检索结果-维普期刊中文期刊服务平台

IRS辅助MU-MISO系统中基于深度残差学习的信道估计: 1; 作者陈发堂朱鹏云 +1 位作者杨涛孙宸《电讯技术》北大核心 2024年第7期1079-1087,共9页; 针对智能反射表面辅助多用户通信系统中传统信道估计方法性能下降的问题,将信道估计问题转化为信道去噪问题,利用深度残差学习方法学习残差噪声,从含噪导频信号中恢复信道系数。同时为提升信道估计精度,设计信道估计网络进一步提升去噪... 展开更多; 关键词 MU-MISO系统智能反射面信道估计深度残差学习扩张卷积; 在线阅读下载PDF 职称材料

基于深度残差学习的彩色图像去噪研究被引量：8: 2; 作者王晓红刘芳麻祥才《包装工程》 CAS 北大核心 2019年第17期235-242,共8页; 目的当噪声存在时,尤其是等级相对较大的噪声,会导致彩色图像的视觉质量下降,为了有效去除噪声的同时使去噪后的图像有更好的视觉效果,提出一种基于深度残差学习的彩色图像去噪方法。方法首先设计由多个残差单元模块组成的残差层,然后... 展开更多; 关键词图像去噪深度残差学习残差单元模块去噪方法; 在线阅读下载PDF 职称材料

基于深度残差学习的自动驾驶道路场景理解被引量：6: 3; 作者宋锐施智平 +2 位作者渠瀛邵振洲关永《计算机应用研究》 CSCD 北大核心 2019年第9期2825-2829,2871,共6页; 随着道路场景理解技术的快速发展,自主驾驶领域取得了长足的进步。在相关任务中,包括道路分割、分类和车辆检测的实时性和准确性是安全性的一个关键问题。为此,提出了一个具有编/解码器网络结构的基于深度残差学习的方法。一方面,编码... 展开更多; 关键词道路场景理解深度残差学习编/解码器结构全卷积网络; 在线阅读下载PDF 职称材料

基于信息修正的深度残差学习被引量：1: 4; 作者谢烟平谭晓阳《数据采集与处理》 CSCD 北大核心 2020年第3期441-448,共8页; 提出了一种新的深度残差网络的拓展模块,有效提高了学习表示的鲁棒性。所提出的方法是一个简单的即插即用模块,即组卷积式编码-解码结构,它可以作为一个额外的信息过滤部件集成到原来的深度残差网络中。利用编码器的下采样来产生信息压... 展开更多; 关键词深度残差学习深度神经网络机器学习信息修正; 在线阅读下载PDF 职称材料

基于语义分割和融合残差U⁃Net的单视光学遥感影像三维重建方法被引量：2: 5; 作者黄桦朱宇昕 +3 位作者章历陈志达张乙志王博《数据采集与处理》 CSCD 北大核心 2024年第2期348-360,共13页; 从单视遥感图像进行三维重建本身是一个解不唯一的非适定问题,往往需要大量的人工经验来补充缺失信息以构建完整三维模型。为了解决这一问题,提出了一种基于语义分割和融合残差U-Net的单视遥感影像三维重建方法。该方法包括语义分割和... 展开更多; 关键词语义分割深度残差学习融合残差U-Net 单视三维重建; 在线阅读下载PDF 职称材料

题名IRS辅助MU-MISO系统中基于深度残差学习的信道估计: 1; 作者陈发堂朱鹏云杨涛孙宸; 机构重庆邮电大学通信与信息工程学院中国人民解放军; 出处《电讯技术》北大核心 2024年第7期1079-1087,共9页; 基金重庆市自然科学基金面上项目(cstc2021jcyj-msxmX0454)。; 文摘针对智能反射表面辅助多用户通信系统中传统信道估计方法性能下降的问题,将信道估计问题转化为信道去噪问题,利用深度残差学习方法学习残差噪声,从含噪导频信号中恢复信道系数。同时为提升信道估计精度,设计信道估计网络进一步提升去噪性能。网络主体包含两个模块:拼接信息保留模块将每一层卷积输出相融合,防止信道特征丢失,有效提取信道噪声的主体特征;扩张卷积稀疏模块通过扩大感受野范围获得信道的重要结构和细节特征,恢复信道噪声的边缘细节特征。仿真结果表明,归一化均方误差约等于0.45时,所提方法在不明显增加复杂度情况下,相比于线性最小均方误差算法获得3.7 dB的信噪比增益,更为接近最小均方误差信道估计器的性能,表现出了更好的性能和可用性。; 关键词 MU-MISO系统智能反射面信道估计深度残差学习扩张卷积; Keywords MU-MISO system intelligent reflective surface channel estimation deep residual learning extended convolution; 分类号 TN929.5 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名基于深度残差学习的彩色图像去噪研究被引量：8: 2; 作者王晓红刘芳麻祥才; 机构上海理工大学上海出版印刷高等专科学校; 出处《包装工程》 CAS 北大核心 2019年第17期235-242,共8页; 基金上海市自然科学基金(16ZR1422800) “基于柔印产品特性的智能化印前图像处理”招标课题(ZBKT201809) 上海市教育发展基金会和上海市教育委员会“晨光计划”(18CGB09); 文摘目的当噪声存在时,尤其是等级相对较大的噪声,会导致彩色图像的视觉质量下降,为了有效去除噪声的同时使去噪后的图像有更好的视觉效果,提出一种基于深度残差学习的彩色图像去噪方法。方法首先设计由多个残差单元模块组成的残差层,然后在每个残差单元模块之间添加跳跃连接,构成由噪声图像到去噪图像的非线性映射,并优化残差单元个数,使网络能学习到更多的图像细节特征,以提升网络的去噪性能,同时将每个残差单元模块中的激活函数提到卷积层前面,以加速网络收敛。结果与常用去噪算法相比,文中方法在Kodak24和CBSD100数据集上的主观视觉打分MOS值以及客观指标(PSNR和SSIM)上,较其他方法有更好的效果。结论提出的基于深度残差学习的彩色图像去噪方法能有效去除图像中的噪声,尤其是较严重的噪声,并取得了良好的视觉效果,表明该方法具有良好的去噪性能。; 关键词图像去噪深度残差学习残差单元模块去噪方法; Keywords image denoising depth residual learning residual unit module denoising method; 分类号 TS801.3 [轻工技术与工程]; 在线阅读下载PDF 职称材料

题名基于深度残差学习的自动驾驶道路场景理解被引量：6: 3; 作者宋锐施智平渠瀛邵振洲关永; 机构首都师范大学信息工程学院成像技术北京市高精尖创新中心首都师范大学信息工程学院轻型工业机器人与安全验证北京市重点实验室田纳西大学诺克斯维尔分校工程学院; 出处《计算机应用研究》 CSCD 北大核心 2019年第9期2825-2829,2871,共6页; 基金国家自然科学基金资助项目(61702348,61772351,61572331,61472468,61602325) 国家科技支撑计划资助项目(2015BAF13B01) +2 种基金北京市科委项目(Z141100002014001) 北京市属高等学校创新团队建设与教师职业发展计划项目(IDHT20150507); 文摘随着道路场景理解技术的快速发展,自主驾驶领域取得了长足的进步。在相关任务中,包括道路分割、分类和车辆检测的实时性和准确性是安全性的一个关键问题。为此,提出了一个具有编/解码器网络结构的基于深度残差学习的方法。一方面,编码器网络结构使用不同层次的残差网络来提取高维中的抽象特征,这些特征在接下来的三个任务中共享使用;另一方面,解码器网络结构采用一种子任务的并行计算机制,即道路分割、车辆检测和道路分类任务同时执行。此外,全卷积神经网络用于对提取的图像特征进行上采样以解决道路分割问题。最终,实验结果表明在保证高精度的前提下处理帧率可达到15 fps以上。; 关键词道路场景理解深度残差学习编/解码器结构全卷积网络; Keywords road scene understanding deep residual learning encoder-decoderstructure fully convolutional networks; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于信息修正的深度残差学习被引量：1: 4; 作者谢烟平谭晓阳; 机构南京航空航天大学计算机科学与技术学院模式分析与机器智能工业和信息化部重点实验室软件新技术与产业化协同创新中心; 出处《数据采集与处理》 CSCD 北大核心 2020年第3期441-448,共8页; 基金国家自然科学基金(61672280,61373060,61732006)资助项目江苏省333高层次人才培养工程(BRA2017377)资助项目。; 文摘提出了一种新的深度残差网络的拓展模块,有效提高了学习表示的鲁棒性。所提出的方法是一个简单的即插即用模块,即组卷积式编码-解码结构,它可以作为一个额外的信息过滤部件集成到原来的深度残差网络中。利用编码器的下采样来产生信息压缩过的特征图,解码器模块被驱动以产生激活准确的特征图,其能够突出显示输入图片中最具有判别力的区域,最后通过元素级相加和激活操作对输入特征进行信息修正。为了使设计的模型计算更加高效,通过减少残差分支的通道数来探究其轻量级版本的表现,发现并没有明显的性能下降现象。在各种基于残差网络的架构上进行实验,获得了一致性的性能提高,而且付出的计算代价与原始版本相比差别不大,甚至还低。; 关键词深度残差学习深度神经网络机器学习信息修正; Keywords deep residual learning deep neural network machine learning information refinement; 分类号 TP311 [自动化与计算机技术—计算机软件与理论]; 在线阅读下载PDF 职称材料

题名基于语义分割和融合残差U⁃Net的单视光学遥感影像三维重建方法被引量：2: 5; 作者黄桦朱宇昕章历陈志达张乙志王博; 机构浙江省测绘科学技术研究院南京航空航天大学航天学院浙江艺佳地理信息技术有限公司绍兴市上虞区自然资源监测中心; 出处《数据采集与处理》 CSCD 北大核心 2024年第2期348-360,共13页; 基金浙江省基础公益研究计划(LTGS23D010003)。; 文摘从单视遥感图像进行三维重建本身是一个解不唯一的非适定问题,往往需要大量的人工经验来补充缺失信息以构建完整三维模型。为了解决这一问题,提出了一种基于语义分割和融合残差U-Net的单视遥感影像三维重建方法。该方法包括语义分割和单视遥感影像高度估计两个阶段。语义分割阶段使用U-Net确定地物属性,在此基础上改进U-Net对遥感影像进行高度估计,并联合语义特征进行锚定高度回归以提高重建精度。针对改进U-Net,通过嵌入不同数量与通道的残差块,强化编码器的特征提取能力,并修改解码器输出层使其适应于高度回归任务,从而实现逐像素预测遥感影像的数字表面模型(Digital surface model,DSM)高度值。在公开的US3D数据集上得到了均方根误差(Root mean square error,RMSE)为2.751 m、平均绝对误差(Mean absolute error,MAE)为1.446 m的结果,重建结果均优于其余网络,证实该方法实现了基于单视遥感影像的三维估计,能够重建地物的分布结构。; 关键词语义分割深度残差学习融合残差U-Net 单视三维重建; Keywords semantic segmentation deep residual learning residual U-Net fusion single-view 3D reconstruction; 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	IRS辅助MU-MISO系统中基于深度残差学习的信道估计	陈发堂朱鹏云杨涛孙宸	《电讯技术》北大核心	2024	0	在线阅读下载PDF 职称材料
2	基于深度残差学习的彩色图像去噪研究	王晓红刘芳麻祥才	《包装工程》 CAS 北大核心	2019	8	在线阅读下载PDF 职称材料
3	基于深度残差学习的自动驾驶道路场景理解	宋锐施智平渠瀛邵振洲关永	《计算机应用研究》 CSCD 北大核心	2019	6	在线阅读下载PDF 职称材料
4	基于信息修正的深度残差学习	谢烟平谭晓阳	《数据采集与处理》 CSCD 北大核心	2020	1	在线阅读下载PDF 职称材料
5	基于语义分割和融合残差U⁃Net的单视光学遥感影像三维重建方法	黄桦朱宇昕章历陈志达张乙志王博	《数据采集与处理》 CSCD 北大核心	2024	2	在线阅读下载PDF 职称材料