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
共找到2,056篇文章
< 1 2 … 103 >
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：
基于深度融合3D与2D卷积网络的步态识别方法
1
作者 王晓路 李晓婷 谭永辉 《现代电子技术》 北大核心 2025年第9期109-115,共7页
为了提取更加丰富的步态特征信息,提出一种融合3D和2D卷积神经网络的步态识别方法。利用3D卷积在时空域提取视频数据中的动态特征,2D卷积在帧级空间域提取静态数据。设计有特殊结构的并行卷积层实现对局部细粒度与整体全局特征的同步提... 为了提取更加丰富的步态特征信息,提出一种融合3D和2D卷积神经网络的步态识别方法。利用3D卷积在时空域提取视频数据中的动态特征,2D卷积在帧级空间域提取静态数据。设计有特殊结构的并行卷积层实现对局部细粒度与整体全局特征的同步提取;引入残差密集模块缓解深层网络在传播过程中产生的梯度消失问题;同时,在帧级特征提取中引入CBAM注意力机制,进一步增强模型对关键信息的感知能力;最后,设计特征映射模块解决序列长度变化问题以及自适应的整合空间信息。实验结果表明,在CASIA-B数据集上的3组不同行走条件下,所提方法的平均步态识别率为92.3%,均高于GaitPart等方法,表明所提方法是可行有效的。 展开更多
关键词 步态识别 卷积神经网络 注意力机制 特征融合 步态轮廓图像 深度学习
在线阅读 下载PDF
基于深度卷积神经网络的雷达伺服转台消隙策略
2
作者 鲍子威 吴影生 房景仕 《雷达科学与技术》 北大核心 2025年第1期101-108,118,共9页
精密雷达伺服转台传动机构会随着装备不断运行使用逐渐磨损,表现为齿隙随着机构的磨损逐渐增大。传统双电机消隙控制策略能够消除齿隙,但该策略需要基于控制经验及装备初始传动机构齿隙一次性配置完成,这会导致随着机构磨损消隙效果逐... 精密雷达伺服转台传动机构会随着装备不断运行使用逐渐磨损,表现为齿隙随着机构的磨损逐渐增大。传统双电机消隙控制策略能够消除齿隙,但该策略需要基于控制经验及装备初始传动机构齿隙一次性配置完成,这会导致随着机构磨损消隙效果逐渐变差,影响雷达跟踪精度。针对此缺陷,本文提出一种基于深度卷积神经网络(DCNN)的精密雷达伺服转台消隙策略,通过采集位置闭环传动轴振动数据,利用连续小波变换(CWT)得到时频图,作为DCNN训练输入,训练后得到识别模型,最后根据模型识别出伺服转台传动机构磨损程度来调整双电机消隙控制的偏置电流和拐点电流,通过对比实验验证了调整后消隙效果优于传统消隙方式,极大提高装备运行的可靠性,降低雷达伺服转台的维护成本。 展开更多
关键词 深度卷积神经网络 精密雷达伺服转台 双电机消隙 可靠性
在线阅读 下载PDF
深度卷积网络下船舶航行遥感影像信息提取方法
3
作者 白磊 张君君 冯乃勤 《舰船科学技术》 北大核心 2025年第8期171-175,共5页
船舶航行遥感影像信息提取中,由于影像摄取面积大且背景复杂,在图像分割阶段,仅依赖于光谱信息而忽略了空间关系,会导致分割结果边缘不连续。为此,提出深度卷积网络下船舶航行遥感影像信息提取方法。通过图像配准对船舶航行遥感影像展... 船舶航行遥感影像信息提取中,由于影像摄取面积大且背景复杂,在图像分割阶段,仅依赖于光谱信息而忽略了空间关系,会导致分割结果边缘不连续。为此,提出深度卷积网络下船舶航行遥感影像信息提取方法。通过图像配准对船舶航行遥感影像展开预处理,考虑空间关系采用WGMM-MRF模型对船舶航行影像进行分割处理,确保分割结果边缘具备连续性。构建深度卷积神经网络,基于深度特征提取和变化区域判别策略,将WGMM-MRF分割后的船舶航行图像作为输入,实现船舶航行遥感影像信息提取。实验结果表明,所提方法的提取精度最高达到了0.93,损失程度最高仅为0.04,具备较高的实际应用价值。 展开更多
关键词 深度卷积神经网络 船舶航行 遥感影像 WGMM-MRF模型
在线阅读 下载PDF
基于深度卷积神经网络的产品无损分级检测方法
4
作者 孙雯 张龙青 《激光杂志》 北大核心 2025年第2期251-256,共6页
为实现自动化生产、优化产品分级,提高生产效率和产品质量控制水平,研究基于深度卷积神经网络的产品无损分级检测方法。依据激光吸收光谱技术原理,设计一种近红外激光吸收光谱采集装置,利用该装置采集待测产品的近红外激光吸收光谱;采用... 为实现自动化生产、优化产品分级,提高生产效率和产品质量控制水平,研究基于深度卷积神经网络的产品无损分级检测方法。依据激光吸收光谱技术原理,设计一种近红外激光吸收光谱采集装置,利用该装置采集待测产品的近红外激光吸收光谱;采用Savitzky-Golay方法对采集到的吸收光谱实施预处理,降低光谱之间的干扰,增强光谱的纯净度与灵敏度;构建包含4层隐含层的深度卷积神经网络模型,将交叉熵作为代价函数,对该网络模型实施反向传播训练,将经过预处理的待测产品近红外激光吸收光谱输入至训练好的深度卷积神经网络模型中,其输出的结果即待测产品的无损分级检测结果。实验表明,该方法可以有效实现产品的无损分级检测,针对不同类型的产品分级识别率可达97%以上,检测耗时最高为1.11 s,其检测效率更高。 展开更多
关键词 近红外激光 吸收光谱 吸光度 图像预处理 深度卷积神经网络 无损分级检测
在线阅读 下载PDF
基于并行深度卷积神经网络的移动通信网突发流量异常检测方法
5
作者 王璇 赵克勤 《长江信息通信》 2025年第2期43-45,共3页
针对当前移动通信网突发流量异常检测存在查全率和交并比较低的问题,无法达到预期的检测效果,提出基于并行深度卷积神经网络的移动通信网突发流量异常检测方法。采用网络爬虫技术爬取通信网突发流量数据,并对其聚合、标识预处理,通过对... 针对当前移动通信网突发流量异常检测存在查全率和交并比较低的问题,无法达到预期的检测效果,提出基于并行深度卷积神经网络的移动通信网突发流量异常检测方法。采用网络爬虫技术爬取通信网突发流量数据,并对其聚合、标识预处理,通过对数据主成分分析降低原始数据维度,采用并行深度卷积神经网络技术对突发流量数据异常特征提取和融合,识别检测到突发异常流量,实现基于并行深度卷积神经网络的移动通信网突发流量异常检测。经实验证明,设计方法查全率在95%以上,可以实现对移动通信网突发流量异常精准检测。 展开更多
关键词 并行深度卷积神经网络 移动通信网 突发 流量 异常检测
在线阅读 下载PDF
基于深度卷积神经网络的泌尿系结石成分输尿管镜图像诊断模型构建
6
作者 陈琼秋 孔祥辉 +4 位作者 陈合益 方崇国 陈武 陈大可 徐晓敏 《浙江临床医学》 2025年第2期243-246,共4页
目的采用深度卷积神经网络(CNN)构建用于诊断泌尿系结石成分的输尿管镜(URS)图像分析模型。方法收集2022年1月至2024年7月本院800例接受泌尿系结石URS手术治疗患者的资料,经过筛选,最终获得2475张高质量URS图像数据,随机分为训练集(70%... 目的采用深度卷积神经网络(CNN)构建用于诊断泌尿系结石成分的输尿管镜(URS)图像分析模型。方法收集2022年1月至2024年7月本院800例接受泌尿系结石URS手术治疗患者的资料,经过筛选,最终获得2475张高质量URS图像数据,随机分为训练集(70%)和测试集(30%)。采用在ImageNet数据集上预训练的Inception v3、ResNet50、AlexNet、VGG 19、DenseNet等网络架构,通过迁移学习技术构建了泌尿系结石成分分析模型。此外,还比较各模型的分类性能,并与泌尿外科医师在术中URS下的评估结果进行对比。结果在训练集和测试集上对构建的泌尿系结石成分URS图像诊断模型进行评估发现,Inception v3、ResNet50、AlexNet、VGG 19、DenseNet模型均具有较高的分类能力。其中Inception v3模型表现最佳,具有最高的准确度(训练集98.10%,测试集98.00%)、AUC值(训练集0.852,测试集0.834)、特异度(训练集82.42%,测试集81.37%)及敏感度(训练集88.36%,测试集86.43%)。一致性检验结果表明,各泌尿系结石成分URS图像诊断模型与医师经验诊断具有较好的一致性,并且Inception v3模型的分类一致性最佳(P<0.001)。结论深度学习技术在泌尿系结石成分诊断中显示出一定的应用潜力。基于CNN构建的泌尿系结石成分URS图像诊断模型具有较好的分类能力,可用于预测泌尿系结石成分。 展开更多
关键词 深度卷积神经网络 泌尿系结石 输尿管镜图像 诊断模型
在线阅读 下载PDF
基于深度卷积神经网络与多源信号的煤岩识别研究
7
作者 李富强 《煤炭技术》 2025年第3期233-238,共6页
煤岩识别是采煤装备自主调高的关键技术,也是实现综采工作面智能化的重要难点,针对低照度噪音大的工作面环境下,给出了一种基于深度卷积神经网络的煤岩识别方法。搭建截割实验台,浇筑不同煤岩硬度的试件,采集截割过程中的三向振动信号... 煤岩识别是采煤装备自主调高的关键技术,也是实现综采工作面智能化的重要难点,针对低照度噪音大的工作面环境下,给出了一种基于深度卷积神经网络的煤岩识别方法。搭建截割实验台,浇筑不同煤岩硬度的试件,采集截割过程中的三向振动信号、截割电机电流信号、声发射信号波形图,基于深度卷积神经网络对信号识别,分析煤岩特性,并通过现场实验进行了验证。实验结果表明:多源信号的组合作为煤岩识别的特征信号泛化性更好,验证了卷积神经网络模型具有较高的识别精度,极大地提高综采工作面的整体辨识精度,能够实现截割过程中煤岩界面的准确、快速识别,该模型的构建为实现综采工作面自动化、智能化开采提供了理论基础和技术前提。 展开更多
关键词 煤岩识别 多源信息融合 深度卷积神经网络
在线阅读 下载PDF
应用深度卷积神经网络的细节模糊图像重建
8
作者 刘青 俞王杨 孙昊宇 《电子设计工程》 2025年第6期183-186,191,共5页
当前细节模糊图像重建方法存在图像清晰度低、图像重建效果差等问题,因此提出应用深度卷积神经网络的细节模糊图像重建方法。利用损失函数对细节模糊图像分辨率进行优化,并根据优化结果调整图像参数。基于图像参数调节,建立细节图像处... 当前细节模糊图像重建方法存在图像清晰度低、图像重建效果差等问题,因此提出应用深度卷积神经网络的细节模糊图像重建方法。利用损失函数对细节模糊图像分辨率进行优化,并根据优化结果调整图像参数。基于图像参数调节,建立细节图像处理的深度卷积神经网络,计算图像重构参数与神经网络状态之间的关系,得到关键特征信息匹配参数计算结果,根据计算结果实现细节模糊图像重建。实验结果表明,应用所提方法重建的图像清晰度在95%以上,重建后细节更加丰富,图像重建效果更好。 展开更多
关键词 深度卷积神经网络 细节模糊图像 图像重建 图像参数调节 匹配参数
在线阅读 下载PDF
基于深度卷积神经网络的建筑施工进度信息集成方法
9
作者 李健 邱坤 《长江信息通信》 2025年第1期70-72,共3页
针对建筑施工进度信息集成中的分类冗余问题,文章提出基于深度卷积神经网络的集成方法。采用RFID标签唯一标识信息单元,避免冗余。通过构建深度卷积神经网络模型,实现动态信息共享。中间件队列和信息类别选择确保实时性。实验证明,该方... 针对建筑施工进度信息集成中的分类冗余问题,文章提出基于深度卷积神经网络的集成方法。采用RFID标签唯一标识信息单元,避免冗余。通过构建深度卷积神经网络模型,实现动态信息共享。中间件队列和信息类别选择确保实时性。实验证明,该方法集成度高、无冗余,适用于复杂施工环境,具有推广价值。 展开更多
关键词 深度卷积神经网络 建筑施工 施工进度 信息集成方法 信息集成编码
在线阅读 下载PDF
融合多小波分解的深度卷积神经网络轴承故障诊断方法 被引量：5
10
作者 陶唐飞 周文洁 +1 位作者 况佳臣 徐光华 《西安交通大学学报》 EI CAS CSCD 北大核心 2024年第5期31-41,共11页
针对卷积神经网络及其与信号降噪预处理集成方法面临高噪声环境和低质量数据挑战时难以有效地提取信号有用特征的问题,提出了一种融合Geronimo-Hardin-Massopust多小波分解的深度卷积神经网络模型(GHMMD-DCNN)。该模型思想是将多小波包... 针对卷积神经网络及其与信号降噪预处理集成方法面临高噪声环境和低质量数据挑战时难以有效地提取信号有用特征的问题,提出了一种融合Geronimo-Hardin-Massopust多小波分解的深度卷积神经网络模型(GHMMD-DCNN)。该模型思想是将多小波包分解与卷积神经网络深度融合,即设计多个一级多小波分解层以提取信号的低频分量和高频分量,再将多个一级多小波分解层与卷积层交替联接,使模型能够多尺度地提取并学习信号有用的时频域信息,信号分解和特征学习交替执行,进而实现强噪声鲁棒特征提取。在不同工况下的航空高速轴承振动数据上进行测试,结果表明:所提模型训练时能够快速达到稳定收敛,并且识别准确率均能达到99.9%以上;提出的方法在强噪声干扰下的故障辨识准确度和识别稳定性均优于对比方法,验证了其优秀的抗噪声干扰能力;在少训练样本测试中,提出的方法在单类训练样本数量为60时的平均诊断准确率高达91.19%,相比于其他方法最低提升了13.19%,验证了GHMMD-DCNN模型具有更优的低样本泛化能力。 展开更多
关键词 多小波分解 卷积神经网络 深度学习 轴承故障诊断
在线阅读 下载PDF
基于改进一维卷积神经网络模型的蛋清粉近红外光谱真实性检测
11
作者 祝志慧 李沃霖 +4 位作者 韩雨彤 金永涛 叶文杰 王巧华 马美湖 《食品科学》 北大核心 2025年第6期245-253,共9页
引入近红外光谱检测技术,构建改进一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)蛋清粉真实性检测模型。该模型基于1D-CNN模型,无需对光谱数据进行预处理;同时在网络中加入有效通道注意力模块和一维全局平均... 引入近红外光谱检测技术,构建改进一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)蛋清粉真实性检测模型。该模型基于1D-CNN模型,无需对光谱数据进行预处理;同时在网络中加入有效通道注意力模块和一维全局平均池化层,提高模型提取光谱特征的能力,减少噪声干扰。结果表明,改进后的EG-1D-CNN模型可判别蛋清粉样本的真伪,对于掺假蛋清粉的检测率可达到97.80%,总准确率(AAR)为98.93%,最低检测限(LLRC)在淀粉、大豆分离蛋白、三聚氰胺、尿素和甘氨酸5种单掺杂物质上分别可达到1%、5%、0.1%、1%、5%,在多掺杂中可达到0.1%~1%,平均检测时间(AATS)可达到0.004 4 s。与传统1D-CNN网络结构及其他改进算法相比,改进后的EG-1D-CNN模型在蛋清粉真实性检测上具有更高精度,检测速度快,且模型占用空间小,更适合部署在嵌入式设备中。该研究可为后续开发针对蛋粉质量检测的便携式近红外光谱检测仪提供一定的理论基础。 展开更多
关键词 蛋清粉 近红外光谱 真实性检测 一维卷积神经网络 深度学习
在线阅读 下载PDF
基于深度卷积网络的二维波达方向估计方法 被引量：1
12
作者 袁野 张伟科 许左宏 《电讯技术》 北大核心 2024年第4期497-503,共7页
为了提高信号波达方向估计技术的实时性和简便性,设计了一种适用于估计均匀圆阵多信号波达方向的深度卷积网络。由阵列观测数据得到的协方差矩阵被当作是包含实部和虚部两个通道的图像,将其当作是卷积神经网络的输入张量,便可以通过训... 为了提高信号波达方向估计技术的实时性和简便性,设计了一种适用于估计均匀圆阵多信号波达方向的深度卷积网络。由阵列观测数据得到的协方差矩阵被当作是包含实部和虚部两个通道的图像,将其当作是卷积神经网络的输入张量,便可以通过训练网络来提取包含在信号协方差矩阵中的波达方向细微特征,从而实现准确快速地同时对多个入射信号的方向进行估计的目的。仿真结果表明,设计的深度卷积网络能够很好地完成二维信号波达方向估计。相比于现有估计方法,卷积网络给出的结果更加精确,且算法相对稳定。因此,提出的深度卷积网络在多目标方位识别与跟踪领域具有潜在的工程应用价值。 展开更多
关键词 均匀圆阵(UCA) 波达方向(DOA)估计 深度卷积网络(dcn) 人工智能 图像分类
在线阅读 下载PDF
基于格拉姆角场与深度卷积生成对抗网络的行星齿轮箱故障诊断 被引量：8
13
作者 古莹奎 石昌武 陈家芳 《噪声与振动控制》 CSCD 北大核心 2024年第1期111-118,共8页
针对行星齿轮箱故障诊断中样本分布不均衡所引起的模型泛化能力差及诊断精度低等问题,采用格拉姆角场图像编码技术和深度卷积生成对抗网络相结合进行数据增强,融合AlexNet卷积神经网络进行故障诊断。将采集到的一维振动信号转化为格拉... 针对行星齿轮箱故障诊断中样本分布不均衡所引起的模型泛化能力差及诊断精度低等问题,采用格拉姆角场图像编码技术和深度卷积生成对抗网络相结合进行数据增强,融合AlexNet卷积神经网络进行故障诊断。将采集到的一维振动信号转化为格拉姆角场图,按比例划分训练集与测试集,将训练集样本与随机向量输入到深度卷积生成对抗网络模型中,交替训练生成器与判别器,达到纳什平衡,生成与原始样本类似的生成样本,从而实现故障样本的增广。用原始样本与生成的增广样本训练卷积神经网络分类模型,完成行星齿轮箱的故障识别。实验结果表明,所提方法能够有效提升样本不均衡条件下的行星齿轮箱故障诊断精度,使之达到99.15%,且能使收敛速度更快。 展开更多
关键词 故障诊断 格拉姆角场 深度卷积生成对抗网络 卷积神经网络 行星齿轮箱
在线阅读 下载PDF
基于卷积神经网络和多标签分类的复杂结构损伤诊断
14
作者 李书进 杨繁繁 张远进 《建筑科学与工程学报》 北大核心 2025年第1期101-111,共11页
为研究复杂空间框架节点损伤识别问题,利用多标签分类的优势,构建了多标签单输出和多标签多输出两种卷积神经网络模型,用于框架结构节点损伤位置的判断和损伤程度诊断。针对复杂结构损伤位置判断时工况多、识别准确率不高等问题,提出了... 为研究复杂空间框架节点损伤识别问题,利用多标签分类的优势,构建了多标签单输出和多标签多输出两种卷积神经网络模型,用于框架结构节点损伤位置的判断和损伤程度诊断。针对复杂结构损伤位置判断时工况多、识别准确率不高等问题,提出了一种能对结构进行分层(或分区)处理并同时完成损伤诊断的多标签多输出卷积神经网络模型。分别构建了适用于多标签分类的浅层、深层和深层残差多输出卷积神经网络模型,并对其泛化性能进行了研究。结果表明:提出的模型具有较高的损伤诊断准确率和一定的抗噪能力,特别是经过分层(分区)处理后的多标签多输出网络模型更具高效性,有更快的收敛速度和更高的诊断准确率;利用多标签多输出残差卷积神经网络模型可以从训练工况中提取到足够多的损伤信息,在面对未经过学习的工况时也能较准确判断各节点的损伤等级。 展开更多
关键词 损伤诊断 卷积神经网络 多标签分类 框架结构 深度学习
在线阅读 下载PDF
卷积循环神经网络的高光谱图像解混方法
15
作者 孔繁锵 余圣杰 +2 位作者 王坤 方煦 吕志杰 《西安电子科技大学学报》 北大核心 2025年第1期142-151,共10页
针对传统的解混方法和基于自编码器的解混网络方法,利用空间信息提升了解混性能,但未深入挖掘和利用光谱特征,而光谱特征和空间信息的有效结合能够进一步提高解混性能,因此,提出了基于双向卷积长短期记忆网络的解混框架。该框架采用创... 针对传统的解混方法和基于自编码器的解混网络方法,利用空间信息提升了解混性能,但未深入挖掘和利用光谱特征,而光谱特征和空间信息的有效结合能够进一步提高解混性能,因此,提出了基于双向卷积长短期记忆网络的解混框架。该框架采用创新性的网络结构设计,通过卷积层深入挖掘空间特征,同时利用卷积长短期记忆单元充分挖掘波段间的光谱变异性及其光谱相关性,有效处理光谱维度的序列信息,从而实现对高光谱数据更加精准和高效的分析。为了更加细致地区分和利用高光谱数据中不同谱段的特异性,采用深度光谱分区方法优化网络输入,通过自适应学习机制对不同光谱区域精细化处理,增强了模型对高光谱数据中复杂光谱关系的捕捉能力,进一步提升网络的解混性能。在模拟和多个真实高光谱数据集上的对比实验表明,该方法在解混精度和模型鲁棒性等方面均优于现有方法,特别是在处理复杂地物光谱特征时,表现出良好的泛化能力和稳定性,能够准确估计端元和丰度。 展开更多
关键词 高光谱图像 循环神经网络 自编码器 卷积长短期记忆网络 深度光谱分区
在线阅读 下载PDF
基于轻量化深度卷积循环网络的MVS方法
16
作者 佘维 孔祥基 +2 位作者 郭淑明 田钊 李英豪 《郑州大学学报（工学版）》 CAS 北大核心 2024年第4期11-18,共8页
针对基于深度学习的MVS方法存在网络参数量大、显存占用较高的问题,提出一种基于轻量化深度卷积循环网络的MVS方法。首先,采用轻量化多尺度特征提取网络提取图像的高层语义特征图,构建稀疏代价体减小计算体积;其次,使用卷积循环网络对... 针对基于深度学习的MVS方法存在网络参数量大、显存占用较高的问题,提出一种基于轻量化深度卷积循环网络的MVS方法。首先,采用轻量化多尺度特征提取网络提取图像的高层语义特征图,构建稀疏代价体减小计算体积;其次,使用卷积循环网络对代价体进行正则化,一次平面扫描完成正则化过程,减少显存占用;最后,通过深度图扩展模块扩展稀疏深度图为稠密深度图,并结合优化算法保证重建精度。在DTU数据集上与最近的方法进行对比,包括传统MVS方法Camp、Furu、Tola、Gipuma,基于深度学习的MVS方法SurfaceNet、PU-Net、MVSNet、R-MVSNet、Point-MVSNet、Fast-MVSNet、GBI-Net、TransMVSNet。实验结果表明:所提方法在精度上与其他方法保持较小差距的前提下,能够将预测时显存开销降低至3.1 GB。 展开更多
关键词 轻量化 深度卷积循环网络 MVS方法 正则化 DTU数据集
在线阅读 下载PDF
融合深度卷积神经网络和Swin Transformer的露天矿遥感图像超分辨率重建
17
作者 聂雅琳 王海军 +1 位作者 石念峰 刘保罗 《金属矿山》 北大核心 2024年第12期240-245,共6页
针对现有露天矿遥感图像超分辨率重建模型提取特征能力弱、特征利用不充分的问题,提出了一种融合深度卷积神经网络和Swin Transformer网络的露天矿遥感图像超分辨率重建方法。首先,利用卷积神经网络和Swin Transformer网络将露天矿遥感... 针对现有露天矿遥感图像超分辨率重建模型提取特征能力弱、特征利用不充分的问题,提出了一种融合深度卷积神经网络和Swin Transformer网络的露天矿遥感图像超分辨率重建方法。首先,利用卷积神经网络和Swin Transformer网络将露天矿遥感图像映射到全局和局部特征空间,充分提取遥感图像的深层特征;然后,构造了一种基于注意力机制的多尺度特征融合网络,实现遥感图像局部和全局特征的深度融合,强化有效特征表达的区分能力;最后,将深度融合特征作为超分辨率解码模块的输入,重建出高分辨率的露天矿遥感图像。通过在自建露天矿区图像数据集和开源数据集上进行测试,试验结果表明:与当前主流的图像超分辨率重建算法相比,所提方法重构出的超分辨率图像具有较好的视觉感知,在均方根误差方面也低于其他对比方法。 展开更多
关键词 露天矿 超分辨率重建 深度卷积神经网络 Swin Transformer
在线阅读 下载PDF
基于深度卷积神经网络的电子玻璃缺陷分类方法
18
作者 李苑 于浩 +5 位作者 金良茂 曹志强 陈家睿 郑际杰 韩高荣 刘涌 《中国建材科技》 CAS 2024年第S01期17-23,共7页
电子玻璃是信息显示产业的关键基础材料之一。近年来,显示产业向大尺寸化、超高清和轻薄化发展,对于电子玻璃基板的质量提出了更高的要求。机器视觉检测具有速度快、精度高、成本低、稳定性好等优点,被广泛应用于各种工业场景中。图像... 电子玻璃是信息显示产业的关键基础材料之一。近年来,显示产业向大尺寸化、超高清和轻薄化发展,对于电子玻璃基板的质量提出了更高的要求。机器视觉检测具有速度快、精度高、成本低、稳定性好等优点,被广泛应用于各种工业场景中。图像处理算法、识别分类算法是机器视觉检测的关键技术。本文针对基于深度卷积神经网络的整图分类方法在电子玻璃表面缺陷检测领域的应用,从图像数据处理、卷积神经网络构建、训练调参、评价标准等方面介绍其研究进展,并总结部分应用实例,对电子玻璃缺陷分类未来的研究方向进行展望。 展开更多
关键词 电子玻璃 机器视觉 深度卷积神经网络 缺陷分类
在线阅读 下载PDF
基于卷积神经网络的深度学习方法对压力性损伤分期的研究
19
作者 陈健 须月萍 +3 位作者 徐晓丹 丁雨 王甘红 王珍妮 《护士进修杂志》 2024年第17期1800-1806,共7页
目的构建和验证用于压力性损伤(pressure injury,PI)自动化分期的深度学习模型。方法从常熟市第一人民医院PI电子化管理系统中选取2021年1月-2023年6月期间的201张图片,将PI分为4期,其中Ⅰ期21张、Ⅱ期41张、高分期101张、深部组织损伤3... 目的构建和验证用于压力性损伤(pressure injury,PI)自动化分期的深度学习模型。方法从常熟市第一人民医院PI电子化管理系统中选取2021年1月-2023年6月期间的201张图片,将PI分为4期,其中Ⅰ期21张、Ⅱ期41张、高分期101张、深部组织损伤38张。使用基于卷积神经网络(Convolutional Neural Network,CNN)框架的DenseNet121、EfficientNet、ResNet101和ResNet50神经网络建立针对PI分期任务的深度学习模型;模型评价指标包括准确率、召回率、精确率、F1值和读片时间。将深度学习模型的读片表现与2位不同年资护士进行比较。最后,对性能最佳的CNN模型进行可解释性分析并对压力性损伤视频进行实时预测。结果4种深度学习模型测试集中DenseNet121展现出较好的准确性(0.895),其次为resnet50(0.816),均高于高年资护士(0.805)和低年资护士(0.756)。同时,所有深度学习模型在测试集中读片用时均<10 s,速度快于护士(均>250 s)。最后,我们使用了梯度加权分类激活映射(Gradient Weighted Class Activation Mapping,Grad-CAM)、SHAP技术,对最优模型DenseNet121进行深入分析,突显出图像中对模型判断影响较大的关键区域,并实现了对PI视频的实时预测。结论在PI风险评估方面,成功地建立了一个表现优于护士人工评估的深度学习模型。此基于计算机视觉的深度学习模型可辅助护士进行更精准的PI分期,揭示了深度学习在临床医学应用中的广阔前景。 展开更多
关键词 深度学习 压力性损伤 人工智能 卷积神经网络
在线阅读 下载PDF
基于动态深度可分离卷积神经网络的管道泄漏孔径识别
20
作者 王秀芳 刘源 李月明 《中国石油大学学报（自然科学版）》 EI CAS CSCD 北大核心 2024年第5期183-189,共7页
针对传统模型为提高管道泄漏检测的精度而导致的模型结构复杂度、参数量和计算量大的问题,提出一种基于动态深度可分离卷积神经网络的管道泄漏孔径识别方法;动态卷积层将提取到的泄漏信号特征经过通道注意力权值计算和动态权值融合,通... 针对传统模型为提高管道泄漏检测的精度而导致的模型结构复杂度、参数量和计算量大的问题,提出一种基于动态深度可分离卷积神经网络的管道泄漏孔径识别方法;动态卷积层将提取到的泄漏信号特征经过通道注意力权值计算和动态权值融合,通过动态深度可分离卷积层获得更强的特征表达能力,利用全局平均池化层降低网络模型参数,通过全连接层识别管道泄漏孔径。结果表明:新方法具有较高的识别精度,克服了传统模型资源开销大、功耗高的问题,降低了模型的训练时间,提升了管道泄漏孔径的识别速度,可用于工业中的管道泄漏程度监测。 展开更多
关键词 泄漏孔径识别 动态深度可分离卷积 轻量化网络 动态卷积
在线阅读 下载PDF
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 2 … 103 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部