检索结果-内蒙古大学图书馆

计算机工程 2024年第8期50卷 64-74页

作者：刘锁兰王炎王洪元朱生升常州大学计算机与人工智能学院阿里云大数据学院软件学院江苏常州213000

与基于图像的行为识别方法相比,利用人体骨架信息进行识别能有效克服复杂背景、光照变化以及外貌变化等因素影响。但是,目前主流的基于人体骨架的行为识别方法存在参数量过大、运算速度慢等问题。对此,提出一种多流轻量级语义图卷积的... 详细信息

与基于图像的行为识别方法相比,利用人体骨架信息进行识别能有效克服复杂背景、光照变化以及外貌变化等因素影响。但是,目前主流的基于人体骨架的行为识别方法存在参数量过大、运算速度慢等问题。对此,提出一种多流轻量级语义图卷积的行为识别方法。设计多流语义引导的图卷积网络(MS-SGN),将骨架信息分别表达为骨长流、关节流和细粒度流3种数据流形式,再对嵌入语义信息的数据流通过自适应图卷积提取空间特征,并采用不同内核和膨胀率的多尺度时域卷积提取时域特征,最后对各流分类结果进行加权融合。实验结果表明,该方法在NTU60 RGB+D数据集上的识别精度分别为90.0%(X-Sub)和95.83%(X-View),在NTU120 RGB+D数据集上的识别精度分别为83.4%(X-Sub)和84.0%(X-View),优于SGN、Logsin-RNN等主流方法,且网络框架更为轻量化。

关键词：行为识别人体骨架特征融合图卷积网络多尺度

来源：评论

学校读者我要写书评

暂无评论

基于流形混合增强的小样本图像分类算法

引用

郑州大学学报（理学版） 2023年第5期55卷 17-24页

作者：林龙王洪元田珍珍王阳常州大学计算机与人工智能学院(阿里云大数据学院软件学院)江苏常州213000

针对训练样本不足,导致训练模型容易过拟合的问题,提出了一种流形混合增强方法。首先,将经过简单数据增强处理的样本输入网络,在训练过程中,随机选择一个输出特征层;然后,从训练集中随机抽取训练样本,按照混合参数进行不同方式的混合增... 详细信息

针对训练样本不足,导致训练模型容易过拟合的问题,提出了一种流形混合增强方法。首先,将经过简单数据增强处理的样本输入网络,在训练过程中,随机选择一个输出特征层;然后,从训练集中随机抽取训练样本,按照混合参数进行不同方式的混合增强处理后,再送入下一个特征层,以此来缓解模型过拟合的问题。最后,针对传统神经网络获取长距离依赖关系困难的问题,融入一种光谱非局部块,使得特征提取网络可以更稳健、灵活地捕获远程依赖关系,以此来优化网络,提高网络性能。实验结果表明,在CIFAR-FS、CUB200和miniImageNet三个数据集及跨域分类上进行5-way 1-shot任务的平均与基准算法准确率对比,所提算法准确率有较高提升,验证了所提算法的有效性。

关键词：小样本学习图像分类数据增强特征提取非局部块

来源：评论

学校读者我要写书评

暂无评论

基于清晰度信息与灰度差异熵的图像修复算法

引用

计算机仿真 2022年第2期39卷 165-170页

作者：刘俊庄丽华薛彩霞常州大学阿里云大数据学院江苏常州213164 常州大学信息科学与工程学院江苏常州213164

当前较多图像修复算法主要利用图像的结构信息来计算待修复块的优先权,忽略了图像的清晰度信息,导致修复图像中含有振铃以及块现象等问题。对此引入图像的空间频率,设计了基于清晰度信息与灰度差异熵的图像修复算法。首先,将数据项、空... 详细信息

当前较多图像修复算法主要利用图像的结构信息来计算待修复块的优先权,忽略了图像的清晰度信息,导致修复图像中含有振铃以及块现象等问题。对此引入图像的空间频率,设计了基于清晰度信息与灰度差异熵的图像修复算法。首先,将数据项、空间频率和置信度项进行组合,形成待修复块的优先权度量函数,使其在优先权的计算过程中充分考虑了图像的清晰度信息,以提高优先权值计算的准确性,确保合理的修复顺序。然后,采用图像的灰度差异信息,构造灰度差异熵函数,计算合适的样本块大小。最后,联合绝对差平方和SSD与灰度差异熵函数,从图像的色彩差异信息以及灰度差异信息出发,确定待修复块对应的最优匹配块,以修复图像。实验结果表明,相对于已有的图像修复方法而言,所提算法具备更为理想的修复效果,对应的结构相似度值更大,其输出结果中不含有振铃和块现象。

关键词：图像修复清晰度信息灰度差异熵空间频率优先权样本块

来源：评论

学校读者我要写书评

暂无评论

线性代数教学中课程思政案例和应用实践研究

引用

当代教育实践与教学研究（电子刊） 2024年第4期 113-116页

作者：朱虹尤燕飞常州大学阿里云大数据学院常州大学阿里云大数据学院

线性代数是数学教学的三大基础课之一,具有无可替代的作用,特别是在计算机日益普及的今天,线性代数的重要性更加突出,学生对线性代数的学习也越来越重视,在线性代数教学中融入课程思政,不仅效果好而且受益面广.因此就线性代数教学中课... 详细信息

线性代数是数学教学的三大基础课之一,具有无可替代的作用,特别是在计算机日益普及的今天,线性代数的重要性更加突出,学生对线性代数的学习也越来越重视,在线性代数教学中融入课程思政,不仅效果好而且受益面广.因此就线性代数教学中课程思政的应用实践进行初步探讨,从言传身教、哲学思想、数学小故事等方面入手,充分挖掘线性代数的思政元素.并结合这些思政元素,列举了一些具体思政案例.

关键词：线性代数课程思政思政元素教学案例.

来源：评论

学校读者我要写书评

暂无评论

基于图模型与加权损失策略的视频行人重识别研究

引用

计算机应用研究 2022年第2期39卷 598-603页

作者：徐志晨王洪元齐鹏宇欣子豪常州大学计算机与人工智能学院阿里云大数据学院江苏常州213164

针对监控视频中行人外观、姿态相似等现象导致的视频行人重识别准确率低的问题进行了研究,提出了一种基于图模型的视频行人重识别方法,有效利用了视频中的时序信息,实现跨帧及帧内区域的信息交互。具体来说,利用跨帧分块区域间的关联信... 详细信息

针对监控视频中行人外观、姿态相似等现象导致的视频行人重识别准确率低的问题进行了研究,提出了一种基于图模型的视频行人重识别方法,有效利用了视频中的时序信息,实现跨帧及帧内区域的信息交互。具体来说,利用跨帧分块区域间的关联信息建立区域节点间的固有关系,并进行特征传播迭代更新区域信息。另一方面,在度量学习过程中,提出了一种加权损失函数策略,这个方法将先前挖掘策略中的二进制分配法(即丢弃或保留该样本)优化为连续分数分配法,解决了可用样本未被有效利用的问题。将模型在MARS和DukeMTMC-VideoReID两个数据集上进行了评估,实验结果证实了提出方法的有效性。

关键词：视频行人重识别深度学习图模型加权损失策略注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于复合图文特征的视觉问答模型研究

引用

计算机应用研究 2021年第8期38卷 2293-2298页

作者：邱南顾玉宛石林李宁庄丽华徐守坤常州大学计算机与人工智能学院阿里云大数据学院江苏常州213164

针对当前主流视觉问答(visual question answering,VQA)任务使用区域特征作为图像表示而面临的训练复杂度高、推理速度慢等问题,提出一种基于复合视觉语言的卷积网络(composite visionlinguistic convnet,CVlCN)来对视觉问答任务中的图... 详细信息

针对当前主流视觉问答(visual question answering,VQA)任务使用区域特征作为图像表示而面临的训练复杂度高、推理速度慢等问题,提出一种基于复合视觉语言的卷积网络(composite visionlinguistic convnet,CVlCN)来对视觉问答任务中的图像进行表征。该方法将图像特征和问题语义通过复合学习表示成复合图文特征,然后从空间和通道上计算复合图文特征的注意力分布,以选择性地保留与问题语义相关的视觉信息。在VQA-v2数据集上的测试结果表明,该方法在视觉问答任务上的准确率有明显的提升,整体准确率达到64.4%。模型的计算复杂度较低且推理速度更快。

关键词：视觉问答复合视觉语言特征区域特征多模态融合

来源：评论

学校读者我要写书评

暂无评论

复杂姿态下的安全帽佩戴检测方法研究

引用

计算机工程与应用 2022年第1期58卷 190-196页

作者：王雨生顾玉宛庄丽华石林李宁徐守坤常州大学计算机与人工智能学院阿里云大数据学院江苏常州213164

在施工人员复杂姿态下,现有安全帽佩戴检测方法存在检测难度大,精度不高的问题,提出一种基于头部识别的安全帽佩戴检测方法。通过肤色特征识别和头部检测获取头部区域,并进行交叉验证确定头部区域,使用YOLOv4目标检测网络识别安全帽,通... 详细信息

在施工人员复杂姿态下,现有安全帽佩戴检测方法存在检测难度大,精度不高的问题,提出一种基于头部识别的安全帽佩戴检测方法。通过肤色特征识别和头部检测获取头部区域,并进行交叉验证确定头部区域,使用YOLOv4目标检测网络识别安全帽,通过安全帽区域与头部区域的位置关系判断安全帽佩戴情况。最后,通过实验对比分析其他安全帽佩戴检测方法的性能,对安全帽佩戴检测方法进行总结并提出展望。

关键词：目标检测安全帽识别头部识别 YOLOv4

来源：评论

学校读者我要写书评

暂无评论

联合均等采样随机擦除和全局时间特征池化的视频行人重识别方法

引用

计算机应用 2021年第1期41卷 164-169页

作者：陈莉王洪元张云鹏曹亮殷雨昌常州大学计算机与人工智能学院阿里云大数据学院江苏常州213164

针对为解决视频监控中遮挡、背景物干扰,以及行人外观、姿势相似性等因素导致的视频行人重识别准确率较低的问题,提出了联合均等采样随机擦除和全局时间特征池化的视频行人重识别方法。首先针对目标行人被干扰或部分遮挡的情况,采用了... 详细信息

针对为解决视频监控中遮挡、背景物干扰,以及行人外观、姿势相似性等因素导致的视频行人重识别准确率较低的问题,提出了联合均等采样随机擦除和全局时间特征池化的视频行人重识别方法。首先针对目标行人被干扰或部分遮挡的情况,采用了均等采样随机擦除(ESE)的数据增强方法来有效地缓解遮挡,提高模型的泛化能力,更准确地匹配行人;其次为了进一步提高视频行人重识别的精度,学习更有判别力的特征表示,使用三维卷积神经网络(3DCNN)提取时空特征,并在网络输出行人特征表示前加上全局时间特征池化层(GTFP),这样既能获取上下文的空间信息,又能细化帧与帧之间的时序信息。通过在MARS、DukeMTMC-VideoReID和PRID-2011三个公共视频数据集上的大量实验,证明所提出的联合均等采样随机擦除和全局时间特征池化的方法,相较于目前一些先进的视频行人重识别方法,具有一定的竞争力。

关键词：视频行人重识别三维卷积神经网络全局时间特征表示均等采样随机擦除数据增强

来源：评论

学校读者我要写书评

暂无评论

一种基于分层结构的设备故障领域本体实例关系抽取方法

引用

计算机应用与软件 2023年第8期40卷 72-79页

作者：葛天一杨长春陈延雪周婷常州大学阿里云大数据学院江苏常州213016 常州大学微电子与控制工程学院江苏常州213016

优质的设备故障领域本体需要实例之间拥有准确的关系。传统的基于神经网络的实例关系抽取方法容易使意义相近的关系误分,且由于故障领域文本中实例间隔较远,使用该类方法抽取故障领域实例关系效果不佳。针对上述问题,基于分层结构提出... 详细信息

优质的设备故障领域本体需要实例之间拥有准确的关系。传统的基于神经网络的实例关系抽取方法容易使意义相近的关系误分,且由于故障领域文本中实例间隔较远,使用该类方法抽取故障领域实例关系效果不佳。针对上述问题,基于分层结构提出了一种从非结构化文本中抽取设备故障领域实例关系的方法。第一层通过对实例对中实例类型的识别,进行初步关系抽取;第二层使用融合自注意力机制的BiLSTM模型对包含实例对的句子进行解析,进行精确分类;通过统计的方法完成实例关系抽取。实验结果表明,此方法与现有的基于神经网络的实例关系抽取方法相比,取得了较好的精确度与召回率,提高了故障本体实例关系抽取的效果(F1值)。

关键词：本体构建设备故障关系抽取分层结构自注意力机制双向长短期记忆模型

来源：评论

学校读者我要写书评

暂无评论

基于改进SAMF的移动机器人目标跟踪算法

引用

火力与指挥控制 2023年第9期48卷 144-151页

作者：申春兰储开斌张继常州大学微电子与控制工程学院江苏常州213164 常州大学阿里云大数据学院江苏常州213164

针对移动机器人目标跟踪过程中目标尺度变化遮挡等问题,提出一种基于改进SAMF的目标跟踪算法,将SAMF算法尺度池扩展为9个,增强算法对目标尺度变化的鲁棒性,采用平均峰值相关能量作为模板更新指标,控制模板的更新。利用OTB100数据集和自... 详细信息

针对移动机器人目标跟踪过程中目标尺度变化遮挡等问题,提出一种基于改进SAMF的目标跟踪算法,将SAMF算法尺度池扩展为9个,增强算法对目标尺度变化的鲁棒性,采用平均峰值相关能量作为模板更新指标,控制模板的更新。利用OTB100数据集和自行采集的移动机器人目标对改进算法进行验证,结果表明改进算法的精度和成功率有很大提升,可实现移动机器人在目标尺度变化和被遮挡情况下的稳定跟踪。

关键词： SAMF算法移动机器人尺度池平均峰值相关能量

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：