-
题名基于ORB和最小凸包的感兴趣区域检测方法研究
被引量：8
- 1
-
-
作者
姚泽烽
程显毅
谢璐
-
机构
南通大学
南通大学
-
出处
《计算机应用研究》
CSCD
北大核心
2018年第10期3186-3188,共3页
-
基金
国家自然科学基金资助项目(61340037)
南通先进通信技术研究院开放课题资助项目(KFKT2016B06)
-
文摘
随着科技的发展,如何准确检测出复杂背景情况下的感兴趣区域(ROI)和提高检测方法的实时性已经成为图像处理领域亟待解决的问题。针对此问题,提出了基于ORB(oriented brief)算法检测特征点,并采用最小凸包检测感兴趣区域的方法。首先,采用ORB算法提取出图像中的特征点,然后从中挑选出效果良好的点对图像进行描述,最后采用最小凸包算法检测出感兴趣区域。与其他算法在检测速度复杂环境下的检测结果对比实验表明,ORB和最小凸包算法的结合在保证检测精度的基础上提高了检测速度。
-
关键词
ORB
最小凸包
特征点
感兴趣区域
-
Keywords
ORB
minimum convex hull
feature points
ROI
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名生成对抗网络GAN综述
被引量：36
- 2
-
-
作者
程显毅
谢璐
朱建新
胡彬
施佺
-
机构
硅湖职业技术学院
南通大学南通先进通信技术研究院
武汉理工大学信息工程学院
-
出处
《计算机科学》
CSCD
北大核心
2019年第3期74-81,共8页
-
基金
国家自然科学基金项目(61771265
61340037)
+1 种基金
江苏省现代教育技术研究课题(2017-R-54131)
南通大学-南通智能信息技术联合研究中心开放课题(KFKT2016B06)资助
-
文摘
人能够理解事物运动的方式,因此对事物未来发展的预测比机器准。不过,作为一种新的深度神经网络系统,GAN(Generative Adversarial Network)生成的数据非常逼真,连人也无法辨别数据是真实的还是生成的。从某种意义上讲,GAN为指导人工智能系统完成复杂任务提供了一种全新的思路,让机器成为了一个专家。首先,讨论了GAN的基本模型和一些改进的GAN模型;然后,展示了GAN在超分辨图像生成、由文本描述生成图像、艺术风格图像生成和短视频生成方面的应用成果;最后,探讨了GAN在理论、架构和应用方面所面临的问题和其未来的研究方向。
-
关键词
人工智能
深度学习
生成对抗网络
生成器
判别器
-
Keywords
Artificial intelligence
Deep learning
GAN
Generator
Discriminator
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
