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
3
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Order-Aware网络内点筛选网络的电力巡线航拍图像拼接
被引量：
1
1
作者
回立川
李万禹
陈艺琳
《计算机应用》
CSCD
北大核心
2022年第5期1583-1590,共8页
电力巡线图像纹理复杂且具有视差变化,针对传统算法获取成对匹配点数量较少、配准精度较低,严重影响电力巡线无人机图像拼接效果等问题,提出了一种基于改进OANet的图像拼接算法。首先,借助加速“风”(AKAZE)算法对待拼接电力巡线图像进...
电力巡线图像纹理复杂且具有视差变化,针对传统算法获取成对匹配点数量较少、配准精度较低,严重影响电力巡线无人机图像拼接效果等问题,提出了一种基于改进OANet的图像拼接算法。首先,借助加速“风”(AKAZE)算法对待拼接电力巡线图像进行粗匹配;其次,对OANet中Order-Aware模块添加挤压和激励网络(SENet),从而增强网络对局部和全局上下文信息的抓取能力,得到更精确的成对匹配点;然后,通过MPA算法配准待拼接图像;最后,借助内容压缩感知算法计算重叠区域的最佳缝合线以完成图像拼接。改进OANet相较原OANet的正确匹配点数量增加了10%左右,耗时平均增加了10 ms;与APAP算法、AANAP算法、MPA算法等配准拼接算法相比,所提算法的拼接质量最好,其待拼接图像的重叠区域的均方根误差为0,非重叠区域未发生畸变。实验结果表明,所提算法可快速、稳定地拼接电力巡线航拍图像。
展开更多
关键词
电力巡线
图像拼接
OANet
挤压和激励网络
MPA算法
内容压缩感知算法
在线阅读
下载PDF
职称材料
基于多特征融合的食品图像分类
2
作者
叶志鹏
姜枫
《计算机工程》
CAS
CSCD
北大核心
2024年第12期254-264,共11页
随着生活水平的提升,人们对健康饮食的需求与日俱增,食品图像识别成为热门研究课题之一。食品加工和烹饪过程的不同造成了同类食品的形状和颜色存在差异,不同类别的食品也可能会呈现相似的视觉特征,因此食品图像的识别较一般图像识别难...
随着生活水平的提升,人们对健康饮食的需求与日俱增,食品图像识别成为热门研究课题之一。食品加工和烹饪过程的不同造成了同类食品的形状和颜色存在差异,不同类别的食品也可能会呈现相似的视觉特征,因此食品图像的识别较一般图像识别难度更大。为了解决上述问题,提出基于多特征融合的食品图像分类网络MTFNet。首先,将图像的RGB彩色通道数据与局部二值模式(LBP)对应的纹理特征相融合作为骨干挤压和激励网络(SENet)的输入。接着,利用细节注意力模块挖掘不同位置上各通道的权重,进而对各层特征图进行局部增强,提升特征图局部表征能力。然后,利用自注意力机制计算特征图各通道之间的自注意力权重,挖掘特征图间的相关性,提取图像的全局特征。最后,将局部增强特征和全局特征拼接融合后进行图像分类。实验结果表明,在食品图像数据集ETH Food101、ChineseFoodNet和ISIA Food-500上,与目前最佳的多尺度拼图重构网络(MJR-Net)模型相比,MTFNet模型的Top-1准确率分别提高了0.44、1.01和0.66个百分点,取得了更好的识别性能。
展开更多
关键词
食品图像分类
局部二值模式
挤压和激励网络
细节注意力
自注意力
在线阅读
下载PDF
职称材料
基于Seq2point和SERNet的非侵入式负荷分解及识别
被引量：
2
3
作者
程志友
储著增
+2 位作者
杨猛
章杨凡
王林茂
《安徽大学学报（自然科学版）》
CAS
北大核心
2022年第4期38-44,共7页
为了提高负荷的分解及识别准确度,提出基于序列到点(sequence-to-point,简称Seq2point)和挤压与激励的残差网络(squeeze-and-excitation residual network,简称SERNet)的非侵入式负荷分解和识别方法.使用残差网络提取信息,引入注意力机...
为了提高负荷的分解及识别准确度,提出基于序列到点(sequence-to-point,简称Seq2point)和挤压与激励的残差网络(squeeze-and-excitation residual network,简称SERNet)的非侵入式负荷分解和识别方法.使用残差网络提取信息,引入注意力机制挤压和激励网络,对提取的信息进行自适应校准.通过全连接网络映射得到负荷分解结果,进而识别负荷.算例分析结果表明:与其他4种方法比较,该方法有更高的分解及识别准确度.
展开更多
关键词
非侵入式负荷分解
滑动窗口法
序列到点
残差学习
挤压和激励网络
在线阅读
下载PDF
职称材料
题名
基于Order-Aware网络内点筛选网络的电力巡线航拍图像拼接
被引量：
1
1
作者
回立川
李万禹
陈艺琳
机构
辽宁工程技术大学电气与控制工程学院
出处
《计算机应用》
CSCD
北大核心
2022年第5期1583-1590,共8页
基金
辽宁省教育厅科学研究项目(LJ2017QL009)。
文摘
电力巡线图像纹理复杂且具有视差变化,针对传统算法获取成对匹配点数量较少、配准精度较低,严重影响电力巡线无人机图像拼接效果等问题,提出了一种基于改进OANet的图像拼接算法。首先,借助加速“风”(AKAZE)算法对待拼接电力巡线图像进行粗匹配;其次,对OANet中Order-Aware模块添加挤压和激励网络(SENet),从而增强网络对局部和全局上下文信息的抓取能力,得到更精确的成对匹配点;然后,通过MPA算法配准待拼接图像;最后,借助内容压缩感知算法计算重叠区域的最佳缝合线以完成图像拼接。改进OANet相较原OANet的正确匹配点数量增加了10%左右,耗时平均增加了10 ms;与APAP算法、AANAP算法、MPA算法等配准拼接算法相比,所提算法的拼接质量最好,其待拼接图像的重叠区域的均方根误差为0,非重叠区域未发生畸变。实验结果表明,所提算法可快速、稳定地拼接电力巡线航拍图像。
关键词
电力巡线
图像拼接
OANet
挤压和激励网络
MPA算法
内容压缩感知算法
Keywords
power line
inspection image stitching
Order-Aware Network(OANet)
Squeeze-and-Excitation Network(SENet)
Mesh-based Photometric Alignment(MPA)algorithm
content compressed sensing algorithm
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
基于多特征融合的食品图像分类
2
作者
叶志鹏
姜枫
机构
南京理工大学泰州科技学院
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第12期254-264,共11页
基金
江苏省高等学校自然科学研究面上项目(19KJB520038)
江苏省“333人才工程”项目。
文摘
随着生活水平的提升,人们对健康饮食的需求与日俱增,食品图像识别成为热门研究课题之一。食品加工和烹饪过程的不同造成了同类食品的形状和颜色存在差异,不同类别的食品也可能会呈现相似的视觉特征,因此食品图像的识别较一般图像识别难度更大。为了解决上述问题,提出基于多特征融合的食品图像分类网络MTFNet。首先,将图像的RGB彩色通道数据与局部二值模式(LBP)对应的纹理特征相融合作为骨干挤压和激励网络(SENet)的输入。接着,利用细节注意力模块挖掘不同位置上各通道的权重,进而对各层特征图进行局部增强,提升特征图局部表征能力。然后,利用自注意力机制计算特征图各通道之间的自注意力权重,挖掘特征图间的相关性,提取图像的全局特征。最后,将局部增强特征和全局特征拼接融合后进行图像分类。实验结果表明,在食品图像数据集ETH Food101、ChineseFoodNet和ISIA Food-500上,与目前最佳的多尺度拼图重构网络(MJR-Net)模型相比,MTFNet模型的Top-1准确率分别提高了0.44、1.01和0.66个百分点,取得了更好的识别性能。
关键词
食品图像分类
局部二值模式
挤压和激励网络
细节注意力
自注意力
Keywords
food image classification
Local Binary Pattern(LBP)
Squeeze and Excite Network(SENet)
detail attention
self-attention
分类号
TP391.4 [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
基于Seq2point和SERNet的非侵入式负荷分解及识别
被引量：
2
3
作者
程志友
储著增
杨猛
章杨凡
王林茂
机构
安徽大学教育部电能质量研究中心
安徽大学电子信息工程学院
出处
《安徽大学学报（自然科学版）》
CAS
北大核心
2022年第4期38-44,共7页
基金
国家自然科学基金资助项目(61672032)
安徽省科技重大专项(18030901018)。
文摘
为了提高负荷的分解及识别准确度,提出基于序列到点(sequence-to-point,简称Seq2point)和挤压与激励的残差网络(squeeze-and-excitation residual network,简称SERNet)的非侵入式负荷分解和识别方法.使用残差网络提取信息,引入注意力机制挤压和激励网络,对提取的信息进行自适应校准.通过全连接网络映射得到负荷分解结果,进而识别负荷.算例分析结果表明:与其他4种方法比较,该方法有更高的分解及识别准确度.
关键词
非侵入式负荷分解
滑动窗口法
序列到点
残差学习
挤压和激励网络
Keywords
non-intrusive load decomposition
sliding window method
sequence to point
residual learning
squeeze-and-excitation network
分类号
TP18 [自动化与计算机技术—控制理论与控制工程]
TM714 [电气工程—电力系统及自动化]
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Order-Aware网络内点筛选网络的电力巡线航拍图像拼接
回立川
李万禹
陈艺琳
《计算机应用》
CSCD
北大核心
2022
1
在线阅读
下载PDF
职称材料
2
基于多特征融合的食品图像分类
叶志鹏
姜枫
《计算机工程》
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
3
基于Seq2point和SERNet的非侵入式负荷分解及识别
程志友
储著增
杨猛
章杨凡
王林茂
《安徽大学学报（自然科学版）》
CAS
北大核心
2022
2
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
