基于深度学习的目标跟踪算法综述论文，参考文献100多篇，权威发布！ 基于深度学习的目标跟踪算法综述论文，参考文献100多篇，权威发布！

传统群智能算法在解决复杂实际多目标优化问题中存在不足，近年来学者提出诸多新型群智能算法，适用性强，在求解复杂实际问题中取得了较好的实验效果。以算法提出时间为主线，对新型群智能算法中细菌觅食优化算法、混合蛙跳算法、人工蜂群算法、萤火虫算法、布谷鸟搜索、果蝇优化算法和头脑风暴优化算法的改进及应用进行分析和综述，并对群智能算法未来的研究发展方向进行了探讨。

近年来的信息学竞赛中，经常需要求一个问题的可行解和最优解，这就是所谓的最优化 问题。贪心法是求解这类问题的一种常用算法。在众多的算法中，贪心法可以算的上是最接近人们日常思维的一种算法，他在各级各类信息学竞赛、尤其在一些数据规模很大的问题求解中发挥着越来越重要的作用。

路径规划是移动机器人的重要研究内容。快速扩展随机树（Rapidly-Exploring Random Tree，RRT）算法因在机器人路径规划中的成功应用，自提出以来就得到了极大的研究与发展。快速扩展随机树作为一种新颖的随机节点采样算法，相对传统路径规划算法，具有建模时间短、搜索能力强、方便添加非完整约束等优点。介绍了快速扩展随机树算法的基本原理与性质，并从单向随机树扩展、多向随机树扩展、其他改进等方面概括了算法的研究现状。最后，展望了算法未来的研究方向与挑战。

本文讲述了mean shift的具体实现方法，及其在图像平滑，分割方面的应用。

特征驱动的关键词提取算法综述

本文来自于个人博客，这篇文章讲述卷积神经网络在图像语义分割（semanticimagesegmentation）的应用。图像分割这项计算机视觉任务需要判定一张图片中特定区域的所属类别。更具体地说，图像语义分割的目标是将图像的每个像素所属类别进行标注。因为我们是预测图像中的每个像素，这个任务通常被称为密集预测（denseprediction）。需要注意的一点是我们不对同一类的实例进行分离;我们只关心每个像素的类别。换句话说，如果输入图像中有两个相同类别的对象，则分割图本身并不一定将它们区分为单独的对象。存在另外一类不同的模型，称为实例分割（instancesegmentation）模型，其将分离

目标检测（Object Detection）是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。从最初 2013 年提出的 R-CNN、OverFeat，到后面的 Fast/Faster R-CNN、SSD、YOLO 系列，再到 2018 年最近的 Pelee。短短不到五年时间，基于深度学习的目标检测技术，在网络结构上，从 two stage 到 one stage，从 bottom-up only 到 Top-Down，从 single scale network 到 feature pyramid network，从面向 PC 端到面向手机端，都涌现出许多好的算法技术，这些算法在开放目标检测数据集上的检测效果和性能都很出色

数字图像语义分割算法：综述

对常用的数据分类算法，做出了小结，查找了大量的文献，属于综述类的文章