检索结果-内蒙古大学图书馆

自然资源信息化 2023年第6期 60-65页

作者：殷牧詹焕发湖南省水文地质环境地质调查监测所湖南长沙410131

道路是城市基础设施的重要组成部分,准确提取道路信息可以帮助城市规划者更好地进行城市交通规划、道路建设和维护管理。高分辨率遥感影像道路提取中的断线严重影响道路结构的完整,降低了平均路径长度相似度,本文提出基于深度残差卷积... 详细信息

道路是城市基础设施的重要组成部分,准确提取道路信息可以帮助城市规划者更好地进行城市交通规划、道路建设和维护管理。高分辨率遥感影像道路提取中的断线严重影响道路结构的完整,降低了平均路径长度相似度,本文提出基于深度残差卷积神经网络的高分辨率遥感影像道路提取方法。首先,引入了直方图均衡化增强技术,对高分辨率遥感影像道路特征进行预处理,增强高分辨率遥感影像道路特征;然后,基于深度残差卷积神经网络构建了深度残差卷积神经网络模型,利用随机梯度下降进行深度残差卷积神经网络模型训练,获取高分辨率遥感影像道路特征提取结果;最后,利用骨架法提取高分辨率遥感影像中的道路骨架,采用K-means聚类算法判别断点之间的特征,实现高分辨率遥感影像道路提取。实验结果表明,本文方法提取的道路形态比较完整,Io U指数和F1指数较高,可满足高分辨率遥感影像道路高精度提取需求。

关键词：深度残差卷积神经网络高分辨率遥感影像道路提取特征提取

来源：评论

学校读者我要写书评

暂无评论

基于深度残差卷积神经网络的高光谱图像超分辨方法

引用

福州大学学报（自然科学版） 2020年第5期48卷 545-550页

作者：邹长忠黄旭昇福州大学数学与计算机科学学院福建福州350108

针对传统的稀疏表示方法的不足,提出一种基于深度残差卷积神经网络的单高光谱图像超分辨率方法,无需对应多光谱图像.研究挖掘低分辨率遥感图像和高分辨率遥感图像之间的非线性关系,构建深度残差卷积神经网络,串联多个残差块,并去除一些... 详细信息

针对传统的稀疏表示方法的不足,提出一种基于深度残差卷积神经网络的单高光谱图像超分辨率方法,无需对应多光谱图像.研究挖掘低分辨率遥感图像和高分辨率遥感图像之间的非线性关系,构建深度残差卷积神经网络,串联多个残差块,并去除一些不必要的模块.充分挖掘自然图像和高光谱图像之间的相似性,利用自然图像样本训练卷积神经网络,进一步利用迁移学习将训练好的网络模型引入到高分辨率遥感图像超分辨问题上,解决训练样本缺乏问题.经实际的遥感数据超分辨实验结果表明,所提出的方法具有良好的性能,能得到较好的超分辨效果.

关键词：高光谱图像超分辨深度残差卷积神经网络残差块

来源：评论

学校读者我要写书评

暂无评论

基于深度残差卷积神经网络的心电信号心律不齐识别

引用

生物医学工程学杂志 2019年第2期36卷 189-198页

作者：李端张洪欣刘知青黄菊香王田北京邮电大学电子工程学院北京100876 郑州轻工业大学计算机与通信工程学院郑州450002 北京市安全生产智能监控重点实验室北京100876 智慧康源(厦门)科技有限公司福建厦门361010 北京航空航天大学自动化科学与电气工程学院北京100191

心电图(ECG)信号在采集过程中容易受内部和外部噪声干扰,而且不同患者的ECG信号形态特征差异较大,即使同一患者在不同时间和环境下其ECG信号也会有差异,因此ECG信号特征检测与识别在心脏病远程实时监测与智能诊断中具有一定难度。基于此... 详细信息

心电图(ECG)信号在采集过程中容易受内部和外部噪声干扰,而且不同患者的ECG信号形态特征差异较大,即使同一患者在不同时间和环境下其ECG信号也会有差异,因此ECG信号特征检测与识别在心脏病远程实时监测与智能诊断中具有一定难度。基于此,本研究提出将小波自适应阈值去噪和深度残差卷积神经网络算法用于多种心律不齐的信号识别过程中。其中,使用小波自适应阈值技术完成ECG信号滤波,并设计了包含多个残差块(residual block)结构的20层卷积神经网络(CNN),即深度残差卷积神经网络(DR-CNN),对5大类心律不齐ECG信号进行了识别。然后,本文采用残差块局部神经网络结构单元构建DR-CNN,缓解了深层网络的收敛难、调优难等问题,克服了CNN随着网络层数增加而导致的退化问题;进一步引入批标准化(batch normalization)技术,保证了网络的平滑收敛。按照美国医疗器械促进协会(AAMI)的心搏分类标准,使用麻省理工学院和波士顿贝丝以色列医院(MIT-BIH)心律不齐数据库中94 091个ECG心搏信号(2个导联),完成了心律不齐多分类、室性异位搏动(Veb)和室上性异位搏动(Sveb)等分类识别实验。实验结果表明,本文所提出的方法在ECG信号多分类、Veb和Sveb识别中的准确率分别达到了99.034 9%、99.498 0%和99.334 7%。在相同的数据集和实验平台下,DR-CNN在分类准确率、特异性和灵敏度上均优于相同结构复杂度的CNN、深度多层感知机等传统算法。DR-CNN算法提高了心律不齐智能诊断的精度,该方法与可穿戴设备、物联网和无线通信技术相结合,可以将心脏病的预防、监测和诊断延伸到家庭、养老院等院外场景,从而提高心脏病患者的救治率,并且有效地节约医疗资源。

关键词：心电图小波自适应滤波深度残差卷积神经网络心律不齐分类美国医疗器械促进协会

来源：评论

学校读者我要写书评

暂无评论

多源信息深度融合的行星齿轮箱故障诊断方法

引用

振动工程学报 2020年第5期33卷 1094-1102页

作者：陈仁祥黄鑫胡小林徐向阳黄钰朱孙科重庆交通大学交通工程应用机器人重庆市工程实验室重庆400074 重庆工业大数据创新中心有限公司重庆400056 西华大学汽车与交通工程学院四川成都610039

行星齿轮箱运行工况复杂,振动激励源多,仅依靠单一征兆域会导致故障诊断结果不确定性高。为此,对行星齿轮箱多通道多征兆域深层特征信息进行融合,提出基于多源信息深度融合的行星齿轮箱故障诊断方法。首先构建多个深度残差卷积神经网络(... 详细信息

行星齿轮箱运行工况复杂,振动激励源多,仅依靠单一征兆域会导致故障诊断结果不确定性高。为此,对行星齿轮箱多通道多征兆域深层特征信息进行融合,提出基于多源信息深度融合的行星齿轮箱故障诊断方法。首先构建多个深度残差卷积神经网络(Deep Residual Convolution Neural Network,DRCNN)分别对行星齿轮箱多通道多征兆域信息进行特征学习以建立局部特征空间与故障空间的映射;其次提取各子DRCNN所学习到的各征兆域深层故障特征以构建全局特征空间的证据体集;最后利用随机森林(Random Forest,RF)对证据体集进行融合以从不同角度充分利用多源故障特征信息,建立起全局特征空间与故障空间的映射,得到诊断结果。所提方法将特征自动提取与信息融合有效统一为整体,增强了方法的智能化与自适应能力。多工况下行星齿轮箱故障诊断实验结果表明所提方法诊断不确定度小、精确度高,能够有效对行星齿轮箱故障进行诊断。

关键词：故障诊断行星齿轮箱深度残差卷积神经网络随机森林多源信息深度融合

来源：评论

学校读者我要写书评

暂无评论

基于视角信息嵌入的行人重识别

引用

光学学报 2019年第6期39卷 254-263页

作者：毕晓君汪灏哈尔滨工程大学信息与通信工程学院

提出一种基于视角信息嵌入的行人重识别模型。结合行人图像视角朝向特点,对PSE (pose-sensitive embedding)网络结构进行了优化。首先将PSE特征向量融合部分由特征的融合改成更符合不同视角特征空间性质的三个视角单元特征向量的拼接;... 详细信息

提出一种基于视角信息嵌入的行人重识别模型。结合行人图像视角朝向特点,对PSE (pose-sensitive embedding)网络结构进行了优化。首先将PSE特征向量融合部分由特征的融合改成更符合不同视角特征空间性质的三个视角单元特征向量的拼接;其次视角单元从骨架网络更浅层的blocks-3进行分离,增加三个视角单元特征空间的差异性;最后利用改进的深度可分离卷积,设计了一个深度可分离模块,对视角单元进一步进行提取特征,防止模型参数过大的同时提高网络非线性能力,从而提高网络的泛化能力。利用Market1501、Duke-MTMC-reID和MARS数据集对所提的算法进行有效性验证实验,结果表明所提的改进方法取得了更好的识别效果。

关键词：机器视觉光计算行人重识别视角信息嵌入深度残差卷积神经网络深度可分离卷积

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLOv3算法的道路多目标实时检测方法

基于改进YOLOv3算法的道路多目标实时检测方法

引用

作者：宋二猛江西理工大学

学位级别：硕士

在复杂多变的道路交通环境中,车辆驾驶人员的疏忽和注意力不集中就可能造成不可逆的损失。车辆行驶过程中,对周围的物体实时分类和定位是保障道路交通安全的关键环节。针对现有道路目标检测技术难以在视频图像中对多目标物体进行实时准... 详细信息

在复杂多变的道路交通环境中,车辆驾驶人员的疏忽和注意力不集中就可能造成不可逆的损失。车辆行驶过程中,对周围的物体实时分类和定位是保障道路交通安全的关键环节。针对现有道路目标检测技术难以在视频图像中对多目标物体进行实时准确地分类和定位的问题,本文以目标检测引入道路多目标物体实时分类和定位的研究,所做的工作包含以下几个方面:(1)介绍了全连接网络、卷积网络、深度残差神经网络的发展过程,详细的阐述了卷积神经网络的基本构成单元(包括低维卷积、多维和多核卷积、1×1卷积核等的工作机理)以及深度神经网络特征正向传播和误差反向传播的计算过程。(2)分析了YOLOv3算法的特征提取网络组成和目标检测特征图输出网络的设计原理,并对YOLOv3算法目标物体边界框预测回归的计算过程和损失函数的设计机理进行了阐述。(3)针对道路目标物体边界框差异大的特点,在基于YOLOv3算法的基础上,设计了一种具有5个特征检测图155层的改进YOLOv3深度残差卷积神经网络构架模型,改进构架增加7×7和104×104的输出检测图分别负责检测道路交通视野中较大和较小的目标物体。网络训练的图片来自BDD100K数据集,实验结果表明,相比于YOLOv3构架,改进的多检测图YOLOv3网络在验证数据集上得到平均准确度均值为54.48%,提高了5.11个百分点的效果。(4)针对物体的距离测算方面,先后尝试了基于最小二乘法曲线拟合和基于摄像头焦距测定的物体纵向距离测算两种方法,实验结果表明后者的目标纵向距离测算的误差更小(平均误差为4.05%)。本文最后将改进YOLOv3算法的目标物体检测和距离测算相结合,修改了程序中关于输出检测物体信息的函数,程序输出了6个类别的目标物体分类、定位信息和4个类别目标物体与摄像头的纵向距离,并且视频检测速度达到29.8帧每秒,满足实时性的要求,此方法可以为自然道路交通场景下的汽车辅助驾驶提供参考。

关键词：道路多目标检测深度残差卷积神经网络 YOLOv3 多检测图实时分类定位

来源：评论

学校读者我要写书评

暂无评论

基于UBM和深度学习的说话人识别方法研究

基于UBM和深度学习的说话人识别方法研究

引用

作者：池春婷大连理工大学

学位级别：硕士

说话人识别(又称声纹识别)就是从说话人的语音信号中提取代表其身份的特征从而进行识别的技术。它以其独特的通用性、长效稳定性和成本低等优势,在银行系统、司法安全和互联网人工智能等领域中都得到了广泛的应用,有着重要的研究价值。... 详细信息

说话人识别(又称声纹识别)就是从说话人的语音信号中提取代表其身份的特征从而进行识别的技术。它以其独特的通用性、长效稳定性和成本低等优势,在银行系统、司法安全和互联网人工智能等领域中都得到了广泛的应用,有着重要的研究价值。传统算法在数据量少时优势突出,而引入深度学习的方法,能充分利用当今大数据时代的优势,使说话人识别技术再次得到了突破。本文对实现说话人识别算法进行了研究,主要工作如下:(1)本文系统地介绍了实现说话人识别的预处理模块、语音活动检测、提取语音特征的方法以及传统的分类模型等。(2)研究了通用背景下高斯混合模型的说话人识别系统,推导了参数估计、模型训练和打分匹配的过程。设计了不同实验探究对系统性能影响的各种因素,包括统一背景模型中不同单高斯模型的数目、梅尔频率倒谱系数特征的不同维度、不同的特征组合以及语音信号的不同帧长等。在公开数据库和自己录制的数据集上分别进行了说话人识别的跨语种实验,进而更好地验证该系统性能。(3)搭建了一个基于深度学习的说话人识别系统,采用结合残差网络的深层卷积神经网络提取特征,然后平均池化以生成说话人级别的表征向量,并用基于余弦相似度的三元组损失函数训练。该系统可以将语音映射到一个超平面,从而可以通过余弦相似度来直接衡量说话人的相似度。设计实验探究不同网络结构的系统性能,通过加入Softmax和交叉熵预训练进行优化,同时在公开数据库和自己录制的数据库上分别进行中英文的跨语种对比实验,都得到了较好的识别结果。本文通过基于传统主流的GMM-UBM模型和基于深度学习的方法分别搭建了说话人识别系统,并设计了各种实验对影响系统性能的因素进行探究,同时分别通过两种架构对实现说话人识别的系统进行了横向和纵向的跨语种对比。

关键词：说话人识别梅尔倒谱系数通用背景-高斯混合模型深度残差卷积神经网络三元组损失函数

来源：评论

学校读者我要写书评

暂无评论

Shearlet域深度残差CNN用于沙漠地震信号去噪

引用

吉林大学学报（信息科学版） 2019年第1期37卷 1-7页

作者：郑升李月董新桐吉林大学通信工程学院长春130012

由于沙漠地震信号中含有较强的随机噪声,从而给沙漠地震数据的处理和解释带来了很大的困难。针对上述问题,提出了一种基于Shearlet变换的深度残差卷积神经网络(ST-CNN:Deep Residual Convolutional Neural Network for Shearlet Transfo... 详细信息

由于沙漠地震信号中含有较强的随机噪声,从而给沙漠地震数据的处理和解释带来了很大的困难。针对上述问题,提出了一种基于Shearlet变换的深度残差卷积神经网络(ST-CNN:Deep Residual Convolutional Neural Network for Shearlet Transform)模型,实现沙漠地震信号的随机噪声压制。在训练阶段,将沙漠地震信号经Shearlet分解后的系数作为输入,将随机噪声经Shearlet分解后的系数作为标签,通过卷积神经网络(CNN:Convolutional Neural Network)学习输入和标签之间的映射关系;在测试阶段,利用此映射关系即可从沙漠地震信号系数中预测出噪声系数,并间接地获得有效信号系数,最后通过Shearlet反变换获得有效信号。通过与传统的Shearlet硬阈值去噪算法对比,发现该算法可把沙漠地震信号的信噪比从-4. 48 d B提高到14. 15 d B,具有更好的去噪效果。

关键词：沙漠地震信号噪声压制 Shearlet变换深度残差卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

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：

请选择收藏分类：

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

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：