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
基于卷积网络的沙漠腹地绿洲植物群落自动分类方法
被引量：
16
1
作者
尼加提.卡斯木
师庆东
+2 位作者
刘素红
比拉力.依明
李浩
《农业机械学报》
EI
CAS
CSCD
北大核心
2019年第1期217-225,共9页
为解决沙漠腹地绿洲遥感图像植物群落背景较易混淆,仅用传统的基于像元光谱信息的图像处理方法未能充分利用其图像特征信息,使得提取效果不佳的问题,针对地物类内特征复杂、类间边界模糊的特点,以连续分布的区域为研究对象,提出了一种...
为解决沙漠腹地绿洲遥感图像植物群落背景较易混淆,仅用传统的基于像元光谱信息的图像处理方法未能充分利用其图像特征信息,使得提取效果不佳的问题,针对地物类内特征复杂、类间边界模糊的特点,以连续分布的区域为研究对象,提出了一种基于深度卷积神经网络(Convolutional neural network,CNN)的高分辨率遥感影像植物群落自动分类方法。切分无人机影像获得规则块图像,利用基于CNN的VGGNet和Res Net模型分别对块图像的特征进行抽象与学习,以自动获取更加深层抽象、更具代表性的图像块深层特征,从而实现对植物群落分布区域的提取,以原图像与结果图像叠加的形式输出植物群落自动分类结果。采用了不同梯度的样本数量作为训练样本,利用文中提出的方法分析了不同梯度的训练样本数量对自动分类结果的影响。实验结果表明,训练样本数量对分类精度具有明显的影响;提高其泛化能力后,Res Net50模型与VGG19模型的建模精度从86. 00%、83. 33%分别提升到92. 56%、90. 29%; Res Net50模型分类精度为83. 53%～91. 83%,而VGG19模型分类精度为80. 97%～89. 56%,与传统的监督分类方法比较,深度卷积网络明显提高了分类精度。分类结果表明,训练样本数量不低于200时,基于CNN的Res Net50模型表现出最佳的分类结果。
展开更多
关键词
沙漠腹地
植物群落
自动分类
cnn深度卷积网络
VGGNet模型
ResNet模型
在线阅读
下载PDF
职称材料
基于深度交叉CNN和免交互GrabCut的显著性检测
被引量：
11
2
作者
杜玉龙
李建增
+1 位作者
张岩
范聪
《计算机工程与应用》
CSCD
北大核心
2017年第3期32-40,共9页
针对传统显著性检测算法特征学习不足,显著性区域边界不明确和检测效果鲁棒性较差等问题,提出一种基于深度交叉卷积神经网络和免交互Grab Cut的显著性检测算法。该方法首先针对传统CNN模型中神经元和参数规模较大导致训练困难的不足,根...
针对传统显著性检测算法特征学习不足,显著性区域边界不明确和检测效果鲁棒性较差等问题,提出一种基于深度交叉卷积神经网络和免交互Grab Cut的显著性检测算法。该方法首先针对传统CNN模型中神经元和参数规模较大导致训练困难的不足,根据人眼视觉原理,构建深度交叉卷积神经网络模型(DCCNN);然后,采用超像素聚类方法获取图像区域特征,并通过Beltrami滤波突出图像内的边界特征,利用DCCNN对特征进行学习,在联合条件随机场框架下完成特征融合,实现显著性区域粗糙检测;最后,对粗糙检测结果自适应二值化和形态学膨胀,将显著区域的多边形逼近结果作为Grab Cut算法的输入,完成显著性区域的精确检测。实验结果表明所提算法能够有效提高显著性检测精度,具有更好的鲁棒性和普适性。
展开更多
关键词
显著性检测
深度
交叉
卷积
神经
网络
(
cnn
)
超像素
Beltrami滤波
条件随机场(CRF)
免交互GrabCut
在线阅读
下载PDF
职称材料
基于CNN+D-S证据理论的多维信息源局部放电故障识别
被引量：
19
3
作者
王磊
张磊
+3 位作者
牛荣泽
孙芊
李丰君
张周胜
《电力工程技术》
北大核心
2022年第5期172-179,共8页
基于多维信息源融合的局部放电故障识别方法对提高故障识别的准确性和容错性具有重要意义。文中以开关柜中的典型局部放电类型为识别对象,设置4种典型的局部放电模型(电晕放电、沿面放电、悬浮放电和气隙放电),利用超声波(Ultra)法、甚...
基于多维信息源融合的局部放电故障识别方法对提高故障识别的准确性和容错性具有重要意义。文中以开关柜中的典型局部放电类型为识别对象,设置4种典型的局部放电模型(电晕放电、沿面放电、悬浮放电和气隙放电),利用超声波(Ultra)法、甚-特高频(V-UHF)法以及脉冲电流法(PCM)采集不同放电类型产生的局放信号。首先利用深度卷积神经网络(CNN)算法对不同传感器测量数据进行训练,之后利用Dempster-Shafer(D-S)证据理论对多维信息源识别结果进行融合,并作出最终决策。结果表明,相比于基于单一信息源的故障识别模式,基于多维信息源的故障识别模式准确率更高,且当多维信息源中某一信息源出现误判时仍能正确识别放电类型,对信息源的容错性更好,识别效果良好。
展开更多
关键词
局部放电
故障识别
深度
卷积
神经
网络
(
cnn
)
Dempster-Shafer(D-S)证据理论
多维信息源
信息融合
在线阅读
下载PDF
职称材料
题名
基于卷积网络的沙漠腹地绿洲植物群落自动分类方法
被引量：
16
1
作者
尼加提.卡斯木
师庆东
刘素红
比拉力.依明
李浩
机构
新疆大学干旱生态环境研究所
新疆大学绿洲生态教育部重点实验室
新疆大学资源与环境科学学院
北京师范大学环境遥感与数字城市北京市重点实验室
出处
《农业机械学报》
EI
CAS
CSCD
北大核心
2019年第1期217-225,共9页
基金
国家自然科学基金项目(U1703237)
文摘
为解决沙漠腹地绿洲遥感图像植物群落背景较易混淆,仅用传统的基于像元光谱信息的图像处理方法未能充分利用其图像特征信息,使得提取效果不佳的问题,针对地物类内特征复杂、类间边界模糊的特点,以连续分布的区域为研究对象,提出了一种基于深度卷积神经网络(Convolutional neural network,CNN)的高分辨率遥感影像植物群落自动分类方法。切分无人机影像获得规则块图像,利用基于CNN的VGGNet和Res Net模型分别对块图像的特征进行抽象与学习,以自动获取更加深层抽象、更具代表性的图像块深层特征,从而实现对植物群落分布区域的提取,以原图像与结果图像叠加的形式输出植物群落自动分类结果。采用了不同梯度的样本数量作为训练样本,利用文中提出的方法分析了不同梯度的训练样本数量对自动分类结果的影响。实验结果表明,训练样本数量对分类精度具有明显的影响;提高其泛化能力后,Res Net50模型与VGG19模型的建模精度从86. 00%、83. 33%分别提升到92. 56%、90. 29%; Res Net50模型分类精度为83. 53%～91. 83%,而VGG19模型分类精度为80. 97%～89. 56%,与传统的监督分类方法比较,深度卷积网络明显提高了分类精度。分类结果表明,训练样本数量不低于200时,基于CNN的Res Net50模型表现出最佳的分类结果。
关键词
沙漠腹地
植物群落
自动分类
cnn深度卷积网络
VGGNet模型
ResNet模型
Keywords
desert hinterland
plant community
automatic classification
cnn
deep convolutional network
VGGNet model
ResNet model
分类号
P95 [天文地球—自然地理学]
在线阅读
下载PDF
职称材料
题名
基于深度交叉CNN和免交互GrabCut的显著性检测
被引量：
11
2
作者
杜玉龙
李建增
张岩
范聪
机构
军械工程学院无人机工程系
出处
《计算机工程与应用》
CSCD
北大核心
2017年第3期32-40,共9页
基金
国家自然科学基金(No.51307183)
文摘
针对传统显著性检测算法特征学习不足,显著性区域边界不明确和检测效果鲁棒性较差等问题,提出一种基于深度交叉卷积神经网络和免交互Grab Cut的显著性检测算法。该方法首先针对传统CNN模型中神经元和参数规模较大导致训练困难的不足,根据人眼视觉原理,构建深度交叉卷积神经网络模型(DCCNN);然后,采用超像素聚类方法获取图像区域特征,并通过Beltrami滤波突出图像内的边界特征,利用DCCNN对特征进行学习,在联合条件随机场框架下完成特征融合,实现显著性区域粗糙检测;最后,对粗糙检测结果自适应二值化和形态学膨胀,将显著区域的多边形逼近结果作为Grab Cut算法的输入,完成显著性区域的精确检测。实验结果表明所提算法能够有效提高显著性检测精度,具有更好的鲁棒性和普适性。
关键词
显著性检测
深度
交叉
卷积
神经
网络
(
cnn
)
超像素
Beltrami滤波
条件随机场(CRF)
免交互GrabCut
Keywords
saliency detection
deep cross Convolutional Neural Network(
cnn
)
superpixel
Beltrami filter
Conditional Random Field(CRF)
non-interaction GrabCut
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CNN+D-S证据理论的多维信息源局部放电故障识别
被引量：
19
3
作者
王磊
张磊
牛荣泽
孙芊
李丰君
张周胜
机构
国网河南省电力公司电力科学研究院
上海电力大学电气工程学院
出处
《电力工程技术》
北大核心
2022年第5期172-179,共8页
基金
国家电网有限公司科技项目“面向配电物联网的多维监测与运行辅助决策关键技术研究”(5400-202024116A-0-0-00)。
文摘
基于多维信息源融合的局部放电故障识别方法对提高故障识别的准确性和容错性具有重要意义。文中以开关柜中的典型局部放电类型为识别对象,设置4种典型的局部放电模型(电晕放电、沿面放电、悬浮放电和气隙放电),利用超声波(Ultra)法、甚-特高频(V-UHF)法以及脉冲电流法(PCM)采集不同放电类型产生的局放信号。首先利用深度卷积神经网络(CNN)算法对不同传感器测量数据进行训练,之后利用Dempster-Shafer(D-S)证据理论对多维信息源识别结果进行融合,并作出最终决策。结果表明,相比于基于单一信息源的故障识别模式,基于多维信息源的故障识别模式准确率更高,且当多维信息源中某一信息源出现误判时仍能正确识别放电类型,对信息源的容错性更好,识别效果良好。
关键词
局部放电
故障识别
深度
卷积
神经
网络
(
cnn
)
Dempster-Shafer(D-S)证据理论
多维信息源
信息融合
Keywords
partial discharge
fault identification
convolutional neural network(
cnn
)
Dempster-Shafer(D-S)evidence theory
multi-dimensional information sources
information fusion
分类号
TM591 [电气工程—电器]
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
基于卷积网络的沙漠腹地绿洲植物群落自动分类方法
尼加提.卡斯木
师庆东
刘素红
比拉力.依明
李浩
《农业机械学报》
EI
CAS
CSCD
北大核心
2019
16
在线阅读
下载PDF
职称材料
2
基于深度交叉CNN和免交互GrabCut的显著性检测
杜玉龙
李建增
张岩
范聪
《计算机工程与应用》
CSCD
北大核心
2017
11
在线阅读
下载PDF
职称材料
3
基于CNN+D-S证据理论的多维信息源局部放电故障识别
王磊
张磊
牛荣泽
孙芊
李丰君
张周胜
《电力工程技术》
北大核心
2022
19
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
