为帮您进一步了解数学、工程学和计算机科学领域内的热门研究课题，我们为您甄选了这三个领域内三篇有趣的论文。希望这些论文符合您的研究方向，为您提供实际帮助。

🔼Content-Based Image Retrieval and Feature Extraction: A Comprehensive Review, Mathematical Problems in Engineering,Hindawi,https://doi.org/10.1155/2019/9658350

为提高搜索引擎检索数字图像的质量和效率，目前有大量研究着眼于如何减小图像特征表示和人类视觉理解之间的语义缺口。

在Mathematical Problems in Engineering期刊发表的一篇综述中，来自米尔普尔科技大学的Afshan Latif博士和同事评估了基于内容的图像检索（CBIR）的最新发展。他们评估了各类图像检索和图像表示模型的主要方面，从低阶特征提取到最新的语义深度学习方案均有涉及。

作者指出，利用混合的低阶视觉特征，如颜色、纹理、空间布局和形状，能够提高CBIR的性能和图像表示。他们进一步指出，利用深度神经网络在许多数据集上表现出了良好效果。

然而，在对深度网络进行监督训练的过程中，管理大型规模图像数据集不仅难度大，而且非常耗时。因此，作者建议，未来研究可以聚焦非监督学习模式。

阅读Mathematical Problems in Engineering期刊的更多论文👇

Mathematical Problems in Engineering

🔼A Systematic and Meta-Analysis Survey of Whale Optimization Algorithm,Computational Intelligence and Neuroscience,Hindawi,https://doi.org/10.1155/2019/8718571

鲸鱼优化算法（WOA）是一种强大的问题解决工具，应用领域广泛，包括土木工程和自动控制系统。

在Computational Intelligence and Neuroscience期刊发表的一项研究中，苏莱曼尼理工大学的Mohammed博士及其同事开展了一项针对WOA的系统和元分析研究，旨在确定WOA的探索、开发、避免局部极小值的能力和收敛行为。

他们发现，通过设置两个独立阶段——探索和开发，WOA能够实现收敛速度，并通过迭代避面出现局部最优。因此，WOA比许多其他常见的优化算法更具竞争力，如PSO和GSA。

作者还指出，由于现有的WOA修改算法和混合算法数量很多，因此，将每一种新提出的WOA与其他所有类型的优化算法进行对比是不可能的。因此，他们呼吁建立一个面向研究人员的平台，供其上传自己的程序，从而更好地对比不同WOA修改算法和混合算法的能力。

阅读Computational Intelligence and Neuroscience期刊的更多论文👇

Computational Intelligence and Neuroscience

🔼Image-Based Concrete Crack Detection Using Convolutional Neural Network and Exhaustive Search Technique, Advances in Engineering,Hindawi,https://doi.org/10.1155/2019/6520620

在混凝土裂缝检测方面，传统的基于图像的方法需要复杂的图像处理技术。此外，当处理的图像采自受阴影、灰尘和凹凸等影响的混凝土表面时，这些技术的可靠性往往会有所下降。

为克服这些困难，来自大连理工大学的Shengyuan Li和Xuefeng Zhao提出了一种使用深度卷积神经网络（CNN）的基于图像的裂缝检测方法。该研究目前发表在Advances in Civil Engineering期刊上。

通过修改AlexNet，两位研究人员设计了用于裂缝检测的二元分类结果CNN架构，并利用智能手机捕捉的1455张混凝土表面实物图训练、验证和测试了CNN。Li和Zhao确定0.01为最佳基础学习率，这时，CNN可以达到99.06%的最高验证准确率。

该研究证明，CNN可以在不受环境噪声的影响下，成功检测出混凝土表面裂缝。作者同时也指出，未来研究应聚焦更多类型的混凝土条件，从而进一步测试CNN的准确性和鲁棒性。

阅读Advances in Civil Engineering期刊中的更多论文👇

Advances in Civil Engineering

*我们了解期刊层面指标的重要性，这些指标可以帮助我们的作者选择自己的研究发表平台。然而，作为《旧金山科研评估宣言》（DORA）签署方，我们认为不应该将期刊层面的指标作为衡量科研论文质量的替代手段，或者用其来评估科研人员个人的贡献，也不应该将其用作招聘、晋升或者研究资助决策的参考指标。

我们认为，不应该单纯地仅凭借任何一种指标来评价期刊。我们倡导在评价期刊时，对期刊的范围、内容、编辑流程以及期刊和论文层面的指标（如使用量和引用次数）进行综合评估。