检索结果-内蒙古大学图书馆

计算机工程与应用 2020年第22期56卷 199-204页

作者：胡啸陈黎武汉科技大学计算机科学与技术学院武汉430081 武汉科技大学智能信息处理与实时工业系统湖北省重点实验室武汉430081

以安防监控视频下受遮挡与透视影响的道路作为研究对象,针对行人、行车对道路边界线的遮挡造成的消失点难以检测和实例分割欠分割难题,提出了一种改进的实例分割道路检测方法。首先使用实例分割对道路区域进行提取,然后通过凸包算法补... 详细信息

以安防监控视频下受遮挡与透视影响的道路作为研究对象,针对行人、行车对道路边界线的遮挡造成的消失点难以检测和实例分割欠分割难题,提出了一种改进的实例分割道路检测方法。首先使用实例分割对道路区域进行提取,然后通过凸包算法补偿行人、行车对道路边界线的遮挡,最后将其拟合成符合场景结构的梯形模型,从而优化对道路的检测。实验结果表明,该方法解决了道路受遮挡与透视影响而导致检测不准确的问题,可以满足安防监控视频下道路检测的需求,具有实际意义。

关键词：实例分割道路检测图像拟合遮挡透视

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的秀丽隐杆线虫显微图像分割方法

引用

计算机应用 2020年第5期40卷 1453-1459页

作者：曾招鑫刘俊武汉科技大学计算机科学与技术学院武汉430065 智能信息处理与实时工业系统湖北省重点实验室(武汉科技大学) 武汉430065

利用计算机实现自动、准确的秀丽隐杆线虫(***)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致... 详细信息

利用计算机实现自动、准确的秀丽隐杆线虫(***)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的***分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。

关键词：秀丽隐杆线虫图像分割深度学习掩模区域卷积神经网络特征融合大幅度软最大损失

来源：评论

学校读者我要写书评

暂无评论

基于级联SSD的目标检测算法

引用

计算机工程与设计 2020年第12期41卷 3517-3524页

作者：雷华迪陈东方王晓峰武汉科技大学计算机科学与技术学院湖北武汉430065 武汉科技大学智能信息处理与实时工业系统湖北省重点实验室湖北武汉430065

针对原始SSD算法对小目标检测效果差而现有改进算法DSSD以及RSSD等检测速度太慢的问题,提出一种基于级联SSD的目标检测算法。在训练时基于Focal Loss和Truncated Gradient改进分类损失函数,增强初始检测效果。在检测时设计小目标强化检... 详细信息

针对原始SSD算法对小目标检测效果差而现有改进算法DSSD以及RSSD等检测速度太慢的问题,提出一种基于级联SSD的目标检测算法。在训练时基于Focal Loss和Truncated Gradient改进分类损失函数,增强初始检测效果。在检测时设计小目标强化检测模块与SSD网络级联,单独提取小目标区域对应的高层特征来检测小目标,有效增强对小目标的检测效果。实验结果表明,在PASCAL VOC 2007数据集上,与目标检测主流算法SSD相比,具有更高的准确率,与DSSD相比,具有更好的实时性。

关键词：目标检测级联截断梯度法深度学习实时检测

来源：评论

学校读者我要写书评

暂无评论

基于组约束深度神经网络的航运监控事件识别

引用

计算机工程与设计 2020年第10期41卷 2949-2957页

作者：明道睿张鸿武汉科技大学计算机科学与技术学院湖北武汉430065 武汉科技大学智能信息处理与实时工业系统湖北省重点实验室湖北武汉430065

针对传统的机器学习算法以及常规的深度学习模型对于大数据量的航运监控视频识别效果不佳的问题,设计一种组约束深度神经网络模型(GCDNN)对实时航运监控视频进行识别。模型主要由结合Inception结构的VGG-16组件和优化LSTM单元的深层双... 详细信息

针对传统的机器学习算法以及常规的深度学习模型对于大数据量的航运监控视频识别效果不佳的问题,设计一种组约束深度神经网络模型(GCDNN)对实时航运监控视频进行识别。模型主要由结合Inception结构的VGG-16组件和优化LSTM单元的深层双向循环神经网络DBO-LSTM组件构成,充分提取视频帧序列的时空特征,使用稀疏组套索正则化算法进行网络稀疏处理,使用随机森林算法输出分类结果。实验结果表明,所提模型可以较好提升大数据量下的视频识别准确率,对于受恶劣天气影响的数据具有较强的识别能力,验证了所提模型的有效性。

关键词：航运监控视频识别神经网络稀疏组套索随机森林

来源：评论

学校读者我要写书评

暂无评论

基于图像分割的水炮射流落点检测

引用

计算机工程与设计 2020年第11期41卷 3262-3268页

作者：周俊杰陈黎陈姚节武汉科技大学计算机科学与技术学院湖北武汉430081 武汉科技大学湖北省智能信息处理与实时工业系统重点实验室湖北武汉430081

针对现有水炮系控制系统难以获取有效的打击效果反馈,提出一种基于射流图像分割的水炮射流落点检测方法。将水炮射击时的图像作为输入,实时决策出图像中的射流落点。通过设计一个轻量级的深度学习语义分割网络L-Unet对包含水炮射流实体... 详细信息

针对现有水炮系控制系统难以获取有效的打击效果反馈,提出一种基于射流图像分割的水炮射流落点检测方法。将水炮射击时的图像作为输入,实时决策出图像中的射流落点。通过设计一个轻量级的深度学习语义分割网络L-Unet对包含水炮射流实体的影像进行实时分割,在达到射流分割精度需求的基础上实现实时性。在得到完整的射流轮廓后,分析射流轮廓并识别出射流实际落点。在实际场景中进行测试时,在落点检测准确率达到95%的前提下,处理速度达到了32 ms,实现了落点坐标实时反馈。

关键词：落点检测深度学习语义分割轮廓分析实时

来源：评论

学校读者我要写书评

暂无评论

离散数学与思政教育

引用

科教导刊-电子版（中旬） 2021年第2期 216-217页

作者：黄莉张凯胡威王晓峰陈诚武汉科技大学计算机科学与技术学院湖北·武汉 430080 武汉科技大学智能信息处理与实时工业系统湖北省重点实验室院湖北·武汉 430080

新时代,高校教育面临新的挑战和机遇之机,新的以德育人的教育观念正在形成.计算机相关的教学中,离散数学课程是数据结构等其他多门专业课的先导课,但对于绝大多数计算机专业认识还停留在娱乐层面的大一学生来说,初次接触离散数学难免感... 详细信息

新时代,高校教育面临新的挑战和机遇之机,新的以德育人的教育观念正在形成.计算机相关的教学中,离散数学课程是数据结构等其他多门专业课的先导课,但对于绝大多数计算机专业认识还停留在娱乐层面的大一学生来说,初次接触离散数学难免感觉晦涩难懂.考虑到学生对思政课程的长期学习和熟悉,本文把离散数学和思政课程相结合的新模式,使学生以思政元素来理解专业知识点,同时在学习专业知识过程中进行思政教育,两者相得益彰.

关键词：离散数学课程思政课程改革

来源：评论

学校读者我要写书评

暂无评论

基于边缘关注模型的语义分割方法

引用

计算机应用 2021年第2期41卷 343-349页

作者：佘玉龙张晓龙程若勤邓春华武汉科技大学计算机科学与技术学院武汉430065 武汉科技大学大数据科学与工程研究院武汉430065 智能信息处理与实时工业系统湖北省重点实验室(武汉科技大学) 武汉430065 武汉科技大学附属天佑医院武汉430064

肝脏是人体代谢功能的主要器官,目前机器学习在肝脏影像语义分割研究中的难点有:1)肝脏中间部位有下腔静脉、软组织和血管,甚至有坏死或肝裂等情况;2)肝脏与一些邻近器官之间的边界模糊,难以分辨。针对这些问题,提出了边缘关注模型(EAM... 详细信息

肝脏是人体代谢功能的主要器官,目前机器学习在肝脏影像语义分割研究中的难点有:1)肝脏中间部位有下腔静脉、软组织和血管,甚至有坏死或肝裂等情况;2)肝脏与一些邻近器官之间的边界模糊,难以分辨。针对这些问题,提出了边缘关注模型(EAM)及边缘关注网络(EANet)。该网络采用了Encoder-Decoder(编码-解码)的模型框架:在编码器中运用了在ImageNet上预训练好的残差网络ResNet34和EAM,由此来充分获取肝脏边缘的细节特征信息;在解码器中则运用了反卷积操作和EAM对有效信息进行特征提取,进而得到肝脏影像的语义分割图。最后,对分割后噪声较大的图片实施了平滑处理。在三个数据集上与AHCNet进行对比,结果显示:在3Dircadb数据集上,EANet的体积重叠误差(VOE)和相对体积差异(RVD)分别降低了1.95个百分点和0.11个百分点,且DICE精度提高了1.58个百分点;在Sliver07数据集上,EANet的VOE、最大表面距离(MSD)和均方差对称表面距离(RMSD)分别降低了大约1个百分点、3.3 mm和0.2 mm;在某医院临床MRI肝脏影像数据集上,EANet的VOE和RVD分别降低了0.88个百分点和0.31个百分点,且DICE精度提高了1.48个百分点。实验结果表明,所提出的EANet具有较好的肝脏图像分割效果。

关键词：医学肝脏影像语义分割特征提取残差网络体积重叠误差相对体积差异

来源：评论

学校读者我要写书评

暂无评论

基于《数据结构》实验的翻转课堂教学研究

引用

科教导刊-电子版（上旬） 2021年第7期 192-193页

作者：熊莹毛雪松武汉科技大学计算机科学与技术学院湖北·武汉 430065 湖北省智能信息处理与实时工业系统湖北省重点实验室湖北·武汉 430065 武汉科技大学信息科学与工程学院湖北·武汉 430081

翻转课堂是一种混合形式的教学方式,存在多种教学模式,其目的在于创建主动学习环境,加深学生对知识的理解.在这种新的教学方式下,老师能够更有针对性地指导学生,与学生产生良好的互动,提高教学效率.在《数据结构》的实验教学中,通过积... 详细信息

翻转课堂是一种混合形式的教学方式,存在多种教学模式,其目的在于创建主动学习环境,加深学生对知识的理解.在这种新的教学方式下,老师能够更有针对性地指导学生,与学生产生良好的互动,提高教学效率.在《数据结构》的实验教学中,通过积极引入翻转教学,增强学生对知识的思考能力和对科学问题的探索能力,实验验收合格率远高于传统教学方式,达到预期教学目标,表明翻转课堂适合于计算机类课程的实验教学.

关键词：翻转课堂实践教学自主学习技能培养

来源：评论

学校读者我要写书评

暂无评论

MRAU-Net:基于改进U-Net和注意力机制的视网膜血管分割

引用

计算机系统应用 2025年第6期 138-145页

作者：谢佳锋廖光忠武汉科技大学计算机科学与技术学院武汉科技大学智能信息处理与实时工业系统湖北省重点实验室

由于眼底图像背景复杂、毛细血管细小且模糊以及噪声干扰等原因,传统视网膜血管分割算法容易出现识别不准确和断连等问题.针对这些问题,提出一种基于改进U-Net和注意力机制的视网膜血管分割算法(MRAUNet).为解决特征提取不充分问题,设... 详细信息

由于眼底图像背景复杂、毛细血管细小且模糊以及噪声干扰等原因,传统视网膜血管分割算法容易出现识别不准确和断连等问题.针对这些问题,提出一种基于改进U-Net和注意力机制的视网膜血管分割算法(MRAUNet).为解决特征提取不充分问题,设计了多尺度残差卷积模块(MSRCB)来代替U-Net传统的卷积块;为了减少信息丢失和噪声干扰,在瓶颈层嵌入双维注意力优化模块(DAOM);为了减少在编解码过程中造成的信息丢失,构建了一种新的多尺度密集空洞卷积块(MDCB),并与传统的跳跃连接相结合.在DRIVE和CHASE＿DB1两个公开数据集上进行了实验, F1-score分别为82.92%、83.75%, AUC分别为98.87%、98.96%,灵敏度分别为84.50%、83.82%,准确率分别为97.11%、97.63%.实验结果表明MRAU-Net较现有优秀算法拥有更优异的性能表现.

关键词：视网膜血管图像分割深度学习 U-Net 注意力机制多尺度密集空洞卷积

来源：评论

学校读者我要写书评

暂无评论

基于PCA的哈希图像检索算法

引用

计算机工程与设计 2020年第2期41卷 483-487页

作者：马绍覃张鸿武汉科技大学计算机科学与技术学院湖北武汉430065 武汉科技大学智能信息处理与实时工业系统湖北省重点实验室湖北武汉430065

图像哈希算法的步骤大致分为投影和量化两个阶段,为提高哈希编码的性能,分别对这两个阶段进行研究。在投影阶段,通过主成分分析算法将数据投影到新的特征子空间中,以降低原始特征之间的冗余性;在量化阶段,为减少量化所带来的损失,提出... 详细信息

图像哈希算法的步骤大致分为投影和量化两个阶段,为提高哈希编码的性能,分别对这两个阶段进行研究。在投影阶段,通过主成分分析算法将数据投影到新的特征子空间中,以降低原始特征之间的冗余性;在量化阶段,为减少量化所带来的损失,提出一种单双比特结合的量化方法;利用得到的哈希编码进行图像检索。在两个常用的图像数据集上的实验结果表明,提出的算法较现有的主流图像哈希算法在多个评价指标下均有所提高。

关键词：投影量化哈希图像检索主成分分析

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：