图像检索研究论文

医学影像毕业论文题目很多的，原创的最好。我写的《基于PACS的网络教学在医学影像学实习中的应用》，当时也是雅文网的专家帮忙弄的，一周就过了CT/MRI医学影像分割算法研究基于IHE的医学影像协作网的构建研究基于DICOM标准的医学影像数据库的建立多模态医学影像鲁棒配准方法研究医学影像学课程网络CAI教学系统的分析与设计医学影像数据库的图像检索技术应用研究基于PACS的医学影像学网络教学软件的开发研究基于Retinex理论的X射线医学图像算法的改进与应用医学影像图像分割与存储若干问题的研究医学影像三维可视化系统设计及关键技术研究OCT医学影像血管分割与三维重建关键技术研究PACS医学影像文件存储方法的研究医学影像二维处理及三维重建系统的研究与实践医学影像设备维护与管理技术的研究医学影像三维重建的算法研究及应用DICOM医学影像自适应显示技术的研究与实现医学影像后处理技术的研究及其在X线影像优化中的应用基于LBM的三维医学影像非刚体配准算法研究嵌入式医学影像平台设计研究医学影像按需打印系统关键技术研究多模态医学影像融合方法研究DICOM标准下医学影像数据库的建立与研究基于语义的图像检索技术在医学影像系统中的研究与应用基于核匹配追踪的医学影像辅助诊断基于几何代数理论的医学图像配准研究医学影像的数字化采集与存储基于Level Set的医学影像分割面向医学影像处理领域的软件框架研究与应用随机森林在医学影像数据分析中的应用医学影像处理及三维重建技术在医学TPS中的应用

视觉关系识别/检测 任务不仅需要识别出图像中的物体以及他们的位置（detection），还要识别物体之间的关系（relationship）。例子如下图所示，输入为一张图片，输出为objects和bounding boxes，以及objects之间的关系，如。

视觉关系识别是图像理解的基础，可以 应用 在

挑战：

这篇文章将整理与视觉关系相关的论文，并作简要的介绍。论文列表：

第一篇是比较经典的论文，提出了一个数据集VRD和一个结合语言先验的关系预测模型。

Visual Phrases只有13个类型，Scene Graph 有两万多关系，但是它平均每个对象只有大约2个谓词关系。除了这三个数据集，还有有名的 VIsual Genome 大数据集，包含99658张图片，19237个关系，标注了物体类型，位置，属性和物体间的关系（场景图），还有caption，qa。虽然数据量大了，但是数据集的标注还是会有一些没有被标注的，毕竟组合多。

思考：论文利用了语言先验word embedding，对预测起到了很大的帮助，但是先验知识可能会使得关系预测倾向于频繁的关系，而忽略了视觉方面的信息。一个解决方案是先预训练视觉模型。然而，真正合理的融合先验的方式我觉得不是简单的乘法（先验可能会误导），是一个思考的点。

**Motivation: **这篇论文的启发是来源于知识图谱中，使用转移向量（translation vector）来表示实体之间的关系（见 Trans系列的知识表示 ）。在视觉关系中，通过将对象的视觉特征映射到低维的关系空间中，然后用对象间的转移向量来表示对象之间的关系，比如person+ride=bike。如下图所示：

所以为了让 能够接近 ，即相似，loss函数为

在实验中，单从在VRD数据集上的predicate预测，与上一篇论文Lu对比是没有提升的（44<47），这是这篇论文中没有说明的，是我从两篇论文的实验数据中发现的。这篇论文在另外两个任务上效果比Lu的好些，我觉得有可能是用了Faster RCNN的缘故。 除了这三个任务的实验对比，还加了图像检索，zero-shot关系检测（没有Lu的好），特征重要性分析的实验。实验也表明了关系检测任务对目标检测任务的准确率的提升，不过其实很少。

更多相关的可参考原论文。

思考：论文用TransE来表示关系空间中对象与predicate的关系，如何映射到关系空间，更好的表达对象的联系，甚至predicate间的关系，是值得研究的一个点。（比如结合语言先验等，因为我觉的它的效果其实应该比不上加了语言先验的）

这篇论文跟上一篇论文类似，都是将中的subject和object映射到一个空间中，他们间的关系表示为 .上一篇是基于知识图谱embedding的TransE（NIPS2013，Translating embeddings for modeling multi-relational data），而这一篇是基于TransD（ACL2015，Knowledge graph embedding via dynamic mapping matrix）。这是一个研究的方向，怎么将object，relationship很好的在embedding空间中表示。 论文的整个框架如图：

思考：这也是篇关于投射对象和关系到另一空间的论文，不过任务稍有不同，效果也比上一篇好些。同上，embedding也是可研究的一个方向。

这篇论文使用场景图scene graph来建模图片中对象以及它们的关系，任务是生成场景图：

这篇论文的亮点就是利用上下文信息以及消息传递，迭代更新以更好地预测关系。这是一个在场景图层级上的新的预测关系的方式，其消息传递方法等都是可以改进的地方，甚至结合embedding。

这篇论文的主要贡献是使用因式分解的方法来得到信息先验（a factorization scheme that yields highly informative priors），也就是关系的先验分布，即两个object间的predicate分布。 这个分布是通过张量分解的方法得到，具体是： （1） 张量构建Tensorize ：关系张量 , i, j是对象，k是关系，表示为关系k的矩阵 的堆叠，每一个值对象i, j在数据集中有关系k的次数。张量表示可以反映objects间的内在联系，关系分布等。

最后BP训练SG网络，θ设为0.2. 在实验中，论文对比了Lu的Visual Relationship Detection with Language Priors，和Xu的Scene Graph Generation by Iterative Message Passing，都有较好的提升。

思考：这篇论文通过张量分解的方式来得到关系的先验分布，与论文Visual Relationship Detection with Language Priors用到的语言先验有着异曲同工之处，都是用predicate的先验分布来调整网络预测的关系，提升zero shot能力。 不过我认为这种直接相乘的调整方式是比较粗糙的，需要更好的方式来融合先验分布与视觉上预测的分布。

这是一篇用场景上下文信息和实体间的关系来改进目标检测的论文，举个被错误检测的例子说明上下文的作用：

这篇论文做的任务不是关系预测，而是利用关系来消歧关系中的相同类的对象，其实是根据关系元组，来定位对象的位置。比如下图中需要确定人踢球是图中的哪个人，在什么位置。

论文首先用attention到对象object/subject，然后用predicate的卷积核来进行注意力的shift，同时object和subject需要结合。

这又是李飞飞团队做的工作（他们团队做了很多relationship相关的工作，语言先验那篇，迭代消息传递那篇等），做的是语句生成图像，利用了场景图表示语句中对象间的关系/联系，一个很有趣的研究，应该是第一个使用场景图的图像生成尝试了。

Sentence一般包含多个对象，以及对象间关系的描述，是比较复杂的，从上图也可以看出，直接从语句到图像效果是很差的。但是当我们把语句解析为场景图，然后再生成图像，可以更好的生成图像表示对象间的关系。 具体做法大致是根据场景图做布局预测 (layout prediction) 预测对象的位置，最后结合噪声，用生成网络生成图像。具体细节这里就不啰嗦了，列一下最终效果吧。

可以看出，对象的位置基本位于正确的位置，不过生成的图像质量不是很高，所以还是有很大的改进空间的。

这篇论文是Arxiv上今年7月份的论文，利用图像中的对象间的关系和对象属性，做QA任务。关系挖掘根据图像和问题得到一系列相关的fact——关系，对象属性，然后再attention到需要的fact上，联合视觉特征最后得到最终answer。

思考：这种提取fact的方法为QA提供了高层的语义信息，也符合人的思维方式。相比于我之前调研过的方法（ 一文带你了解VQA ），可以认为这是知识的补充，之前的方法有的是只有类，属性信息，或者是额外的文本形式的知识，本论文的方法多了关系的检测，且用一个网络来提取高层语义用于QA，相比直接做数据增强更具解释性。不过论文没有用到那个bottom-up attention，这是我觉得可以改进的地方。

至此，有关VIsual Ralationship的相关问题，方法大家应该有个大致的了解和收获。有什么问题和想法欢迎一起交流学习。

本文的研究目的在于结合康泰医学进行医疗器械国际市场营销的实践，解析我国医疗器械企业所处的国际市场环境、竞争态势、分析把握市场机遇，为其进行国际市场营销提供客观依据。文章通过对康泰医学医疗器械国际市场营销策略的研究，分析其在国际市场营销过程中存在的不足，并对存在的问题提出可行性解决建议。根据文章特点，本文采取调查研究和资料分析、定性分析与定量分析、理论分析与实证分析相结合的研究方法。首先，本文详细阐述了市场营销相关理论，包括市场细分理论、目标市场定位、市场营销组合、SWOT分析等内容，这是进行本课题研究的理论和方法基础。其次，在深入分析国际医疗器械市场状况和市场竞争态势的基础上，阐述了康泰医学医疗器械国际市场营销策略，采用SWOT方法分析康泰医学在不同细分市场的优势、劣势、面临的机会与威胁。再次，文章调查医疗器械国际市场的概况，详细分析其市场竞争情况的基础上，详细研究其在国际市场采取的市场营销组合策略，具体包括：产品策略、定价策略、渠道策略和促销策略。最后，根据康泰医学在各目标市场采取的营销策略以及企业自身的特点，分析其在国际市场营销过程中的不足，分析其存在的问题并提出解决的建议，来保障其国际市场营销策略的实施。[1] 李燕静. 浅析我国医疗器械行业发展状况及其建议[J]. 中国外资. 2013(07)[2] 方海玲. 我国医疗器械市场现状分析与市场营销[J]. 安徽科技. 2012(12)[3] 刘娟. 高效的营销稽查监控体系构建探索[J]. 中国电力教育. 2012(36)[4] 方天成. 医疗器械行业的发展现状及其趋势分析[J]. 商业文化(下半月). 2012(11)[5] 余玉华,姚宝峰. 论国际市场营销环境下的企业如何做好危机营销[J]. 商场现代化. 2012(27)[6] 王远. 国际市场营销中的跨文化元素探索[J]. 中国集体经济. 2012(16)[7] 章昌裕. 中国入世十年成就回顾与前景展望[J]. 对外经贸. 2012(01)[8] 赵林晶. 浅谈中国产品在国际市场上的营销策略[J]. 现代商业. 2012(03)[9] 李俊伟,韩冰. 现代企业的营销服务意识与品牌战略对策[J]. 现代商业. 2011(07)[10] 黄志红,刘伟华. 国际市场营销风险的评价[J]. 统计与决策. 2011(03)