期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于速度-动能法的中子诱发裂变谱仪物理设计
1
作者 马骏 李明 +9 位作者 张鹏琦 白晓厚 吴康 于筱雪 韩亚宁 张时宇 姚泽恩 张宇 王俊润 韦峥 《原子核物理评论》 北大核心 2025年第2期279-287,共9页
随着第四代核反应堆和新型核能利用系统的快速发展,以及超重核熔合机制和天体核物理中的快中子俘获反应等领域的研究进展,使得中子诱发重核裂变研究及裂变数据测量成为国际上核物理研究的新热点。本工作完成了基于速度-动能法的中子诱... 随着第四代核反应堆和新型核能利用系统的快速发展,以及超重核熔合机制和天体核物理中的快中子俘获反应等领域的研究进展,使得中子诱发重核裂变研究及裂变数据测量成为国际上核物理研究的新热点。本工作完成了基于速度-动能法的中子诱发裂变谱仪的物理设计。设计了MCP二次电子时间探测器,二次电子飞行时间展开控制在50 ps,TOF长度设计为70 cm。选择屏栅电离室为能量探测器,工作气体选择为异丁烷,最佳约化场强为6 V/(cm·133.32 Pa),气压为5000 Pa。采用COMSOL、Geant4、Garfield++等程序耦合计算了裂变碎片在屏栅电离室中的能量响应,谱仪系统的能量分辨率为0.36%~0.55%。本工作设计的基于速度-动能法的中子诱发裂变谱仪,当轻裂变碎片能量分辨率小于0.8%,重裂变碎片小于0.6%时,裂变碎片的质量分辨小于1 amu。此外,基于设计的裂变谱仪物理结构,本工作模拟计算了14 MeV中子诱发^(238)U裂变产额质量分布与电荷分布数据,与ENDF-VII基本一致,为中子诱发典型锕系重核裂变物理实验测量准备了条件。 展开更多
关键词 裂变谱仪 速度-动能法 时间探测器 屏栅电离室能量探测器
原文传递
细粒度图像分类综述 被引量：12
2
作者 申志军 穆丽娜 +2 位作者 高静 史远航 刘志强 《计算机应用》 CSCD 北大核心 2023年第1期51-60,共10页
细粒度图像具有类内方差大、类间方差小的特点,致使细粒度图像分类(FGIC)的难度远高于传统的图像分类任务。介绍了FGIC的应用场景、任务难点、算法发展历程和相关的常用数据集,主要概述相关算法:基于局部检测的分类方法通常采用连接、... 细粒度图像具有类内方差大、类间方差小的特点,致使细粒度图像分类(FGIC)的难度远高于传统的图像分类任务。介绍了FGIC的应用场景、任务难点、算法发展历程和相关的常用数据集,主要概述相关算法:基于局部检测的分类方法通常采用连接、求和及池化等操作,模型训练较为复杂,在实际应用中存在较多局限;基于线性特征的分类方法模仿人类视觉的两个神经通路分别进行识别和定位,分类效果相对较优;基于注意力机制的分类方法模拟人类观察外界事物的机制,先扫描全景,后锁定重点关注区域并形成注意力焦点,分类效果有进一步的提高。最后针对目前研究的不足,展望FGIC下一步的研究方向。 展开更多
关键词 细粒度图像分类 深度学习 卷积神经网络 注意力机制 计算机视觉
在线阅读 下载PDF
基于自适应三线性池化网络的细粒度图像分类 被引量：3
3
作者 石进 徐杨 曹斌 《计算机工程》 CAS CSCD 北大核心 2023年第5期239-246,254,共9页
细粒度图像分类的关键在于提取图像中微妙的特征。现有基于弱监督方式的细粒度图像识别方法大多使用专家标注的边界注释辅助定位关键区域,存在标注成本高、训练过程复杂等问题。基于弱监督的双线性卷积神经网络方法因其学习到的特征空... 细粒度图像分类的关键在于提取图像中微妙的特征。现有基于弱监督方式的细粒度图像识别方法大多使用专家标注的边界注释辅助定位关键区域,存在标注成本高、训练过程复杂等问题。基于弱监督的双线性卷积神经网络方法因其学习到的特征空间更符合细粒度图像特性而具有一定的有效性,但忽略了层间的相互作用。针对细粒度图像识别领域存在的关键区域识别困难和层间交互关联弱的问题,融合二阶协方差通道注意力机制、自适应特征掩码与自适应三线性池化,提出自适应三线性池化网络ATP-Net,用于细粒度图像分类任务。通过二阶协方差通道注意力机制学习通道上的注意力向量,构建自适应特征掩码模块学习空间维上的注意力矩阵,设计自适应三线性池化模块学习特征的最终表示,以充分利用空间维、通道维上的信息。在CUB-200、Cars-196和Aircraft-1003个细粒度图像分类数据集上的实验结果表明,ATP-Net的分类精度分别为89.30%、94.20%和91.80%。 展开更多
关键词 细粒度图像分类 注意力机制 特征掩码 自适应三线性池化 高阶交互
在线阅读 下载PDF
视觉Transformer在细粒度图像分类中的应用综述
4
作者 温世雄 智敏 《计算机工程与应用》 2025年第23期24-37,共14页
细粒度图像分类(fine-grainedimageclassification,FGIC)旨在识别视觉上高度相似但存在细微差异的子类别。随着深度学习的快速发展,FGIC算法已由传统强监督学习逐步发展至弱监督学习。视觉Transformer(ViT)凭借其多头自注意力机制,无须... 细粒度图像分类(fine-grainedimageclassification,FGIC)旨在识别视觉上高度相似但存在细微差异的子类别。随着深度学习的快速发展,FGIC算法已由传统强监督学习逐步发展至弱监督学习。视觉Transformer(ViT)凭借其多头自注意力机制,无须依赖手工标注,同时克服了基于卷积神经网络(CNN)算法在感受野和全局建模能力上的局限性,成为该任务的主流方法之一。对FGIC的特点与难点进行概述,简要介绍ViT的基本架构及其优势。根据不同的特征融合策略将基于ViT的改进算法分成层次、多局部及多粒度三种特征融合方法,对每类方法的改进方式进行详细的图示说明,并对各类技术方法的机制进行详细阐述和总结分析。梳理了常用的公开数据集,并根据当前研究的局限性提出未来的研究方向,以进一步挖掘ViT在细粒度图像分类任务中的应用潜力。 展开更多
关键词 细粒度图像分类(fgic) 视觉Transformer(ViT) 特征融合
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部