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
基于改进ResNet深度学习的古代壁画分类方法
1
作者
曹建芳
彭存赫
+1 位作者
陈志强
杨卓林
《电子测量技术》
北大核心
2025年第1期186-196,共11页
针对壁画图像人物间纹理,轮廓相似,不同场景下壁画人物特征差异较大,背景噪声复杂,分类易混淆等问题,提出了一种针对ResNet卷积神经网络的改进策略。首先将模型输入层中较大的7×7卷积核分离为3个串联的3×3小卷积核堆积的主干,...
针对壁画图像人物间纹理,轮廓相似,不同场景下壁画人物特征差异较大,背景噪声复杂,分类易混淆等问题,提出了一种针对ResNet卷积神经网络的改进策略。首先将模型输入层中较大的7×7卷积核分离为3个串联的3×3小卷积核堆积的主干,将2×2平均池化与最大池化进行add特征融合取代原最大池化操作,增强模型的表征能力。其次设计了一种多尺度高效的空间通道注意模块,以ECA通道注意力模块为基础,串联空间注意力模块,将空间模块中原3×3卷积核替换为SK注意力模块,融合多尺度信息捕捉全局长距离依赖关系,降低背景噪声的干扰。最后提出一种蜂窝式聚合结构,将相邻的block块中的输出信息进行add操作,作为后续层的输入,同时捕获低级和高级特征,增强上下文信息的流通性。实验结果表明:该模型在准确率、精度、召回率和F1值分别达到96.51%、96.65%、96.67%、96.63%。相对于原模型ResNet-18准确率提升9.76%,与主流的分类算法相比分类准确率、泛化能力、稳定性均有一定的提升,能够高效准确识别壁画所属类型,这对于文化遗产保护和艺术史方面研究具有显著价值。
展开更多
关键词
壁画分类
ResNet
注意力机制
特征提取
卷积神经网络
深度学习
在线阅读
下载PDF
职称材料
基于集成经验模态分解算法的舰船噪声特征提取研究
2
作者
陈志强
曹建芳
彭存赫
《舰船科学技术》
北大核心
2025年第3期172-175,共4页
为解决模态混叠问题,提取更为全面的舰船噪声特征,设计了基于集成经验模态分解算法的舰船噪声特征提取方法。利用非线性局部投影滤波方法处理舰船信号,利用集成经验模态分解算法分解滤波后的噪声信号,提取具有关键噪声特征的固有模态函...
为解决模态混叠问题,提取更为全面的舰船噪声特征,设计了基于集成经验模态分解算法的舰船噪声特征提取方法。利用非线性局部投影滤波方法处理舰船信号,利用集成经验模态分解算法分解滤波后的噪声信号,提取具有关键噪声特征的固有模态函数(IMF)分量;利用相关系数法计算各IMF分量和信号间的相关系数,保留相关系数大于设置门限阈值的IMF分量,根据排列熵提取全面的舰船噪声特征。实验证明,该方法可有效分解噪声信号,得到相关系数最高的IMF分量,获得理想舰船噪声特征。
展开更多
关键词
舰船噪声
特征提取
局部投影
经验模态分解
排列熵
在线阅读
下载PDF
职称材料
PS-YOLOv8:增强电力线路检测中的小规模损坏检测
被引量：
1
3
作者
宋尚泽
李莉
+1 位作者
田野
白洁
《计算机科学》
CSCD
北大核心
2024年第S02期423-428,共6页
在电力线路检测领域,准确检测细微裂纹和微小破损等微小损伤至关重要。这些轻微损坏往往因其规模小和背景复杂性而被忽视,如果不及时识别和解决,可能会升级为重大安全隐患。为了应对这一挑战,本研究设计了PowerScreen-YOLOv8(PS-YOLOv8...
在电力线路检测领域,准确检测细微裂纹和微小破损等微小损伤至关重要。这些轻微损坏往往因其规模小和背景复杂性而被忽视,如果不及时识别和解决,可能会升级为重大安全隐患。为了应对这一挑战,本研究设计了PowerScreen-YOLOv8(PS-YOLOv8)模型。该模型与原始YOLOv8相比,对电力巡检中的小目标检测有了很大进步,通过集成了6项关键改进,以提高复杂环境中的检测精度。该研究通过严格的测试和针对领先算法的基准测试证明了该模型的优越性。PS-YOLOv8获得了90.3%的准确率并且在现实无人机捕获场景中具有经过验证的稳健性,代表了电力线路检测技术的重大飞跃,为基础设施维护提供了更可靠、更高效、更安全的方法。
展开更多
关键词
电力巡检
YOLOv8
小目标检测
深度学习
在线阅读
下载PDF
职称材料
题名
基于改进ResNet深度学习的古代壁画分类方法
1
作者
曹建芳
彭存赫
陈志强
杨卓林
机构
太原科技大学计算机科学与
技术
学院
忻州师范
学院
计算机
系
山西工程技术学院大数据与智能工程系
出处
《电子测量技术》
北大核心
2025年第1期186-196,共11页
基金
国家自然科学基金面上项目(62372397)
教育部人文社会科学研究项目(规划基金项目)(21YJAZH002)
+1 种基金
山西省自然基金面上项目(202203021221222)
山西省文物局2024年度文物科研课题(2024KT23)项目资助。
文摘
针对壁画图像人物间纹理,轮廓相似,不同场景下壁画人物特征差异较大,背景噪声复杂,分类易混淆等问题,提出了一种针对ResNet卷积神经网络的改进策略。首先将模型输入层中较大的7×7卷积核分离为3个串联的3×3小卷积核堆积的主干,将2×2平均池化与最大池化进行add特征融合取代原最大池化操作,增强模型的表征能力。其次设计了一种多尺度高效的空间通道注意模块,以ECA通道注意力模块为基础,串联空间注意力模块,将空间模块中原3×3卷积核替换为SK注意力模块,融合多尺度信息捕捉全局长距离依赖关系,降低背景噪声的干扰。最后提出一种蜂窝式聚合结构,将相邻的block块中的输出信息进行add操作,作为后续层的输入,同时捕获低级和高级特征,增强上下文信息的流通性。实验结果表明:该模型在准确率、精度、召回率和F1值分别达到96.51%、96.65%、96.67%、96.63%。相对于原模型ResNet-18准确率提升9.76%,与主流的分类算法相比分类准确率、泛化能力、稳定性均有一定的提升,能够高效准确识别壁画所属类型,这对于文化遗产保护和艺术史方面研究具有显著价值。
关键词
壁画分类
ResNet
注意力机制
特征提取
卷积神经网络
深度学习
Keywords
mural classification
ResNet
attention mechanism
feature extraction
convolutional neural network
deep learning
分类号
TP391 [自动化与计算机技术—计算机应用技术]
TN03 [电子电信—物理电子学]
在线阅读
下载PDF
职称材料
题名
基于集成经验模态分解算法的舰船噪声特征提取研究
2
作者
陈志强
曹建芳
彭存赫
机构
山西工程技术学院大数据与智能工程系
太原科技大学计算机科学与
技术
学院
出处
《舰船科学技术》
北大核心
2025年第3期172-175,共4页
基金
国家自然科学基金面上项目(62372397)
山西省自然基金面上项目(202203021221222,202203021221229)。
文摘
为解决模态混叠问题,提取更为全面的舰船噪声特征,设计了基于集成经验模态分解算法的舰船噪声特征提取方法。利用非线性局部投影滤波方法处理舰船信号,利用集成经验模态分解算法分解滤波后的噪声信号,提取具有关键噪声特征的固有模态函数(IMF)分量;利用相关系数法计算各IMF分量和信号间的相关系数,保留相关系数大于设置门限阈值的IMF分量,根据排列熵提取全面的舰船噪声特征。实验证明,该方法可有效分解噪声信号,得到相关系数最高的IMF分量,获得理想舰船噪声特征。
关键词
舰船噪声
特征提取
局部投影
经验模态分解
排列熵
Keywords
ship noise
feature extraction
local projection
empirical mode decomposition
permutation entropy
分类号
TN911.7 [电子电信—通信与信息系统]
在线阅读
下载PDF
职称材料
题名
PS-YOLOv8:增强电力线路检测中的小规模损坏检测
被引量：
1
3
作者
宋尚泽
李莉
田野
白洁
机构
山西
工程技术
学院
电气与控制
工程
系
山西工程技术学院大数据与智能工程系
出处
《计算机科学》
CSCD
北大核心
2024年第S02期423-428,共6页
基金
大学生创新创业训练计划项目(202314527003)。
文摘
在电力线路检测领域,准确检测细微裂纹和微小破损等微小损伤至关重要。这些轻微损坏往往因其规模小和背景复杂性而被忽视,如果不及时识别和解决,可能会升级为重大安全隐患。为了应对这一挑战,本研究设计了PowerScreen-YOLOv8(PS-YOLOv8)模型。该模型与原始YOLOv8相比,对电力巡检中的小目标检测有了很大进步,通过集成了6项关键改进,以提高复杂环境中的检测精度。该研究通过严格的测试和针对领先算法的基准测试证明了该模型的优越性。PS-YOLOv8获得了90.3%的准确率并且在现实无人机捕获场景中具有经过验证的稳健性,代表了电力线路检测技术的重大飞跃,为基础设施维护提供了更可靠、更高效、更安全的方法。
关键词
电力巡检
YOLOv8
小目标检测
深度学习
Keywords
Power inspection
YOLOv8
Small object detection
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
作者
出处
发文年
被引量
操作
1
基于改进ResNet深度学习的古代壁画分类方法
曹建芳
彭存赫
陈志强
杨卓林
《电子测量技术》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于集成经验模态分解算法的舰船噪声特征提取研究
陈志强
曹建芳
彭存赫
《舰船科学技术》
北大核心
2025
0
在线阅读
下载PDF
职称材料
3
PS-YOLOv8:增强电力线路检测中的小规模损坏检测
宋尚泽
李莉
田野
白洁
《计算机科学》
CSCD
北大核心
2024
1
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
