检索结果-内蒙古大学图书馆

中国机械 2020年第1期 98-99页

作者：骆嘉郭忠峰王世杰任仲伟沈阳工业大学(辽宁省智能制造与工业机器人重点实验室) 辽宁沈阳 110870 贵州理工学院机械工程学院贵州贵阳 550003

近10年来,深度学习成为了一个热门研究领域,广泛应用在自然语言处理、语音识别、机器视觉等方面.目标检测作为机器视觉中的一个重要分支,目前在无人驾驶、工业生产等方面已有了初步成果.本文主要对two-stage、one-stage和an-chor-free... 详细信息

近10年来,深度学习成为了一个热门研究领域,广泛应用在自然语言处理、语音识别、机器视觉等方面.目标检测作为机器视觉中的一个重要分支,目前在无人驾驶、工业生产等方面已有了初步成果.本文主要对two-stage、one-stage和an-chor-free类代表性框架进行了详细的论述,总结分析了三大类框架的特点和优化策略,说明了anchor-free是今后的发展方向.

关键词：机器视觉深度学习目标检测框架卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

光学遥感图像目标检测的深度学习算法研究进展

引用

遥感学报 2024年第12期28卷 3045-3073页

作者：徐丹青吴一全南京航空航天大学电子信息工程学院南京211106

光学遥感图像目标检测在军事和民用方面都有很广泛的应用前景。本文综述了基于深度学习的光学遥感图像目标检测算法研究进展。首先,详细分析了光学遥感图像中的目标特点;其次,简要回顾了光学遥感图像目标检测算法的发展历程;再次,阐明... 详细信息

光学遥感图像目标检测在军事和民用方面都有很广泛的应用前景。本文综述了基于深度学习的光学遥感图像目标检测算法研究进展。首先,详细分析了光学遥感图像中的目标特点;其次,简要回顾了光学遥感图像目标检测算法的发展历程;再次,阐明了基于深度学习的光学遥感图像目标检测流程;最后,以深度学习为出发点,概述了经典的目标检测框架,并根据光学遥感图像目标的特点,分别针对尺度多样性、方向多样性、形状多样性、小尺寸、特征相似性、背景复杂性、分布密集性、弱特征的光学遥感图像目标检测问题,对各种改进算法进行了系统性的总结,此外,归纳了针对光学遥感图像目标检测的非全监督学习算法,介绍了常用的开源光学遥感图像数据集和目标检测的性能评估指标,指出了现阶段在光学遥感图像目标检测领域仍然面临的主要挑战和下一步的发展方向。

关键词：光学遥感图像目标检测深度学习目标特点目标检测流程目标检测框架非全监督学习数据集性能评估指标

来源：评论

学校读者我要写书评

暂无评论

基于改进SSD算法的光伏组件缺陷检测研究

引用

智慧电力 2023年第12期51卷 53-58页

作者：艾上美周剑峰张必朝张涛王红斌云南电网有限责任公司楚雄供电局云南楚雄675000 昆明理工大学信息工程与自动化学院云南昆明650000

为了解决无人机巡检光伏组件的效率和识别准确率低的问题,提出了一种基于超分辨率和双池化融合的光伏组件缺陷检测方法。首先,使用生成对抗网络(GAN)对光伏组件图像数据进行扩展,建立可用于光伏电站缺陷目标检测的图像数据集;然后,构建... 详细信息

为了解决无人机巡检光伏组件的效率和识别准确率低的问题,提出了一种基于超分辨率和双池化融合的光伏组件缺陷检测方法。首先,使用生成对抗网络(GAN)对光伏组件图像数据进行扩展,建立可用于光伏电站缺陷目标检测的图像数据集;然后,构建图像超分辨网络,减小图像数据集的噪声和提高局部区域的纹理特征。最后,将单次多边框检测(SSD)的主干网络替换为双池化方式融合的特征提取网络(VGG19_MP),在不提高网络参数的情况下,学习更深层次的纹理结构。结果表明基于超分辨率网络和双池化融合的光伏组件缺陷检测算法精确率达到了98.21%,平均检测时间为0.066 s,相较于对比的检测算法提高了0.9%~9.1%,平均检测时间提高了0.01~0.07 s,为光伏组件缺陷的精确识别提供了更有效的检测方法。

关键词：超分辨率网络双池化融合无人机巡检数据增强目标检测框架

来源：评论

学校读者我要写书评

暂无评论

面向睡眠障碍评估的生理信号状态辨识

面向睡眠障碍评估的生理信号状态辨识

引用

作者：张垒武汉大学

学位级别：硕士

睡眠障碍是一类典型脑功能障碍疾病,伴随睡眠质量低下和呼吸暂停/低通气等异常睡眠行为。相关统计表明,高达30%的成年人患有不同程度的睡眠障碍症状。多导睡眠图是一项睡眠监测技术,全面记录了人睡眠过程中的各项生理指标(脑电、眼电、... 详细信息

睡眠障碍是一类典型脑功能障碍疾病,伴随睡眠质量低下和呼吸暂停/低通气等异常睡眠行为。相关统计表明,高达30%的成年人患有不同程度的睡眠障碍症状。多导睡眠图是一项睡眠监测技术,全面记录了人睡眠过程中的各项生理指标(脑电、眼电、口鼻气流、胸腹压力),可以作为评估睡眠障碍的有效依据。然而长期以来睡眠生理信号分析都依赖于专家肉眼检查多导睡眠图,并对睡眠阶段、呼吸暂停/低通气片段进行标注,存在效率低、主观差异性大等问题。近年来以各类机器学习、深度学习模型为代表的人工智能技术方兴未艾,为睡眠障碍提供了可靠的自动化评估手段。开展睡眠障碍评估面临解决准确识别睡眠阶段和自动确定睡眠障碍类型两大难点。本文围绕这两个突出困难展开系列研究。研究基于时序关联性的多模态睡眠阶段识别算法。用于睡眠阶段判断的生理电信号(脑电、眼电)属于典型的多模态数据,不同模态信号在睡眠阶段间的变化方式也存在显著差异,同时睡眠阶段在睡眠过程中的演化遵循一定的内在规则。针对睡眠阶段识别的上述特性,本工作提出基于时序关联性的多模态睡眠阶段识别框架。针对不同模态信号的异质性,参考传统信号处理思想,将脑电和眼电信号分别组成组织成时域和时频形式,并提出一种双分支结构的卷积结构用于从两种输入形式中提取深度隐含特征。为融合睡眠阶段的演化规则,本工作设计两种约束策略,基于RNN和Markov模型分别在模型训练和评估时嵌入睡眠阶段的时序关联性。研究基于目标检测框架的SHAS评估方法。SAHS(呼吸暂停/低通气)是一类典型的睡眠障碍症状,可通过口鼻气流等呼吸指标进行监测。不同于睡眠阶段,呼吸暂停/低通气片段并不具备固定持续时间,导致使用单一固定时间窗口切分样本会破坏真实片段完整性,同时在此基础上设计的分类模型无法满足片段精确定位的需求。本工作引入目标检测网络用于直接对原始呼吸暂停/低通气片段进行检测。考虑现有目标检测网络未有效处理时序信息且使用基于固定数目的池化策略(ROI Pooling/Align)可能导致不同长度特征尺度不一致的问题,设计了一种基于固定步长的池化策略,同时引入序列模型生成定长特征并融合生理信号的时序信息用于后续分类。实验结果表明,本工作提出的多模态睡眠阶段识别算法能有效融合多种模态信号的特征,采用双重时序关联性约束策略能够显著地提升模型性能并校正睡眠阶段过渡中出现的随机跳转问题,模型在Sleep-EDF公开数据集上取得了84.9%的睡眠阶段识别性能,优于同类方法。对于SAHS评估而言,本工作提出的轻量级检测模型能够精确定位呼吸暂停/低通气片段,模型采用的基于固定步长的池化策略具有更优的性能,并且由于序列模型融入了生理信号的时序信息,在呼吸暂停/低通气辅助诊断上获得了更高的评估性能。最后,本文提出的两种模型也可以适用于其它生理状态辨识任务和特异性生理片段检测任务。

关键词：多导睡眠图睡眠阶段识别 SAHS评估双分支CNN模型目标检测框架

来源：评论

学校读者我要写书评

暂无评论

基于SSD神经网络的图像自动标注及应用研究

引用

信息技术与标准化 2020年第4期 38-42,47页

作者：谢禹李玉俊董文生上海宝信软件股份有限公司

针对目前图片标注成本高的问题,提出了融合自动标注半监督学习的协同训练算法:先基于SSD算法训练图片检测模型,融合半监督学习算法,在用自动标注的图片训练模型时叠加手动标注的数据,最终生成目标检测自动标注模型。实验结果表明,模型... 详细信息

针对目前图片标注成本高的问题,提出了融合自动标注半监督学习的协同训练算法:先基于SSD算法训练图片检测模型,融合半监督学习算法,在用自动标注的图片训练模型时叠加手动标注的数据,最终生成目标检测自动标注模型。实验结果表明,模型在经过6次迭代后自动标注生成的位置坐标与手动标注的真实位置坐标之间的平均IoU达到了80%以上,测试结果说明该算法在实际应用中有较大的应用前景。

关键词：图像自动标注 SSD 半监督学习协同训练算法目标检测框架

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：