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
2
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
基于深度卷积神经网络的目标检测研究综述
被引量：
118
1
作者
范丽丽
赵宏伟
+2 位作者
赵浩宇
胡黄水
王振
《光学精密工程》
EI
CAS
CSCD
北大核心
2020年第5期1152-1164,共13页
作为计算机视觉中的基本视觉识别问题,目标检测在过去的几十年中得到了广泛地研究。目标检测旨在给定图像中找到具有准确定位的特定对象,并为每个对象分配一个对应的标签。近年来,深度卷积神经网络DCNN(Deep Convolutional Neural Netwo...
作为计算机视觉中的基本视觉识别问题,目标检测在过去的几十年中得到了广泛地研究。目标检测旨在给定图像中找到具有准确定位的特定对象,并为每个对象分配一个对应的标签。近年来,深度卷积神经网络DCNN(Deep Convolutional Neural Networks)凭借其特征学习和迁移学习的强大能力在图像分类方面取得了一系列突破,在目标检测方面,它越来越受到人们的重视。因此,如何将CNN应用于目标检测并获得更好的性能是一项重要的研究。首先回顾和介绍了几类经典的目标检测算法;然后将深度学习算法的产生过程作为切入点,以系统的方式全面概述了各种目标检测方法;最后针对目标检测和深度学习算法面临的重大挑战,讨论了一些未来的方向,以促进深度学习对目标检测的研究。
展开更多
关键词
图像处理
深度卷积神经网络
目标检测
特征表示
深度学习
在线阅读
下载PDF
职称材料
利用空间分布熵的改进VLAD图像检索
被引量：
3
2
作者
孙明思
赵宏伟
+1 位作者
赵浩宇
王也然
《光学精密工程》
EI
CAS
CSCD
北大核心
2021年第1期152-159,共8页
对图像特征中的局部聚集描述子向量(Vector of Aggragate Locally Descriptor,VLAD)特征进行研究后发现,该特征缺乏尺度不变特征变换(Scale Invariant Feature Transform,SIFT)描述子的空间分布信息,为了提高图像检索的准确率,提出利用...
对图像特征中的局部聚集描述子向量(Vector of Aggragate Locally Descriptor,VLAD)特征进行研究后发现,该特征缺乏尺度不变特征变换(Scale Invariant Feature Transform,SIFT)描述子的空间分布信息,为了提高图像检索的准确率,提出利用空间分布熵改进VLAD的方法。首先,求取图像中的VLAD特征。其次,将SIFT描述子的空间分布信息根据描述子与聚类的对应情况,分为若干个集合。再次,在每一个集合中生成空间分布熵,将所有集合的熵值表示为空间分布熵向量。最后,利用该向量表示描述子的空间分布混乱程度,并将该向量与VLAD结合使用。实验结果表明,在码本大小为64时,在Holidays数据集上可以将平均准确率由0.519提升至0.601,在Oxford5k数据集上可以从0.395提升至0.408。该方法利用VLAD特征大幅度提高图像检索的平均准确率。
展开更多
关键词
图像处理
图像检索
局部聚集描述子向量
尺度不变特征变换
熵
在线阅读
下载PDF
职称材料
题名
基于深度卷积神经网络的目标检测研究综述
被引量：
118
1
作者
范丽丽
赵宏伟
赵浩宇
胡黄水
王振
机构
吉林大学
计算机科
学
与技术
学
院
吉林大学
符号计算与知识
工
程教育部重点实验室
吉林大学
学报
(
工
学
版
)
编辑部
长春
工
业
大学
计算机科
学
与
工
程
学
院
山东理
工
大学
计算机科
学
与技术
学
院
出处
《光学精密工程》
EI
CAS
CSCD
北大核心
2020年第5期1152-1164,共13页
基金
国家自然科学基金资助项目(No.61841602)
吉林省省级科技创新专项资助项目(No.20190302026GX)
+1 种基金
吉林省高等教育学会高教科研项目资助(No.JGJX2018D10)
中央高校基本科研业务基金资助项目(JLU)。
文摘
作为计算机视觉中的基本视觉识别问题,目标检测在过去的几十年中得到了广泛地研究。目标检测旨在给定图像中找到具有准确定位的特定对象,并为每个对象分配一个对应的标签。近年来,深度卷积神经网络DCNN(Deep Convolutional Neural Networks)凭借其特征学习和迁移学习的强大能力在图像分类方面取得了一系列突破,在目标检测方面,它越来越受到人们的重视。因此,如何将CNN应用于目标检测并获得更好的性能是一项重要的研究。首先回顾和介绍了几类经典的目标检测算法;然后将深度学习算法的产生过程作为切入点,以系统的方式全面概述了各种目标检测方法;最后针对目标检测和深度学习算法面临的重大挑战,讨论了一些未来的方向,以促进深度学习对目标检测的研究。
关键词
图像处理
深度卷积神经网络
目标检测
特征表示
深度学习
Keywords
image processing
deep convolutional neural network
object detection
feature representation
deep learning
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
利用空间分布熵的改进VLAD图像检索
被引量：
3
2
作者
孙明思
赵宏伟
赵浩宇
王也然
机构
吉林大学
计算机科
学
与技术
学
院
吉林
农业科技
学
院电气与信息
工
程
学
院
吉林大学
符号计算与知识
工
程教育部重点实验室
吉林大学
学报
(
工
学
版
)
编辑部
出处
《光学精密工程》
EI
CAS
CSCD
北大核心
2021年第1期152-159,共8页
基金
吉林省省级科技创新专项资助项目(No.20190302026GX)
吉林省自然科学基金资助项目(No.20200201037JC)
+1 种基金
吉林省高等教育学会高教科研资助项目(No.JGJX2018D10)
中央高校基本科研业务基金资助项目(No.2019JLU)。
文摘
对图像特征中的局部聚集描述子向量(Vector of Aggragate Locally Descriptor,VLAD)特征进行研究后发现,该特征缺乏尺度不变特征变换(Scale Invariant Feature Transform,SIFT)描述子的空间分布信息,为了提高图像检索的准确率,提出利用空间分布熵改进VLAD的方法。首先,求取图像中的VLAD特征。其次,将SIFT描述子的空间分布信息根据描述子与聚类的对应情况,分为若干个集合。再次,在每一个集合中生成空间分布熵,将所有集合的熵值表示为空间分布熵向量。最后,利用该向量表示描述子的空间分布混乱程度,并将该向量与VLAD结合使用。实验结果表明,在码本大小为64时,在Holidays数据集上可以将平均准确率由0.519提升至0.601,在Oxford5k数据集上可以从0.395提升至0.408。该方法利用VLAD特征大幅度提高图像检索的平均准确率。
关键词
图像处理
图像检索
局部聚集描述子向量
尺度不变特征变换
熵
Keywords
image processing
image retrieval
Vector of Aggragate Locally Descriptor(VLAD)
Scale Invariant Feature Transform(SIFT)
entropy
分类号
TP394.1 [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
基于深度卷积神经网络的目标检测研究综述
范丽丽
赵宏伟
赵浩宇
胡黄水
王振
《光学精密工程》
EI
CAS
CSCD
北大核心
2020
118
在线阅读
下载PDF
职称材料
2
利用空间分布熵的改进VLAD图像检索
孙明思
赵宏伟
赵浩宇
王也然
《光学精密工程》
EI
CAS
CSCD
北大核心
2021
3
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
