 |
| 4.2.2 Attention原理 |
| 4.2.3 Attention的作用 |
| 4.3 具体方法 |
| 4.3.1 损失函数 |
| 4.3.2 转换模块 |
| 4.3.3 通道注意力机制 |
| 4.3.4 空间注意力机制 |
| 4.3.5 混合注意力机制应用 |
| 4.4 实验结果 |
| 4.4.1 混合注意力实验 |
| 4.4.2 胰腺分割实验 |
| 4.4.3 胰腺最终分割效果 |
| 4.5 本章总结 |
| 第5章 系统设计与实现 |
| 5.1 引言 |
| 5.2 需求分析 |
| 5.3 移动客户端设计 |
| 5.3.1 客户端开发环境 |
| 5.3.2 UI界面 |
| 5.3.3 图像选取模块 |
| 5.3.4 图像上传模块 |
| 5.3.5 图像分割模块 |
| 5.4 本章总结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
| 附录1 论文中部分核心代码 |
（9）基于深度卷积神经网络的弱监督视网膜病变的分割算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 SD-OCT成像技术 |
| 1.1.2 SD-OCT在中浆病视网膜病变上的应用 |
| 1.2 国内外研究现状 |
| 1.3 视网膜病变分割方法存在的问题 |
| 1.4 研究内容及贡献 |
| 1.5 本文组织结构 |
| 第二章 相关理论及评价标准 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积 |
| 2.1.2 池化 |
| 2.1.3 损失函数 |
| 2.1.4 经典网络模型 |
| 2.2 注意力机制 |
| 2.2.1 自注意力机制 |
| 2.2.2 通道注意力机制 |
| 2.3 实验数据及评价标准 |
| 2.3.1 实验数据 |
| 2.3.2 评价标准 |
| 2.4 本章小结 |
| 第三章 基于双阶段学习的弱监督视网膜病变分割算法 |
| 3.1 引言 |
| 3.1.1 视网膜病变弱监督分割的研究动机 |
| 3.1.2 解决方法概要与贡献 |
| 3.2 双阶段学习的弱监督分割模型 |
| 3.2.1 Located-CNN的精准定位 |
| 3.2.2 伪标签的获取 |
| 3.2.3 活动轮廓损失项的分割网络 |
| 3.3 实验结果 |
| 3.3.1 定位的精度和伪标签的量化结果 |
| 3.3.2 不同损失函数的比较 |
| 3.3.3 与现有方法的比较 |
| 3.3.4 多病变分割分析 |
| 3.4 实验结果的讨论分析 |
| 3.5 本章小结 |
| 第四章 基于特征注意力机制的弱监督视网膜三维病变分割算法 |
| 4.1 引言 |
| 4.1.1 三维视网膜病变弱监督分割的研究动机 |
| 4.1.2 解决方法概要与贡献 |
| 4.2 特征注意力机制的弱监督3D分割模型 |
| 4.2.1 GTP网络 |
| 4.2.2 语义传递模块 |
| 4.2.3 三维分割网络 |
| 4.3 实验结果 |
| 4.3.1 语义传递模块的消融分析 |
| 4.3.2 三种损失函数的比较 |
| 4.3.3 与现有方法的比较 |
| 4.4 实验结果的讨论分析 |
| 4.5 本文两种分割算法的比较 |
| 4.5.1 两种分割算法的伪标签的量化分析 |
| 4.5.2 两种分割算法的量化结果分析 |
| 4.5.3 两种分割算法的讨论分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（10）基于深度学习的广告布局图片美学属性评价（论文提纲范文）
| 0 引 言 |
| 1 数据集 |
| 2 系统模型 |
| 2.1 多属性特征网络 |
| 2.2 注意力网络 |
| 2.3 语言生成网络 |
| 3 实验结果展示及分析 |
| 3.1 基准网络 |
| 3.2 实验细节 |
| 3.3 结果展示 |
| 3.4 比较分析 |
| 3.4.1 与基准网络比较 |
| 3.4.2 与其他方法比较 |
| 3.5 结 论 |
| 4 结束语 |
四、非空间注意选择过程真相（论文参考文献）
- [1]认知科学视域下的电影空间建构[J]. 张晓峰. 电影艺术, 2021(06)
- [2]基于深度学习的桥式起重机系统中行人检测算法研究[D]. 杨振坤. 上海应用技术大学, 2021
- [3]基于室外场景图像的天气类型细粒度分类方法研究[D]. 李茂会. 西安理工大学, 2021(01)
- [4]基于卷积神经网络的立体视频编码质量增强方法[D]. 余伟杰. 南京信息工程大学, 2021(01)
- [5]基于多尺度空谱联合特征网络的高光谱图像分类[D]. 徐彬. 南京信息工程大学, 2021(01)
- [6]注意影响周边抑制：任务难度和特征加工的调节作用[D]. 苏娴. 浙江大学, 2021(08)
- [7]面孔表情对眼睛注视方向知觉偏向的影响[D]. 张玥. 辽宁师范大学, 2021(09)
- [8]基于深度学习胰腺CT医学图像在线分割系统[D]. 张熙睿. 扬州大学, 2021(08)
- [9]基于深度卷积神经网络的弱监督视网膜病变的分割算法研究[D]. 邢瑞闻. 济南大学, 2021
- [10]基于深度学习的广告布局图片美学属性评价[J]. 沈佳敏,鲍秉坤. 计算机技术与发展, 2021(03)