一、CKrootKit检测的一个实例（论文文献综述）
黄慧,李海林[1]（2021）在《时态数据质量规则的研究及检测》文中提出作为检测数据集中不一致数据的方法,函数依赖受到了广泛的关注.近年来,硬约束、等值约束、编辑规则、差分约束等被相继提出,用于发现更多的不一致数据.然而,这些约束规则仅适用于静态数据集中不一致数据的检测,而实际应用中,存在着大量随时间演化的动态数据,已有的规则忽略了具有时态语义数据的描述.该文首先提出了时态数据质量规则的形式化表达,为了提升检测效率,给出一套规则相关的性质,利用性质去除规则集中冗余规则;其次给出了不一致数据检测算法,并通过剪枝的策略对算法优化,再利用算法和不一致数据查询语言获取冲突数据;最后,通过实验验证,本文提出的方法能够检测出更多的不一致数据,经过优化后的算法执行效率较高.
王泽南[2]（2021）在《基于网络功能虚拟化的业务优化编排研究》文中研究表明为了解决由传统硬件网络设备所带来的网络结构僵化、资源利用率低、管理复杂等问题,网络功能虚拟化技术应运而生。网络功能虚拟化通过虚拟化技术,将基于专用硬件的网络功能设备转变成以虚拟机、容器或进程的形式运行在通用服务器上的虚拟网络功能。虚拟网络功能的出现带来了快速灵活的业务部署、高效的资源利用、低开销的运营管理等诸多优势,然而同时也带来了许多新的问题和挑战。虚拟网络功能集群的总处理能力能够随业务流量的波动而动态伸缩,以实现高效的资源利用。然而,如何针对虚拟网络功能集群动态伸缩设计高效的流量调度机制是亟需解决的问题。此外,网络功能虚拟化使得服务链的部署变得灵活,而如何设计服务链的优化部署算法仍然是一个开放性的问题。最后,需要为服务链部署备份节点以提高业务的整体可用性,如何高效地分配备份节点以满足业务的可靠性需求变得日益重要。针对上述的问题与挑战,本文将从虚拟网络功能集群内的缩扩容与流调度、服务链的部署、服务链的备份这三个切入点展开研究,所设计的机制与算法将促进业务编排朝着自动、持续、实时、优化的方向发展。本文的具体工作包括以下四个方面。1.虚拟网络功能集群内缩扩容与流调度的协同优化。由于业务流量的动态变化,需要在虚拟网络功能集群内部实现动态的缩扩容,并同时对业务流量进行合理的调度。然而业务流量中流数量众多且呈现大小流分布,基于哈希的流调度方案和基于流表的流调度都无法高效且均衡的调度流量。为此,本文提出了协同虚拟网络功能集群内缩扩容与流调度的框架Hieff。Hieff按流速区分大流和小流,使用流表调度大流,而使用一致性哈希调度小流。此外,Hieff协同优化流调度和缩扩容的策略,目标是将集群中全部活动实例的负载保持在预设的目标值附近,同时降低流迁移和实例管理开销。2.服务链生成、放置与分配的协同优化。在部署服务链之前,首先需要根据业务的需求生成服务链。然而,目前没有工作对服务链的生成、放置与分配进行联合的优化,为了填补这一空白,本文提出了 SFC-CPA问题。本文在服务链的放置与分配中引入了服务链依赖矩阵和服务链生成矩阵,将服务链生成、放置与分配的协同优化问题建模为0-1线性规划。为了求解SFC-CPA问题,所设计的Jcap算法基于路径长度估计协同优化了服务链的放置与分配过程和服务链的生成过程。Jcap算法能有效地提高虚拟网络功能实例的资源利用率并降低业务对物理带宽资源的占用,此外,Jcap算法求解高效且性能表现接近最优解。3.端到端时延严格保障的服务链优化部署。时延敏感的业务如自动驾驶、远程医疗等,对服务链的端到端时延有更加严格的要求。然而,目前的服务链部署工作并不能保证每一个数据包都能在计算所得的时延内完成传输。为了解决这一问题,本文提出了DetSFC部署问题。DetSFC问题的目标是最大化接收的业务量,同时保证所接收业务的端到端时延严格满足要求,即保证经过服务链的每一个数据包的时延均满足要求。为此,DetSFC基于网络演算推导了数据包经过服务链的端到端时延上限,并通过实验验证了推导所得结果的准确性。基于网络演算的结果,所设计的算法JRRA通过协同优化服务链的路由与VNF节点的资源分配,实现了DetSFC的目标。4.资源感知的服务链备份节点优化分配。虚拟网络功能相比基于专用硬件的网络功能设备在可用性方面性能有所降低,从而降低了服务链的整体可用性,因此需要为服务链部署备份节点。服务链中不同的虚拟网络功能所需的资源量与其可用性参数都不同,如何为服务链分配备份节点对服务链整体的可用性和备份节点的资源消耗有很大的影响。然而,现有的算法在设计备份节点分配方案时忽略了虚拟网络功能之间异构的资源需求。为此,本文提出了一种资源感知的服务链备份节点分配方案RABA。RABA面向一对一专用备份和一对多共享备份两种场景,设计了服务链整体可用性的计算方法,优化了服务链的备份节点分配,实现了在满足服务链整体可用性需求的同时,最小化备份节点的资源消耗。
陈晋[3]（2021）在《基于网络调制的协同目标分割算法研究》文中认为协同目标分割是一种对多张相关图片中的共同类别物体进行分割的技术,其着眼于多张图片中的共性特征,挖掘同类别图像间的共同模式,在计算机视觉领域有着广泛的应用场景。传统方法大多根据图像的明暗、色彩或者手工设计的边缘特征对不同的区域聚类,受制于有限的特征表示能力,在图像模糊、不均匀光照等复杂场景下难以实现正确分割。近年来深度学习的兴起,基于卷积神经网络的算法凭借海量数据和强大的特征表示能力,在性能上大幅领先。本文利用深度卷积神经网络的技术,在基于网络调制的协同目标分割方法上做出探索性和创新性的研究,并取得了以下成果。本文提出了一种结合空间调制和语义调制的深度协同目标分割网络框架,思路新颖且性能优异。首先通过主干网络提取多尺度的图像特征作为分割网络的输入,其次设计了一个空间调制器模块用来捕获多张图像特征描述间的相关程度,通过无监督学习学到的一组粗糙的掩码可以在抑制背景的同时,定位共性的前景目标位置。考虑到协同目标其实拥有着共同的类别,于是将语义调制器模块建模为一个图像分类的任务,提出了一种级联的二阶池化模块用于图像特征的转换,通过监督学习得到协同目标的类别预测向量。最后,两个调制器模块的输出和主干网络的多尺度图像特征,以调制的方式共同作用于分割网络上,将特征聚焦于协同目标从而实现分割。该方法为端到端训练且无需任何后处理,在四个公开的协同分割基准数据集上取得了优越的分割精度,在其中难度最大的PASCAL-VOC数据集上对比同期方法提升2.7个百分点。在上一个工作实现的协同分割算法的基础上,本文进一步加深研究,探索实例级的协同目标分割,即对协同物体的每一个实例得到一个分割结果。首先,借助协同峰值搜索技术找到协同分割结果中的峰值点,然后利用峰值反向传播在原图上得到实例级的响应图,通过无监督方法获得图像的多个实例建议区域。最后,对协同分割结果、实例响应图和建议区域进行综合打分排序,选择得分高的为最终分割结果。该方法不需要图像的实例分割标签来训练,降低了对训练数据的要求,有效地拓展了从协同目标分割到实例级协同目标分割的研究深度。该方法在两个公开的实例级协同分割基准数据集上的指标均大幅超越了基准方法,在其中难度较大的VOC12数据集上提升了5个百分点。
张宇[4]（2021）在《设计模式在外观管理系统中的应用研究》文中提出设计模式,主要用于对重复出现的问题提供可重用的解决方案。设计模式的提出,给出了一个强大的复用机制,使得软件开发能够在软件快速发展的今天适应不断发生变化的需求。设计模式能够非常有效地解决软件设计中的各种复用问题,将软件复用从代码复用提升至经验复用和软件开发各阶段的知识复用。设计模式在解决软件质量差、开发周期长、后期修改维护困难、开发成本高等问题上有着重要作用。首先,本文介绍了设计模式的基本概念,讨论了设计模式的四大要素和作用,并详细阐述了设计模式的分类方法,以及在实际开发过程中应该遵循的七大设计原则。然后,本文通过对汽车产品的设计流程、系统用户的用例描述和系统的功能性能这几个方面进行需求分析,明确了用户需求。然后,本文以设计模式相关技术为核心,设计了外观管理系统,该系统可以解决汽车产品在设计过程中存在地过多人工操作的问题,为产品设计人员提供更加便捷、高效的外观设计平台。该外观管理系统采用分层架构进行了总体设计,提高了系统的可维护性。本系统按照功能划分模块,本文阐述了各个功能模块的详细设计,其中包括:外观方案分配模块、外观设计器分配模块、导航器模块、编辑纹理模块、工作室材料库模块、纹理库模块。并且,通过对系统进行软件测试,验证了其功能的正确性。最后,本文提出了设计模式在软件中的应用策略,通过分析该外观管理系统中存在的问题,给出工厂方法模式、组合模式和单例模式在系统开发中的具体应用过程,提高各功能模块的软件质量,从实践的角度证明设计模式在软件开发过程中的优势。本文通过具体的开发实践,验证了设计模式在外观管理系统中应用的优势,证明了设计模式的使用可以提升软件的可拓展性、可维护性和可复用性,降低系统后期的维护代价。
彭嘉丽[5]（2021）在《基于有监督和弱监督学习的异常事件检测研究》文中研究表明传统的人工异常事件检测不仅是对人力资源的极大浪费,更无法实现对异常事件的提前预警或及时报警,并不十分可靠。基于深度学习的异常事件检测是指通过深度学习算法自动识别并定位监控视频中的危险事件或异常行为,对保障公共安全具有重要意义。然而由于正、异常事件均无明确定义、种类繁多,无法穷举以及不同场景下正常和异常事件的定义也有所不同等难点,异常事件检测仍是一项极具挑战的任务。为实现在火车站、广场等公共场所下对抢劫、打架、爆炸等危险系数较大的异常事件的检测,本论文提出以下两种算法以检测异常:（1）基于YOLO v3+C3D的有监督异常事件检测算法。与仅使用正常事件进行训练的无监督算法相比,同时使用正常和异常事件样本进行训练更能提取到有助于区分正常和异常事件的特征,因此提出基于YOLO v3+C3D的有监督算法。首先使用YOLO v3目标检测网络代替传统的运动目标检测算法,以更快速、更精确的提取前景目标,从对象的角度分析行为。结合预训练的C3D网络提取视频数据的时空特征,最后通过全连接层和softmax函数分类正、异常事件,实现端到端的异常检测。在规模相对较小的UCSD数据集上取得了良好的检测精度。（2）基于I3D+LSTM的弱监督异常事件检测算法。随着数据集规模的扩大,训练样本的详细标记将变得十分繁琐,因此使用仅需正常、异常样本视频级别标签的多实例学习算法减少对标签信息的依赖。首先使用双流I3D网络提取训练视频短时序时空特征同时结合LSTM进一步提取长时序帧间运动信息,这种短时序+长时序建模的网络结构能够更加充分地利用时间上下文信息获取异常事件特征。最后使用三层全连接层为每个视频片段打分,并通过排序损失优化网络。该算法在规模较大的UCF-Crime数据集和Shanghai Tech数据集上均实现了目前最高的异常检测精度。
梁宇[6]（2021）在《基于实例级别细粒度表示的图像差异描述研究》文中研究表明计算机视觉和自然语言处理领域相关技术的迅猛发展,极大地推动了它们交叉任务的衍生和研究。图像差异描述作为图像描述的子任务,受到业界的广泛关注,具有极大的研究价值,其旨在从相似的图像对中定位差异目标,并用自然语言将其中的差异描述出来。这个任务的主要挑战是充分地理解图像对中的内容,以及在图像对中存在视角偏差的情况下,精准地定位其中的差异目标,以生成全面且精确的差异描述。现存的工作聚焦于提取像素级别的图像特征,却忽略了对其中丰富的目标显式特征的挖掘,而这些特征将促进模型生成细粒度的差异描述。另外,现有的生成模型往往受到图像对中视角偏差的影响,难以准确地定位其中的差异。为了解决上述问题,本文提出一个实例级别细粒度的差异描述模型,该模型共有四个模块,它们分别是细粒度特征提取模块、多轮特征融合模块、基于相似度的差异查找模块、以及差异描述模块。首先,为了全面地描述图像对中的差异目标,本文设计了一个细粒度特征提取模块,提取图像中各个目标的细粒度特征,即目标实例级别的视觉特征、语义特征、以及位置特征,并将这些特征作为目标的特征表示。然后,本文设计了一个多轮特征融合模块,将这些目标的多模态特征充分地融合在一起。其次,为了增强模型对图像对中视角偏差的免疫能力,本文设计了一个基于相似度的差异查找模块,在定位差异目标的过程中着重关注目标本身,而不是其中的视角偏差,进而准确地定位图像对中的差异目标。最后,本文使用差异描述模块,用以生成给定图像对的差异描述。本文开展了大量的对比实验、消融实验、可视化分析、以及案例分析。结果表明,与最先进的模型相比,本文所提出的模型在CLEVR-Change数据集和Spot-the-Diff数据集上都达到了不相上下的效果。这进一步证明了采用实例级别细粒度的特征提取办法表示图像对中的各个目标,可以有效地促使模型生成更加全面的图像差异描述。同时,对图像中目标的细粒度特征进行多轮融合有助于充分地融合这些不同模态的特征。另外,采用基于相似度的差异查找方法定位图像对中的差异目标,可以在一定程度上缓解图像对中视角偏差的干扰,进而促使模型精准地定位差异目标。这些发现将为图像差异描述任务提供实例级别的解决思路,进一步推动这项任务的发展。
赖亦斌[7]（2021）在《基于三维点云的小型植物表型提取研究》文中认为近年来,现代信息技术的迅速发展为农业、生命科学等学科的检测监测需求提供了新的技术手段。植物表型组学是在此形势下提出的,并在农业领域的迫切需求下迅速发展。但与进展更为迅速的植物基因组学相比,植物表型测量技术相对滞后,成为阻碍植物育种进程的瓶颈。因此,高通量、高精度和无损的植物表型监测系统的研究已成为现代农业领域的关键问题。由于植物物种的多样性,以及植物本身具有不规则的形态结构,在植物冠层中存在植物个体、植物器官之间相互遮挡严重的问题,而且植物生长的环境复杂,从二维图像上提取植物表型特征会受到诸多限制。因而,基于三维信息提取植物表型特征是现代数字农业的热门研究方向。本文从三维点云数据获取及其处理、三维点云深度学习两个方面来对植物表型参数获取进行研究,主要工作如下:1.提出了一种基于多视角图像的作物群体三维点云重建和表型参数提取方法。该方法以黄瓜群体植株为例,目标是获取植株群体中每个植株的株高、叶长和叶宽等表型参数。首先通过数码相机获取作物群体的多视角图像,再使用SFM-MVS（运动恢复结构-多视图立体视觉）方法重建带有颜色信息的三维稠密点云;使用滤波降采样的方法对获得的点云数据进行预处理,并使用随机采样一致性算法去除地面点云;使用欧氏聚类以及区域增长算法来分割点云,最后得到作物叶片的点云数据;经过三角化重建叶片点云表面,通过投影计算的方式获取叶长和叶宽等植物表型参数。实验结果表明,计算值与人工测量值高度相关（R2=0.80～0.93,RMSE=0.79cm～1.36cm）,这表明SFM-MVS方法为快速、低成本测量植物形态参数提供了可行的解决方案,无需复杂的校准过程。2.开展了基于深度学习的植物三维点云自动分割技术研究,实现了从作物群体中分离单株作物和从单株作物中分离叶片器官。首先通过SFM-MVS方法重建得到群体的三维点云,然后对三维点云进行人工标注。最后通过训练基于三维边界框回归的点云实例分割网络来完成上述两个场景的分割任务。此外还通过三维点云旋转方法进行数据扩充。实验结果表明,本文使用的方法能获得较好的群体植株分割和器官分割结果。在黄瓜单株叶片分割的测试中,最佳平均精确率为0.809,平均召回率为0.884;在植株群体单株分割的测试中,最佳平均精确率为0.875,平均召回率为0.897。
许才溢[8]（2021）在《单视觉传感器下的可视化行车安全场研究及实现》文中进行了进一步梳理环境感知能力一直是制约自动驾驶技术发展的瓶颈,基于单视觉传感器的环境感知方案具有极高的落地优势,一直是学术及产业界研究的热门。单视觉传感器下的环境感知主要包括目标的检测与分割,其中3D障碍物与车道是重要目标。获取前向障碍物的三维信息有利于车辆进行自主避让,对车道的感知有利于车道的行驶路线规划,同时通过车道检测分割能够将3D障碍物定位在不同车道上,并依据车道对其进行威胁分级从而过滤掉大量无效目标。目前的难点在于:（1）如何将3D目标检测与实例分割融入一个框架,同时解决两个任务;（2）如何提高障碍物实例分割的速度,能达到3D目标检测的速度水平。本文主要针对上述问题,提出了一个实时框架,通过深度维度同时分割和检测三维物体,同时将车道线的检测与车道的分割设置为并行任务,提高了检测与分割的速度。以下的几个方面是本文的主要工作:（1）将3D目标检测拆解为四个并行的子任务,2D检测、实例级深度估计、3D中心位置估计和3D角点估计。通过解决子任务间接进行3D检测,输出目标的3D信息。实验结果证明了拆分任务后,子任务可以并行完成,相对于其他两阶段、双目等方法大大提升了检测速度,同时保证了检测精度。（2）提出了一种基于空间离散的实例分割方法,将实例任务拆解为像素级深度估计任务与实例级深度估计任务,最后通过后处理部分将像素聚类到每一个实例中。实验结果表明此方法在速度上有了较大提升。（3）设计了一种同时进行车道线检测与像素分割的方法,并将车道线二值化检测与车道像素实例分割结果结合起来,确定明确车道边界线。最后通过拟合间断部分成连续车道线,通过车道线将不同车道障碍物进行分级。
雷天奇[9]（2021）在《高校学生行为挖掘分析与成绩预测方法研究》文中提出随着教育信息化的不断发展,教育数据挖掘受到越来越多研究者的关注。利用智能信息技术开展智慧校园建设标志着教育信息化智慧教育时代的开启。高校教育积累了海量的数据,却没有充分利用,很少挖掘数据背后隐藏的价值。针对以上问题,为了从校园大数据中挖掘有用信息,帮助学生提升学习效果,促进学校提高教学管理水平,本文从聚类算法改进,学生行为数据分析,行为数据与成绩数据关联性分析,以及学生成绩预测等方面进行研究。本文主要完成工作如下:（1）多因素改进K-means聚类算法。针对原始K-means聚类算法迭代过程计算复杂、聚类数目需要人为确定、对初始聚类中心敏感、易受孤立点影响等问题,依据优化后的离群点检测算法和最大最小距离思想以及启发式方法提出一种多点因素相结合的改进K-means算法。实验表明,改进算法具有非常好的稳定性,与FECA聚类算法相比在准确率上平均提高9.17%,在迭代次数上平均减少4.16次,在DBI指标上平均减少5.70%,在SC指标上平均提高5.22%。（2）基于聚类的学生行为分析。针对高校学生生活学习行为复杂且多样,不便于分析的问题,构建了学生行为描述指标体系,并使用改进的聚类算法对描述指标中的学生行为数据进行聚类,得到各指标上不同的学生行为类别,分析每个类别学生的行为特点,总结出不同类别学生的行为特征标签。（3）基于Apriori的关联规则挖掘。针对Apriori算法剪枝步操作效率较低且传统关联规则度量指标存在一定局限性的问题,采用方向扫描的方式对Apriori算法剪枝步进行优化,并引入有效度指标优化传统关联规则度量。基于学生行为数据聚类结果,使用优化后的Apriori算法对不同课程成绩之间、行为与成绩之间的规则进行挖掘,并对其间的关联性进行分析。（4）基于Attention-Bi LSTM的学生成绩预测。针对传统成绩预测方法忽略不同行为特征对成绩的影响程度不同的问题,并考虑到不同时期的行为数据对学生成绩的影响程度也不同,将成绩预测问题抽象为时间序列分类问题,并将注意力机制与长短期记忆神经网络相结合,构建了基于Attention-Bi LSTM的成绩预测模型。实验表明,本文提出的预测模型相比传统基准模型中预测效果较好的Logistic Regression模型以及未引入注意力机制的长短期记忆神经网络模型在准确率上分别提升了15.72%、7.21%,有效地改善了预测质量。
黄琪[10]（2021）在《基于多实例学习的ANA荧光模式识别》文中指出自身免疫性疾病是指由于某些原因造成免疫系统对自身成分的免疫耐受减低或破坏,致使自身抗体或致敏淋巴细胞损伤自身器官组织而引起的疾病。抗核抗体（Antinuclear Antibodies,ANA）作为自身免疫病患者中最常见的一类自身抗体,对相关疾病的分类、鉴别、分型、预测、预后及预防等具有重要的临床意义。传统的ANA检测以手工操作为主,需要人工对荧光显微镜下的ANA图像进行判读,并判断其所属的荧光模式。但该方法耗时耗力,且判读结果受到了主观经验的影响。为了解决ANA荧光模式自动识别的问题,本文在卷积神经网络的基础上,引入了多实例学习方法,并且针对多实例学习方法中存在的问题,制定了相应的改进方案。本文主要工作如下:1.针对ANA荧光模式识别任务,本文引入常用的卷积神经网络模型和最新的针对多标签分类任务的神经网络模型,并分别测试其在ANA数据集上的效果。2.本文创新地为ANA荧光模式识别任务引入多实例学习方法,并将其分为基于包训练的多实例学习方法和基于实例训练的多实例学习方法。实验结果证明了多实例学习方法在ANA数据集上的有效性。3.基于实例训练的多实例学习方法中存在实例标签不可信的问题,这导致模型在训练时受到了噪声的干扰。因此,本文分别从先验知识和实例熵的角度出发,对实例标签可信度加以估计,并将该估计值转换为实例在模型训练时的采样概率。实验结果证明,基于先验知识和基于实例熵的改进方案分别在一定程度上缓解了实例标签不可信的问题,提升了模型的表现。4.基于实例熵的改进方案无法冷启动,而基于先验知识的改进方案比较粗糙,因此本文将这两种方案进行融合。实验结果证明,融合后的方案克服了各自方案中固有的缺点,更好地缓解了实例标签不可信的问题,有效地提升了模型效果。
二、CKrootKit检测的一个实例（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、CKrootKit检测的一个实例（论文提纲范文）
（2）基于网络功能虚拟化的业务优化编排研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.1.1 网络功能虚拟化概述 |
| 1.1.2 业务编排概述 |
| 1.1.3 网络功能虚拟化为业务编排带来的机遇与挑战 |
| 1.2 国内外研究现状 |
| 1.2.1 业务的弹性伸缩问题 |
| 1.2.2 业务的优化部署问题 |
| 1.2.3 业务的可靠性问题 |
| 1.3 研究内容 |
| 1.4 论文结构安排 |
| 第二章 虚拟网络功能集群内缩扩容与流调度的协同优化 |
| 2.1 概述 |
| 2.2 研究背景与动机 |
| 2.2.1 一种经典的NFV系统架构 |
| 2.2.2 现有方案的缺点 |
| 2.2.3 Hieff的设计目标 |
| 2.3 Hieff的设计 |
| 2.3.1 Hieff的系统设计概述 |
| 2.3.2 Hieff的架构 |
| 2.4 优化模型与算法 |
| 2.4.1 Hieff系统的优化模型 |
| 2.4.2 缩扩容与流调度协同优化算法 |
| 2.5 系统部署与实验验证 |
| 2.5.1 原型系统部署 |
| 2.5.2 实验结果 |
| 2.6 本章小结 |
| 第三章 服务链生成、放置与分配的协同优化 |
| 3.1 概述 |
| 3.2 问题描述 |
| 3.2.1 系统模型 |
| 3.2.2 数学建模 |
| 3.3 基于路径长度估计的启发式算法 |
| 3.3.1 算法概述 |
| 3.3.2 放置与分配VNF |
| 3.3.3 生成服务链 |
| 3.4 实验仿真与讨论 |
| 3.4.1 仿真设置 |
| 3.4.2 仿真结果 |
| 3.5 本章小结 |
| 第四章 端到端时延严格保障的服务链优化部署 |
| 4.1 概述 |
| 4.2 研究背景 |
| 4.2.1 网络演算基本概念 |
| 4.2.2 服务链端到端时延组成 |
| 4.3 问题描述 |
| 4.3.1 系统模型 |
| 4.3.2 数学建模 |
| 4.4 服务链端到端时延上限 |
| 4.4.1 基于网络演算计算服务链端到端时延上限 |
| 4.4.2 时延上限准确性验证 |
| 4.5 服务链路由与资源分配算法 |
| 4.5.1 算法概述 |
| 4.5.2 服务链路由 |
| 4.5.3 VNF资源分配 |
| 4.6 实验仿真与讨论 |
| 4.6.1 仿真设置 |
| 4.6.2 仿真结果 |
| 4.7 本章小结 |
| 第五章 资源感知的服务链备份节点优化分配 |
| 5.1 概述 |
| 5.2 研究背景 |
| 5.3 系统模型与问题描述 |
| 5.3.1 系统模型 |
| 5.3.2 RABA-DP问题描述 |
| 5.3.3 RABA-SP问题描述 |
| 5.4 基于差分进化的备份节点优化分配算法 |
| 5.4.1 k_i的边界 |
| 5.4.2 差分进化算法的应用 |
| 5.5 基于贪心的备份节点优化分配算法 |
| 5.6 实验仿真与讨论 |
| 5.6.1 仿真设置 |
| 5.6.2 仿真结果 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录1 主要术语中英文对照表 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（3）基于网络调制的协同目标分割算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于显着性检测的协同分割方法 |
| 1.2.2 基于联合处理的协同分割方法 |
| 1.2.3 基于图的协同分割方法 |
| 1.2.4 基于学习的协同分割方法 |
| 1.2.5 实例级协同目标分割方法 |
| 1.3 论文研究内容 |
| 1.4 论文结构安排 |
| 第二章 相关工作 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积层 |
| 2.1.2 池化层 |
| 2.1.3 激活函数 |
| 2.1.4 全连接层 |
| 2.1.5 反向传播 |
| 2.2 语义分割 |
| 2.3 实例分割 |
| 2.4 网络调制 |
| 2.5 协同显着性目标检测 |
| 2.6 协同目标定位 |
| 第三章 基于网络调制的协同目标分割算法 |
| 3.1 引言 |
| 3.2 网络原理与框架 |
| 3.2.1 空间调制器子网络 |
| 3.2.2 语义调制器子网络 |
| 3.2.3 分割子网络 |
| 3.2.4 总损失函数 |
| 3.3 实验结果与分析 |
| 3.3.1 实验数据与评价指标 |
| 3.3.2 实验参数设置 |
| 3.3.3 实验结果对比与分析 |
| 3.3.4 消融实验分析 |
| 3.4 本章小结 |
| 第四章 基于网络调制的实例级协同目标分割算法 |
| 4.1 引言 |
| 4.2 网络原理与架构 |
| 4.2.1 协同峰值搜索 |
| 4.2.2 协同峰值损失 |
| 4.2.3 亲和力损失 |
| 4.2.4 协同分割损失 |
| 4.2.5 实例掩膜分割 |
| 4.3 实验结果与分析 |
| 4.3.1 实验数据与指标 |
| 4.3.2 实验参数设置 |
| 4.3.3 实验结果对比与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（4）设计模式在外观管理系统中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要工作 |
| 1.4 论文的组织结构 |
| 1.5 本章小结 |
| 2 设计模式的相关理论概述 |
| 2.1 设计模式的概念 |
| 2.2 设计模式的要素 |
| 2.2.1 模式的名称 |
| 2.2.2 模式针对的问题 |
| 2.2.3 解决方案 |
| 2.2.4 效果 |
| 2.3 设计模式的作用 |
| 2.3.1 软件需求的多样性 |
| 2.3.2 修改或替换系统内部算法 |
| 2.3.3 类和对象之间紧密藕合 |
| 2.3.4 方便开发人员交流沟通 |
| 2.4 设计模式的原则 |
| 2.4.1 单一职责原则 |
| 2.4.2 开放-关闭原则 |
| 2.4.3 里氏替换原则 |
| 2.4.4 依赖倒置原则 |
| 2.4.5 接口隔离原则 |
| 2.4.6 迪米特原则 |
| 2.4.7 组合/聚合复用原则 |
| 2.5 设计模式的分类 |
| 2.6 本章小结 |
| 3 外观管理系统的需求分析 |
| 3.1 研发背景 |
| 3.2 业务流程分析 |
| 3.2.1 汽车模型建模流程分析 |
| 3.2.2 外观材料库搭建流程分析 |
| 3.2.3 可视化方案设计流程分析 |
| 3.3 系统功能需求分析 |
| 3.3.1 外观材料库管理员 |
| 3.3.2 可视化专家 |
| 3.3.3 设计工程师 |
| 3.3.4 厂商 |
| 3.4 系统性能需求分析 |
| 3.4.1 实用性分析 |
| 3.4.2 可靠性分析 |
| 3.4.3 安全性分析 |
| 3.4.4 容错性分析 |
| 3.5 本章小结 |
| 4 外观管理系统的设计与实现 |
| 4.1 系统层次结构设计 |
| 4.1.1 分层式系统架构 |
| 4.1.2 MVC模式介绍 |
| 4.1.3 系统各层次逻辑分析 |
| 4.2 系统功能模块设计 |
| 4.3 系统主要功能实现 |
| 4.3.1 外观方案分配模块 |
| 4.3.2 外观设计器分配模块 |
| 4.3.3 导航器模块 |
| 4.3.4 编辑纹理模块 |
| 4.3.5 工作室资料库模块 |
| 4.3.6 纹理库模块 |
| 4.4 系统功能测试 |
| 4.5 本章小结 |
| 5 设计模式在系统中的应用研究 |
| 5.1 应用策略 |
| 5.2 应用分析 |
| 5.2.1 工厂方法模式 |
| 5.2.2 组合模式 |
| 5.2.3 单例模式 |
| 5.3 实验对比分析 |
| 5.3.1 Apdex应用性能指数 |
| 5.3.2 性能指标对比分析 |
| 5.3.3 功能实现对比分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士期间发表的论文及所取得的研究成果 |
| 致谢 |
（5）基于有监督和弱监督学习的异常事件检测研究（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 研究现状与发展趋势 |
| 1.2.1 事件特征提取 |
| 1.2.2 有监督异常事件检测算法 |
| 1.2.3 弱监督异常事件检测算法 |
| 1.3 本文的主要工作及内容安排 |
| 第2章 异常事件检测相关理论基础 |
| 2.1 视频预处理 |
| 2.1.1 数据增强 |
| 2.1.2 前景提取 |
| 2.2 深度学习基本理论 |
| 2.2.1 卷积神经网络 |
| 2.2.2 时空特征提取 |
| 2.2.3 循环神经网络 |
| 2.3 事件分类或异常识别 |
| 2.4 本章小结 |
| 第3章 基于有监督学习的异常事件检测 |
| 3.1 基于YOLO v3+C3D的有监督学习算法 |
| 3.1.1 YOLO v3 目标检测模块 |
| 3.1.2 时空特征提取 |
| 3.1.3 Softmax分类器和Focal Loss损失函数 |
| 3.2 实验及结果分析 |
| 3.2.1 实验数据集及视频预处理 |
| 3.2.2 评估准则 |
| 3.2.3 实验结果 |
| 3.3 本章小结 |
| 第4章 基于弱监督学习的异常事件检测 |
| 4.1 深度多实例学习排序模型 |
| 4.2 改进的弱监督异常事件检测算法 |
| 4.2.1 基于I3D+LSTM的弱监督学习算法 |
| 4.2.2 迁移学习 |
| 4.2.3 损失函数 |
| 4.3 实验结果与分析 |
| 4.3.1 实验数据集 |
| 4.3.2 实验结果 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究方向展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及所取得的研究 |
| 致谢 |
（6）基于实例级别细粒度表示的图像差异描述研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像描述 |
| 1.2.2 图像差异描述 |
| 1.3 论文主要工作和贡献 |
| 1.3.1 主要工作 |
| 1.3.2 主要贡献 |
| 1.4 章节安排 |
| 1.5 本章小结 |
| 第二章 相关理论与技术 |
| 2.1 图像表示技术 |
| 2.1.1 卷积神经网络 |
| 2.1.2 Faster R-CNN |
| 2.2 文本表示技术 |
| 2.2.1 Word2Vec |
| 2.2.2 GloVe |
| 2.3 文本生成技术 |
| 2.3.1 循环神经网络 |
| 2.3.2 长短期记忆网络 |
| 2.4 本章小结 |
| 第三章 基于实例级别细粒度表示的图像差异描述模型研究 |
| 3.1 模型总体结构 |
| 3.2 细粒度特征提取模块 |
| 3.2.1 视觉特征提取 |
| 3.2.2 语义特征提取 |
| 3.2.3 位置特征提取 |
| 3.3 多轮特征融合模块 |
| 3.3.1 双线性注意力网络原理 |
| 3.3.2 多轮特征融合过程 |
| 3.4 基于相似度的差异查找模块 |
| 3.4.1 向量间余弦相似度的计算原理 |
| 3.4.2 图像差异目标定位过程 |
| 3.5 差异描述模块 |
| 3.5.1 自顶向下的注意力LSTM层 |
| 3.5.2 注意力机制 |
| 3.5.3 语言LSTM层 |
| 3.6 本章小结 |
| 第四章 实验及结果分析 |
| 4.1 数据集介绍 |
| 4.1.1 CLEVR-Change数据集 |
| 4.1.2 Spot-the-Diff数据集 |
| 4.1.3 数据分布 |
| 4.2 实验环境 |
| 4.3 参数设置 |
| 4.4 评价指标 |
| 4.5 实验效果对比 |
| 4.5.1 基准模型 |
| 4.5.2 CLEVR-Change数据集实验效果对比 |
| 4.5.3 Spot-the-Diff数据集实验效果对比 |
| 4.6 消融实验 |
| 4.6.1 有无细粒度特征提取模块 |
| 4.6.2 有无边界框聚类 |
| 4.6.3 有无基于相似度的差异查找模块 |
| 4.6.4 不同模态特征融合方式 |
| 4.6.5 图像目标候选区域个数 |
| 4.7 可视化分析 |
| 4.7.1 差异目标定位可视化分析 |
| 4.7.2 细粒度词汇可视化分析 |
| 4.8 案例分析 |
| 4.8.1 消融案例分析 |
| 4.8.2 对比案例分析 |
| 4.8.3 负例分析 |
| 4.9 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 5.3 主要创新点 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文情况 |
（7）基于三维点云的小型植物表型提取研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 研究现状 |
| 1.3 主要研究内容及章节安排 |
| 2 三维点云相关理论及方法 |
| 2.1 三维点云重建方法 |
| 2.2 点云滤波降采样方法 |
| 2.3 点云分割方法 |
| 2.4 点云深度学习理论 |
| 2.4.1 Point Net与 Point Net++点云深度学习网络 |
| 2.4.2 点云目标检测网络 |
| 2.4.3 网络性能评估方法 |
| 2.5 本章小结 |
| 3 基于多目视觉的作物表型参数提取 |
| 3.1 实验材料与多视角图像获取 |
| 3.2 三维点云重建 |
| 3.2.1 基于SFM-MVS方法的植物三维点云模型重建 |
| 3.2.2 不同生长时期作物群体三维重建 |
| 3.2.3 不同分辨率图像的重建效果比较 |
| 3.3 稠密点云预处理 |
| 3.4 群体分割与叶片分割 |
| 3.4.1 黄瓜群体以及叶片器官分割 |
| 3.4.2 其他植株的类比方法验证 |
| 3.4.3 分割误差分析 |
| 3.5 叶表面重建和表型参数计算 |
| 3.6 表型参数提取结果误差分析 |
| 3.7 本章小结 |
| 4 基于深度学习的植物三维点云分割研究 |
| 4.1 点云数据标注与数据集制作 |
| 4.2 三维点云分割网络结构 |
| 4.2.1 主干网络点云特征提取模块 |
| 4.2.2 预测边界框分支 |
| 4.2.3 预测点云mask分支 |
| 4.3 三维点云分割实验过程 |
| 4.3.1 使用不同的主干网络 |
| 4.3.2 基于点云旋转的数据集扩充 |
| 4.3.3 训练环境与参数设置 |
| 4.4 分割结果与精度评估 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间的科研情况和其他获奖情况 |
| 致谢 |
（8）单视觉传感器下的可视化行车安全场研究及实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究内容 |
| 1.2.1 现实场景下的目标检测 |
| 1.2.2 自动驾驶下的实例分割 |
| 1.2.3 自动驾驶中车道分割 |
| 1.3 主要创新点 |
| 1.4 章节结构 |
| 第二章 相关工作 |
| 2.1 引言 |
| 2.2 深度学习下目标检测算法介绍 |
| 2.3 深度学习下分割算法介绍 |
| 2.4 深度学习下车道检测分割算法介绍 |
| 2.5 本章小结 |
| 第三章 基于单目测距的3D目标检测 |
| 3.1 引言 |
| 3.2 基于单目测距的解决思路 |
| 3.2.1 深度离散的单目测距方法 |
| 3.2.2 一阶段的目标检测方法 |
| 3.2.3 3D中心位置估计方法 |
| 3.2.4 3D角点估计方法 |
| 3.3 实验 |
| 3.3.1 实验设置 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 第四章 实时障碍物实例分割 |
| 4.1 引言 |
| 4.2 基于空间离散的实例分割 |
| 4.2.1 实例级/像素级深度估计 |
| 4.2.2 全卷积网络与全连接层 |
| 4.2.3 粗糙掩膜 |
| 4.3 实例分割后处理 |
| 4.3.1 基于实例阈值计算的后处理方法 |
| 4.3.2 基于深度学习的后处理方法 |
| 4.3.3 后处理的可解释性 |
| 4.4 网络加速与硬件移植 |
| 4.5 实验 |
| 4.5.1 实验设置 |
| 4.5.2 实验结果分析 |
| 4.6 本章小结 |
| 第五章 车道线检测与车道分割 |
| 5.1 引言 |
| 5.2 基于实例分割的车道线检测 |
| 5.2.1 车道线像素分割聚类 |
| 5.2.2 车道线中心像素拟合 |
| 5.2.3 障碍物威胁程度分级 |
| 5.3 实验 |
| 5.3.1 实验设置 |
| 5.3.2 实验结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 硕士期间发表的论文 |
| 硕士期间申请的专利 |
| 硕士期间参与的项目 |
| 学位论文评阅及答辩情况表 |
（9）高校学生行为挖掘分析与成绩预测方法研究（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 教育数据挖掘研究现状 |
| 1.2.2 成绩预测模型研究现状 |
| 1.3 研究内容 |
| 1.4 研究路线 |
| 1.5 论文组织结构 |
| 第二章 相关基础理论与技术 |
| 2.1 聚类分析 |
| 2.1.1 聚类的基本概念 |
| 2.1.2 K-means算法简介 |
| 2.1.3 K-means算法的缺点 |
| 2.2 关联规则挖掘 |
| 2.2.1 关联规则基本概念 |
| 2.2.2 关联规则挖掘过程 |
| 2.2.3 关联规则挖掘算法 |
| 2.3 成绩预测 |
| 2.3.1 成绩预测技术方法 |
| 2.3.2 长短期记忆神经网络 |
| 2.4 本章小结 |
| 第三章 多因素改进K-means聚类算法 |
| 3.1 K-means算法改进思路 |
| 3.2 聚类数目的确定 |
| 3.3 K-means算法改进 |
| 3.3.1 迭代过程样本点的分配 |
| 3.3.2 离群点的检测 |
| 3.3.3 初始聚类中心的选取 |
| 3.4 改进算法整体描述及复杂度分析 |
| 3.5 改进算法有效性验证 |
| 3.6 本章小结 |
| 第四章 基于改进聚类算法的学生行为分析 |
| 4.1 行为描述指标体系构建 |
| 4.1.1 数据收集 |
| 4.1.2 数据预处理 |
| 4.1.3 构建行为描述指标 |
| 4.2 学生行为聚类分析 |
| 4.2.1 消费行为聚类分析 |
| 4.2.2 规律生活行为聚类分析 |
| 4.2.3 学习行为聚类分析 |
| 4.3 本章小结 |
| 第五章 基于Apriori算法的学生行为与学习成绩关联规则挖掘 |
| 5.1 关联规则度量指标优化 |
| 5.2 Apriori算法剪枝步优化 |
| 5.3 课程成绩间关联规则挖掘 |
| 5.4 学生行为与学习成绩间关联规则挖掘 |
| 5.5 本章小结 |
| 第六章 基于Attention-Bi LSTM模型的学生成绩预测 |
| 6.1 成绩预测模型构建 |
| 6.1.1 注意力机制分析 |
| 6.1.2 结合注意力机制和Bi LSTM的成绩预测模型 |
| 6.2 实验与分析 |
| 6.2.1 实验数据 |
| 6.2.2 实验环境与度量指标 |
| 6.2.3 实验结果与分析 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（10）基于多实例学习的ANA荧光模式识别（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 ANA荧光模式自动识别 |
| 1.2.2 多实例学习及其在医疗图像领域的应用 |
| 1.3 主要工作和创新点 |
| 1.3.1 主要工作 |
| 1.3.2 创新点 |
| 1.4 论文结构 |
| 第2章 相关理论与技术 |
| 2.1 本章框架 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 批标准化层 |
| 2.2.4 全连接层 |
| 2.2.5 激活函数 |
| 2.2.6 损失函数 |
| 2.3 多实例学习 |
| 2.3.1 多实例学习简介 |
| 2.3.2 多标签多实例学习 |
| 第3章 基于卷积神经网络和多实例学习的基础实验 |
| 3.1 本章框架 |
| 3.2 神经网络模型 |
| 3.2.1 常用神经网络模型 |
| 3.2.2 针对多标签分类任务的神经网络模型 |
| 3.3 多实例学习方法 |
| 3.3.1 基于包训练的多实例学习 |
| 3.3.2 基于实例训练的多实例学习 |
| 3.4 实验与分析 |
| 3.4.1 实验环境 |
| 3.4.2 数据集描述 |
| 3.4.3 实验评价指标 |
| 3.4.4 实验参数设置 |
| 3.4.5 实验结果分析 |
| 3.5 总结 |
| 第4章 基于先验知识的改进 |
| 4.1 本章框架 |
| 4.2 基于实例标签数量的改进 |
| 4.2.1 使用单标签实例 |
| 4.2.2 使用全部实例 |
| 4.3 实验与分析 |
| 4.3.1 实验参数设置 |
| 4.3.2 实验结果分析 |
| 4.4 总结 |
| 第5章 基于实例熵的改进 |
| 5.1 本章框架 |
| 5.2 基于实例熵的数据分析 |
| 5.2.1 理论分析 |
| 5.2.2 可视化分析 |
| 5.3 基于实例熵的两种改进方案 |
| 5.3.1 静态阈值改进方案 |
| 5.3.2 动态采样改进方案 |
| 5.4 实验与分析 |
| 5.4.1 实验参数设置 |
| 5.4.2 实验结果分析 |
| 5.5 总结 |
| 第6章 基于先验知识和实例熵的融合实验 |
| 6.1 本章框架 |
| 6.2 基于先验知识和实例熵的融合策略 |
| 6.3 实验与分析 |
| 6.3.1 实验参数设置 |
| 6.3.2 实验结果分析 |
| 6.3.3 时间复杂度分析 |
| 6.3.4 模型效果可视化 |
| 6.4 总结 |
| 第7章 总结与展望 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
四、CKrootKit检测的一个实例（论文参考文献）
- [1]时态数据质量规则的研究及检测[J]. 黄慧,李海林. 小型微型计算机系统, 2021(07)
- [2]基于网络功能虚拟化的业务优化编排研究[D]. 王泽南. 北京邮电大学, 2021(01)
- [3]基于网络调制的协同目标分割算法研究[D]. 陈晋. 南京信息工程大学, 2021(01)
- [4]设计模式在外观管理系统中的应用研究[D]. 张宇. 中北大学, 2021(09)
- [5]基于有监督和弱监督学习的异常事件检测研究[D]. 彭嘉丽. 中北大学, 2021(09)
- [6]基于实例级别细粒度表示的图像差异描述研究[D]. 梁宇. 广西大学, 2021(12)
- [7]基于三维点云的小型植物表型提取研究[D]. 赖亦斌. 广西师范大学, 2021(10)
- [8]单视觉传感器下的可视化行车安全场研究及实现[D]. 许才溢. 山东大学, 2021(12)
- [9]高校学生行为挖掘分析与成绩预测方法研究[D]. 雷天奇. 西北农林科技大学, 2021(01)
- [10]基于多实例学习的ANA荧光模式识别[D]. 黄琪. 四川大学, 2021