【摘 要】
：
尽管深度神经网络目前在许多方面展示出强大的能力，但由于其高能耗的特性，无法应用在一些计算资源有限的场景下。而脉冲神经网络作为第三代神经网络，是目前最拟合生物神经元机制的模型。相比深度神经网络，在脉冲神经网络所需的计算量和能耗远小得多。 目前，脉冲神经网络在图像识别和目标检测方面达到了较好的效果，但对于更复杂的计算机视觉任务相关研究却很少。作为计算机视觉领域最重要的任务之一，目标跟踪有较高的实时性
论文部分内容阅读
尽管深度神经网络目前在许多方面展示出强大的能力，但由于其高能耗的特性，无法应用在一些计算资源有限的场景下。而脉冲神经网络作为第三代神经网络，是目前最拟合生物神经元机制的模型。相比深度神经网络，在脉冲神经网络所需的计算量和能耗远小得多。
目前，脉冲神经网络在图像识别和目标检测方面达到了较好的效果，但对于更复杂的计算机视觉任务相关研究却很少。作为计算机视觉领域最重要的任务之一，目标跟踪有较高的实时性和精确度要求，探索脉冲神经网络在目标跟踪中的应用具有极大的研究意义。
为了优化脉冲序列的时间分布，在目标跟踪模型中降低时延，研究提出了一种双电压阈值编码机制，该机制将脉冲序列限制在周期性的固定分布中以增加脉冲密度。目前主流跟踪模型采用了基于匹配的孪生神经网络，研究提出了基于膜电位和时间序列的简单匹配方法，以及适用于目标跟踪的脉冲混合相似性匹配法，更好地利用了脉冲中的时序信息来准确计算模板图像和搜索图像之间的响应图。
基于双电压阈值编码机制以及脉冲混合相似性匹配法，研究提出了第一个可用于复杂场景实时目标跟踪的全卷积脉冲孪生网络Spiking-SiamFC。在OTB-2013，OTB-2015和VOT2016数据集上的实验结果证明，Spiking-SiamFC达到了与SiamFC近似的精度且具有较低的时延，可以在神经形态芯片TrueNorth上达到实时跟踪效果。
其他文献
随着互联网的快速发展和智能手机用户数量的增长，通过Internet访问和传播敏感(色情)图片变得非常容易，识别并过滤互联网上的敏感内容对于未成年人的健康成长和互联网的发展至关重要。近年来，基于卷积神经网络的敏感图像识别方法已经基本取代了传统方法，此类方法通常将敏感图像识别当作一般的图像分类任务，即从整幅图像中提取特征并进行分类。但是由于敏感图像的特殊性，敏感部位一般出现在整幅图像的局部，因此仅依赖
随着智慧城市的大力建设，监控摄像头等终端设备的体量暴增，对于终端设备的智能化分析需求也越来越大。作为计算机视觉任务中不可或缺的基础，目标检测因其重要的应用价值而获得广泛的关注与研究。近年来，深度学习的飞速发展使得目标检测的性能得到了极大的提升。然而，现有的目标检测网络由于其较大的计算量和参数量，大多不能应用于计算能力和存储资源有限的设备，如电子芯片、手机等。 为了实现专用于资源限制场景的轻量级视
图像拼接的任务是将多个具有一定重叠部分的图片拼接成一个无缝的大视景图像。目前图像拼接技术被广泛地用于生成全景照片、医学图像、虚拟现实等各个领域。现代的图像拼接算法通常基于特征匹配技术，依据图像中的特征匹配来估计图像的变换矩阵进行图像配准，再通过一定的方法融合配准后的图像得到拼接结果。 传统的图像拼接通常要求输入图像没有或只有很小的视差，具有较大视差的场景下的图像拼接问题是图像拼接领域的一个难点，
从自然场景图像中读取文本由于其广泛的应用而受到了计算机视觉领域、模式识别领域以及工业界的广泛关注。在如今的智能大数据时代，能够有效地对图像文本内容进行提取分析并信息智能化对于学术界的理论研究和工业界的技术驱动都具有深远意义，而图像文本检测是后续文本内容识别的先决条件，但由于场景图像因光照、拍摄角度、背景和文本多样性等诸多问题，目前还鲜有能适用于复杂场景图像文本检测的技术手段，因此，提高对复杂场景文
人脸三维建模是一项发展已久的计算机技术，目前已广泛用于医疗、游戏和影视娱乐等领域。传统获得三维人脸的方法成本较高、过程复杂，在一定程度上限制了三维人脸的应用场景。而随着计算机视觉技术的进一步发展，从二维图像中进行三维人脸重建的技术逐渐成型，该方法前置条件简单，容易实现全自动化。但该方法重建的三维模型目前还存在几何形状不够精确、纹理贴图效果易受光照影响等问题，尚有较大的提升空间。 对三维人脸重建过
前列腺癌是一种发生于男性前列腺的恶性肿瘤。临床上主要使用磁共振(MR)成像来对前列腺癌进行诊断。传统的人工阅片方法耗时长，且易受主观因素影响。计算机辅助诊断系统可有效提高医生诊断的效率和准确率。但是由于前列腺癌病灶具有体积小、轮廓模糊等特点，使用MR图像进行前列腺癌自动检测非常具有挑战性。 建立可用于深度学习的前列腺癌数据集非常困难，因此数据集中的训练样本较少。为了充分利用有限的数据，本文设计了
在临床诊断过程中，提取脑部中矢状面具有非常重要的意义，通过中矢状面计算头部偏角，从而摆正图像中头部的位置，可以为诊断脑部疾病提供最佳观察视角；根据中矢状面计算大脑左右半球的对称性，也能为判断某些脑部疾病的提供重要参考依据。但是，现有的中矢状面提取算法通常存在提取效果不佳、计算成本大和鲁棒性差等问题。 因此，本课题提出了一种基于深度学习的中矢状面提取方案，方案分为三个步骤：(1)使用图像分割网络识
近几年，基于图结构的卷积神经网络技术的发展使得知识图谱中的节点信息能够通过训练得到更富有语义的表示，与此同时，一些工作表明了知识图谱能够通过增强推荐数据集中的项目实体而对推荐算法起到一定的优化作用。为此，以基于知识图谱图卷积神经网络的推荐算法为主要研究目标，开展图谱数据完善、卷积计算、基于图谱的推荐方法的研究。 研究利用知识图谱广泛的结构信息对用户、项目交互数据进行补充，在整合了知识图谱中项目属
乳腺癌是女性中最常见的癌症之一，早期的筛查以及诊断非常有意义。乳腺肿块是早期乳腺癌的主要表征之一，当前乳腺癌筛查最有效的手段是乳腺钼靶X线摄影检查。研究乳腺肿块分割算法，通过准确分割乳腺肿块，辅助医生判断乳腺肿块的良恶性，有助于提高患者的生存几率，具有重要的临床意义。 乳腺肿块通常具有形态大小多样且边缘不规则的特点。针对乳腺肿块形态大小多样的问题，设计并实现了基于U-Net模型的MU-Net模型
随着计算机技术和医学影像技术的发展，计算机辅助诊断治疗可以减轻医生的工作量和辅助医生诊断。人体肋骨包含了完整的腹部与胸部，具有相对稳定的形状，肋骨分割在医学上用途很广，可以检测骨头是否有骨折等异常，分段肋骨也可以作为参考物体，帮助定位其他结构，比如肝脏，心脏等，还可以为一些量化任务提供参考，比如肺体积的估计。 肋骨与肩胛骨、脊柱以及胸骨粘连较近且灰度值相似，传统的分割方法不能很好地处理骨头连接处