检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

11 篇 学位论文
2 篇 期刊文献

馆藏范围

13 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

13 篇 工学
- 9 篇 机械工程
- 3 篇 信息与通信工程
- 3 篇 计算机科学与技术...
- 3 篇 软件工程
- 2 篇 控制科学与工程
- 1 篇 土木工程
- 1 篇 化学工程与技术
- 1 篇 矿业工程
- 1 篇 交通运输工程
- 1 篇 航空宇航科学与技...
- 1 篇 农业工程
2 篇 管理学
- 2 篇 管理科学与工程(可...

主题

13 篇 无锚框算法
6 篇 注意力机制
6 篇 目标检测
2 篇 特征融合
2 篇 遥感图像
1 篇 网络快速收敛
1 篇 人脸检测
1 篇 异物
1 篇 知识蒸馏
1 篇 工业疵点检测
1 篇 串联空洞卷积
1 篇 多阶段网络
1 篇 舰船目标检测
1 篇 偏移分支
1 篇 多尺度机场目标
1 篇 深度卷积神经网络
1 篇 车辆检测
1 篇 遥感图像处理
1 篇 不规则地物目标
1 篇 旋转框检测

机构

3 篇 东南大学
2 篇 电子科技大学
2 篇 西安建筑科技大学
1 篇 武汉轻工大学
1 篇 中国科学院大学
1 篇 长沙理工大学
1 篇 吉林大学
1 篇 浙江理工大学
1 篇 火箭军工程大学

作者

1 篇 刘迎飞
1 篇 沈强
1 篇 陈天鹏
1 篇 阮靖琳
1 篇 卢泽宇
1 篇 蒋晨
1 篇 卢皓
1 篇 刘洁瑜
1 篇 余旺旺
1 篇 刘志伟
1 篇 徐军辉
1 篇 闫雪颂
1 篇 魏文晓
1 篇 胡建文
1 篇 王田浩
1 篇 倪嘉琳
1 篇 蒋光峰

语言

13 篇 中文

检索条件"主题词=无锚框算法"

共 13 条记录，以下是11-20 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于上下文可变形网络的不规则遥感地物目标检测方法研究

基于上下文可变形网络的不规则遥感地物目标检测方法研究

引用

作者：刘迎飞中国科学院大学

学位级别：硕士

目标检测一直是遥感图像解译领域的热点问题，为环境探测，自然灾害评估，军事目标检测和识别等节省了大量的人力物力。根据物体的形状外观特征，遥感图像中的物体可以分为规则地物目标和不规则地物目标两大类。规则地物目标主要包括汽... 详细信息

目标检测一直是遥感图像解译领域的热点问题，为环境探测，自然灾害评估，军事目标检测和识别等节省了大量的人力物力。根据物体的形状外观特征，遥感图像中的物体可以分为规则地物目标和不规则地物目标两大类。规则地物目标主要包括汽车、飞机、舰船等，往往具有相对固定的形状轮廓、几何尺寸以及结构。不规则地物目标则主要包括垃圾堆、污水处理厂、高尔夫球场等空间上相对分散，形状尺度任意的物体。近年来，随着深度学习的发展，针对规则地物目标的检测已经取得了较好的研究成果。但是由于不规则地物目标所特有的纹理不清晰、形状不规则、边界模糊等难题，基于深度学习的检测算法在处理这类物体时仍存在较大挑战。　　对于基于深度学习的检测算法而言，有丰富语义信息的特征和精准的边界框回归算法是决定复杂场景下目标检测效果的两个重要因素。本文以光学遥感图像的不规则地物目标为研究对象，分别提出了基于上下文可变形卷积的特征提取网络和基于无锚框的形状鲁棒边界框回归算法，并应用于DIOR等公开数据集和自主构建的典型不规则遥感地物目标数据集解译中，实现了较好的检测效果。本文的主要创新总结如下:　　1.提出一种基于上下文可变形卷积的特征提取网络，提取全局上下文信息并对物体形状自适应建模，提高了卷积神经网络对纹理不清晰、形状不规则的不规则遥感地物目标的特征表示。针对不规则物体纹理不清晰，难以辨识的问题，设计上下文注意力模块，为输入图像计算全局上下文信息，将周边环境信息作为辅助信息用于确定物体的类别。较传统的卷积神经网络而言，提取了更有区分度的特征，丰富了特征表示。对于形状不规则所带来的特征建模难题，设计引入偏移量计算分支，使得网络根据物体特征自主学习需要参与卷积运算的空间采样点，将采样点集中在物体所在区域，提高了不规则地物目标的特征提取能力。以实时的解译速度，在自行构建的光学遥感图像垃圾堆数据上取得81.92％的AP指标。　　2.提出一种基于无锚框的形状鲁棒边界框检测算法，额外预测检测框的定位置信度并对多个框进行融合，改善了复杂遥感图像中的不规则遥感地物目标难以精准定位的问题。通过搭建多任务的无锚框检测框架，以特征图上的锚点为中心，预测锚点到物体上下左右边界的距离，从数据中自动学习物体的形状。此外，在分类和回归的基础上，预测检测框的定位置信度，加强了网络对目标的回归效果。设计了融合非极大值抑制算法对检测框进行边界框融合，较传统的后处理算法而言，融合后的边界框更为准确，大幅缓解了边界模糊问题。该方法可应用于污水处理厂、高尔夫球场、飞机场等通用不规则地物目标的检测。实验表明，在公开的DIOR数据集和自行构建数据集的不规则地物目标类别上，检测精度达到77.1％，与经典算法相比速度提升了一倍的同时精度获得了大幅提升。

关键词：光学遥感图像检测不规则地物目标上下文信息无锚框算法

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的快速人脸检测算法实现与应用研究

基于深度学习的快速人脸检测算法实现与应用研究

引用

作者：余旺旺电子科技大学

学位级别：硕士

人脸特征作为重要的生物学特征,能够可靠地实现身份识别。传统的人脸识别算法只关注正脸,所以对人脸检测的需求并不突出。随着人脸应用场景被不断发掘,单纯的人脸检测逐渐成为了一个重要的研究方向,尤其在视频内容检测,实时监控追踪等... 详细信息

人脸特征作为重要的生物学特征,能够可靠地实现身份识别。传统的人脸识别算法只关注正脸,所以对人脸检测的需求并不突出。随着人脸应用场景被不断发掘,单纯的人脸检测逐渐成为了一个重要的研究方向,尤其在视频内容检测,实时监控追踪等相关行业表现出强大的应用前景。所以如何实现一个高效率的检测模型去接近甚至替代人则成了一个现实问题。目前,深度学习在特征提取方面能力远远优于传统视觉算法,因此,本文立足于传统与深度学习的人脸检测算法,着重于提取不变的特征,实现无关的尺度,生成高效的人脸候选区域,解决样本不均衡以及完善尺度的分配。先设计新的卷积模块来优化网络结构,进而提升检测速度,再改善训练方式进一步提高性能,然后进行广泛的消融实验,最后实现一个检测能力优良,检测速度较快的模型。首先,我们主要是基于MTCNN实现一个级联CNN模型,它先是提升深层卷积的宽度,提高部分特征层的大小以及优化正负样本分配比例来提高模型的检测能力,其次通过将池化层合并到卷积层中进行直接下采样而去减小网络参数以及实现检测速度的提高。然后,基于SSD实现一个锚框人脸快速检测模型,该模型添加了一种或多种策略,包括密集采样策略优化候选区域生成,引入上采样策略优化预测层,利用特征金字塔网络实现尺度无关,采用Context Module进一步增强预测层的表征能力等。在训练中,通过改变交并比来设置不同的样本类型去影响模型的优化,并尝试使用OHEM或者Focal Loss去解决正负样本不均衡而提高模型的检测能力。最后,我们实现了一个无锚框的人脸检测模型,该模型类似于CenterNet,立足于实现基于关键点的检测模型。通过优化网络结构,浅层采用标准卷积的模块,深层采用可分离卷积的模块。此外,基于Mish构建类似CReLU的激活函数。紧接着,我们在部分深层网络设置卷积核大小为5×5以及设置较小预测层。最后在训练中首先采用512×512的输入图像进行初步训练再将图像放大到800进行模型微调。实验结果表明,模型三在检测效果上明显优于模型一,在检测速度上还是优于模型二,而且模型整体相比于前两者较小,相对来说,无锚框人脸检测算法更具有应用前景。

关键词：人脸检测特征不变性尺度无关性候选区域生成级联算法锚框算法无锚框算法

来源：评论

学校读者我要写书评

暂无评论

基于anchor-free方法的目标检测算法研究

基于anchor-free方法的目标检测算法研究

引用

作者：卢泽宇电子科技大学

学位级别：硕士

目标检测是计算机视觉的重要领域。基于是否采用先验锚框,可以将目标检测分为基于锚框的和无锚框的目标检测算法。基于锚框的目标检测算法往往存在锚框的设置缺乏泛化能力差、鲁棒性低等问题,而无锚框的目标检测算法则不需要设置锚框的... 详细信息

目标检测是计算机视觉的重要领域。基于是否采用先验锚框,可以将目标检测分为基于锚框的和无锚框的目标检测算法。基于锚框的目标检测算法往往存在锚框的设置缺乏泛化能力差、鲁棒性低等问题,而无锚框的目标检测算法则不需要设置锚框的超参数,鲁棒性强。注意力机制是近年来研究的重点之一,通过注意力机制能有效地构建全局的特征关系。本文以引入了注意力机制的无锚框目标检测网络为出发点,针对网络中存在的目标检测精度较低、网络收敛慢问题做出了改进。具体研究内容如下:1.针对网络检测精度较低的问题,本文基于图像的多尺度特征提出了两种改进方案:第一种是基于多尺度特征检测,将多个不同尺度的特征共同用于检测,汇总后输出最终的检测结果,从而综合利用深、浅层次的特征信息;第二种是基于可变形卷积及空洞卷积进行改进,通过移除骨干网络的下采样阶段,并配合两种特殊卷积提高感受野,从而提供给检测网络尺度更大、包含目标信息更丰富的特征。2.针对原网络训练时间长、收敛慢的问题,本文通过可视化对检测网络中的注意力机制进行了分析,并通过排除法最终定位了收敛慢是由于其中的交叉注意力模块导致的。因此,本文通过赋予输入查询一定的信息、引入参考点并更改预测框的生成方式、利用拼接操作代替加法操作以降低网络混淆度等手段对原网络中交叉注意力模块进行改进,大幅提高了网络的收敛速度,并提升了检测精度。本文的实验结果充分证明了上述改进的有效性。本文所做的研究,在COCO2017数据集上取得了4.0%AP精度的提升,其中小目标平均精度取得了6.3%AP的提升,且训练网络至收敛所需的周期数缩减了80%。

关键词：目标检测无锚框算法注意力机制网络快速收敛

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

全选清除本页清除全部题录导出标记到“检索档案”

共2页 << < 1 2 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：