期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于动作注意策略的树形DDQN目标候选区域提取方法
1
作者
左国玉
杜婷婷
+2 位作者
马蕾
卢佳豪
龚道雄
《电子与信息学报》
EI
CSCD
北大核心
2019年第3期666-673,共8页
针对机器人在家庭环境下的目标检测问题,该文提出一种基于动作注意策略的树形双深度Q网络(TDDQN)目标候选区域提取的方法,该方法将双深度Q网络(DDQN)的方法与树结构的方法相结合,通过执行改变检测框的动作以使目标逐渐集中在检测框内。...
针对机器人在家庭环境下的目标检测问题,该文提出一种基于动作注意策略的树形双深度Q网络(TDDQN)目标候选区域提取的方法,该方法将双深度Q网络(DDQN)的方法与树结构的方法相结合,通过执行改变检测框的动作以使目标逐渐集中在检测框内。首先采用DDQN方法在执行较少的动作后选择出当前状态的最佳动作,获取符合条件的候选区域。然后根据执行所选择动作之后所得到的状态重复执行上述过程,以此构成树结构的多条"最佳"路径。最后采用非极大值抑制的方法从多个符合条件的候选区域选择出最佳候选区域。在PascalVOC2007以及Pascal VOC2012上的实验结果表明,在不同数量的候选区域、不同阈值的IoU和不同大小以及不同种类对象的实验条件下,所提方法较其他方法都有着更好的检测性能,可以较好地实现目标检测。
展开更多
关键词
目标检测
候选区域
树结构
双深度Q网络
动作注意
在线阅读
下载PDF
职称材料
基于时空-动作自适应融合网络的油田作业行为识别
2
作者
田枫
卫宁彬
+4 位作者
刘芳
韩玉祥
赵玲
张思睿
马贵宝
《智能系统学报》
CSCD
北大核心
2024年第6期1407-1418,共12页
为解决油田作业现场复杂环境对行为识别算法造成干扰而引起的误检、漏检问题,提出一种时空-动作自适应融合网络,用于油田作业现场的人员行为识别。构建的网络首先使用稀疏采样的策略对视频进行处理,再通过特征提取网络进行特征提取,其...
为解决油田作业现场复杂环境对行为识别算法造成干扰而引起的误检、漏检问题,提出一种时空-动作自适应融合网络,用于油田作业现场的人员行为识别。构建的网络首先使用稀疏采样的策略对视频进行处理,再通过特征提取网络进行特征提取,其核心模块分别为时空注意力模块、动作强化模块和自适应特征融合模块。时空注意力模块完成特征的时空重要性再分配,建立不同帧之间的时间关联;动作强化模块完成背景的弱化、人体动作的强化,使模型聚焦于人体动作;特征融合模块在二者并行特征强化后进行自适应特征融合,最终通过全连接层和Softmax层来实现行为的分类。为验证所提网络的效果,分别在公共数据集和油田自制数据集上将所提模型与经典网络进行对比,UCF101数据集上的Top-1准确率相较于SlowOnly(SlowFast模型的Slow分支)和TSM(temporal shift module)分别提升了3.33%和1.61%,HMDB51数据集上的Top-1准确率相较于SlowOnly和TSM分别提升了8.56%和1.83%,在油田自制数据集上与TSN(temporal segment network)、TSM、SlowOnly进行对比,结果显示所提模型准确率得到大幅提升,验证了时空-动作自适应融合网络在油田作业现场环境下的有效性,更适用于油田作业环境下的行为识别任务。
展开更多
关键词
行为识别
ResNet50
注意
力机制
油田作业
特征融合
时空
注意
力
动作注意
力
复杂场景
在线阅读
下载PDF
职称材料
题名
基于动作注意策略的树形DDQN目标候选区域提取方法
1
作者
左国玉
杜婷婷
马蕾
卢佳豪
龚道雄
机构
北京工业大学信息学部
北京市计算智能与智能系统重点实验室
出处
《电子与信息学报》
EI
CSCD
北大核心
2019年第3期666-673,共8页
基金
国家自然科学基金(61873008)
北京市自然科学基金(4182008)
北京工业大学智能制造领域大科研推进计划~~
文摘
针对机器人在家庭环境下的目标检测问题,该文提出一种基于动作注意策略的树形双深度Q网络(TDDQN)目标候选区域提取的方法,该方法将双深度Q网络(DDQN)的方法与树结构的方法相结合,通过执行改变检测框的动作以使目标逐渐集中在检测框内。首先采用DDQN方法在执行较少的动作后选择出当前状态的最佳动作,获取符合条件的候选区域。然后根据执行所选择动作之后所得到的状态重复执行上述过程,以此构成树结构的多条"最佳"路径。最后采用非极大值抑制的方法从多个符合条件的候选区域选择出最佳候选区域。在PascalVOC2007以及Pascal VOC2012上的实验结果表明,在不同数量的候选区域、不同阈值的IoU和不同大小以及不同种类对象的实验条件下,所提方法较其他方法都有着更好的检测性能,可以较好地实现目标检测。
关键词
目标检测
候选区域
树结构
双深度Q网络
动作注意
Keywords
Object detection
Region proposal
Tree structure
Double Deep Q Network (DDQN)
Action attention
分类号
TP242 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
基于时空-动作自适应融合网络的油田作业行为识别
2
作者
田枫
卫宁彬
刘芳
韩玉祥
赵玲
张思睿
马贵宝
机构
东北石油大学计算机与信息技术学院
出处
《智能系统学报》
CSCD
北大核心
2024年第6期1407-1418,共12页
基金
黑龙江省自然科学基金项目(LH2021F004).
文摘
为解决油田作业现场复杂环境对行为识别算法造成干扰而引起的误检、漏检问题,提出一种时空-动作自适应融合网络,用于油田作业现场的人员行为识别。构建的网络首先使用稀疏采样的策略对视频进行处理,再通过特征提取网络进行特征提取,其核心模块分别为时空注意力模块、动作强化模块和自适应特征融合模块。时空注意力模块完成特征的时空重要性再分配,建立不同帧之间的时间关联;动作强化模块完成背景的弱化、人体动作的强化,使模型聚焦于人体动作;特征融合模块在二者并行特征强化后进行自适应特征融合,最终通过全连接层和Softmax层来实现行为的分类。为验证所提网络的效果,分别在公共数据集和油田自制数据集上将所提模型与经典网络进行对比,UCF101数据集上的Top-1准确率相较于SlowOnly(SlowFast模型的Slow分支)和TSM(temporal shift module)分别提升了3.33%和1.61%,HMDB51数据集上的Top-1准确率相较于SlowOnly和TSM分别提升了8.56%和1.83%,在油田自制数据集上与TSN(temporal segment network)、TSM、SlowOnly进行对比,结果显示所提模型准确率得到大幅提升,验证了时空-动作自适应融合网络在油田作业现场环境下的有效性,更适用于油田作业环境下的行为识别任务。
关键词
行为识别
ResNet50
注意
力机制
油田作业
特征融合
时空
注意
力
动作注意
力
复杂场景
Keywords
behavior recognition
ResNet50
attention mechanism
oilfield operation
feature fusion
spatio-temporal attention
action attention
complex scenes
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于动作注意策略的树形DDQN目标候选区域提取方法
左国玉
杜婷婷
马蕾
卢佳豪
龚道雄
《电子与信息学报》
EI
CSCD
北大核心
2019
0
在线阅读
下载PDF
职称材料
2
基于时空-动作自适应融合网络的油田作业行为识别
田枫
卫宁彬
刘芳
韩玉祥
赵玲
张思睿
马贵宝
《智能系统学报》
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
