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6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：
基于自注意力机制和侧输出损失函数的视网膜血管分割网络
1
作者 于振华 闫本聪 王迎美 《科学技术与工程》 北大核心 2025年第21期8993-9001,共9页
图像分割是医学图像分析中的一个基本问题,基于深度学习的典型UNet架构(UNet architecture)分割网络模型及其变式被广泛应用于视网膜血管分割之中。但是UNet网络通过局部卷积模块提取图像的特征信息,难以关联图像的全局信息,无法有效捕... 图像分割是医学图像分析中的一个基本问题,基于深度学习的典型UNet架构(UNet architecture)分割网络模型及其变式被广泛应用于视网膜血管分割之中。但是UNet网络通过局部卷积模块提取图像的特征信息,难以关联图像的全局信息,无法有效捕捉像素之间的长距离依赖关系。考虑到UNet网络模型存在的问题和视网膜血管图像的特点,在UNet跳跃连接中加入注意力模块,可以捕捉血管之间的长距离依赖关系。此外,为增强网络的分割能力,使用群归一化(group normalization,GN)代替UNet网络模型原始的批归一化(batch normalization,BN),对不同的通道选择对应的分组。为更新参数和优化网络,利用侧输出层和最后的输出层设计了交叉熵损失函数。在DRIVE数据集和CHASEDB1数据集上进行了实验,实验结果表明所提出的模型有更好的图像分割效果。 展开更多
关键词 UNet Swin-UNet 群归一化 侧输出层 视网膜血管分割
在线阅读 下载PDF
一种基于双重网络模型的单幅图像超分辨率方法 被引量：1
2
作者 倪翠 王朋 +1 位作者 张广渊 李克峰 《应用科学学报》 CAS CSCD 北大核心 2021年第2期321-329,共9页
本文对深度学习领域中的高效亚像素卷积神经网络(efficient sub-pixel convo-lutional neural network,ESPCN)算法进行了改进,通过加入残差网络知识,调整原有的ESPCN构造结构,提出了一种双重网络模型下单幅图像超分辨率重建方法。通过... 本文对深度学习领域中的高效亚像素卷积神经网络(efficient sub-pixel convo-lutional neural network,ESPCN)算法进行了改进,通过加入残差网络知识,调整原有的ESPCN构造结构,提出了一种双重网络模型下单幅图像超分辨率重建方法。通过实验证明:该算法能够有效地提高单幅图像超分辨率重建的精度,丰富重建后的细节信息。 展开更多
关键词 残差网络 亚像素卷积 带组归一化 隐藏层
在线阅读 下载PDF
基于CenterNet的小学生英文手写体区域检测 被引量：1
3
作者 张朝晖 刘远铎 《河北工业科技》 CAS 2020年第5期291-299,共9页
为了探索智能批阅小学生作业的可行性,以小学生英文手写体为研究对象,建立了基于关键点的CenterNet模型。首先,针对低显存环境下CenterNet模型的构造与学习,提出了一种新的以组规范化(GN)替换批量规范化(BN)的池化模块结构改造方案,得... 为了探索智能批阅小学生作业的可行性,以小学生英文手写体为研究对象,建立了基于关键点的CenterNet模型。首先,针对低显存环境下CenterNet模型的构造与学习,提出了一种新的以组规范化(GN)替换批量规范化(BN)的池化模块结构改造方案,得到了改造版CenterNet模型;之后,将改造版CenterNet模型用于小学生英文手写体区域检测,实现了基于深度学习的英文手写体区域检测。将改造版CenterNet模型与原始CenterNet模型和CornerNet-Lite基准模型进行检测比较。实验表明2种版本CenterNet模型的英文手写体区域检测精度和平均召回率均高于基准模型的相应值,改造版CenterNet模型的AP0.5值甚至可达到73.1%,比基准模型高出近6%;此外,相比于基准模型,改造版的CenterNet模型的漏检情况更少,并在一定程度上有效抑制了误检。改造版的CenterNet模型不仅检测性能优于原始CenterNet模型,而且其学习过程更稳定、收敛更快,这为小学生作业智能批阅方案的设计提供了有价值的解决途径。 展开更多
关键词 计算机神经网络 英文手写体区域检测 目标检测 CenterNet 组规范化 池化模块结构
在线阅读 下载PDF
Re-GAN:残差生成式对抗网络算法 被引量：14
4
作者 史彩娟 涂冬景 刘靖祎 《中国图象图形学报》 CSCD 北大核心 2021年第3期594-604,共11页
目的生成式对抗网络(generative adversarial network,GAN)是一种无监督生成模型,通过生成模型和判别模型的博弈学习生成图像。GAN的生成模型是逐级直接生成图像,下级网络无法得知上级网络学习的特征,以至于生成的图像多样性不够丰富。... 目的生成式对抗网络(generative adversarial network,GAN)是一种无监督生成模型,通过生成模型和判别模型的博弈学习生成图像。GAN的生成模型是逐级直接生成图像,下级网络无法得知上级网络学习的特征,以至于生成的图像多样性不够丰富。另外,随着网络层数的增加,参数变多,反向传播变得困难,出现训练不稳定和梯度消失等问题。针对上述问题,基于残差网络(residual network,Res Net)和组标准化(group normalization,GN),提出了一种残差生成式对抗网络(residual generative adversarial networks,Re-GAN)。方法 Re-GAN在生成模型中构建深度残差网络模块,通过跳连接的方式融合上级网络学习的特征,增强生成图像的多样性和质量,改善反向传播过程,增强生成式对抗网络的训练稳定性,缓解梯度消失。随后采用组标准化(GN)来适应不同批次的学习,使训练过程更加稳定。结果在Cifar10、Celeb A和LSUN数据集上对算法的性能进行测试。Re-GAN的IS(inception score)均值在批次为64时,比DCGAN (deep convolutional GAN)和WGAN (Wasserstein-GAN)分别提高了5%和30%,在批次为4时,比DCGAN和WGAN分别提高了0.2%和13%,表明无论批次大小,Re-GAN生成图像具有很好的多样性。Re-GAN的FID(Fréchet inception distance)在批次为64时比DCGAN和WGAN分别降低了18%和11%,在批次为4时比DCGAN和WGAN分别降低了4%和10%,表明Re-GAN生成图像的质量更好。同时,Re-GAN缓解了训练过程中出现的训练不稳定和梯度消失等问题。结论实验结果表明,在图像生成方面,Re-GAN的生成图像质量高、多样性强;在网络训练方面,Re-GAN在不同批次下的训练具有更好的兼容性,使训练过程更加稳定,梯度消失得到缓解。 展开更多
关键词 图像生成 深度学习 卷积神经网络 生成式对抗网络 残差网络 组标准化
原文传递
近距离煤层群中煤组瓦斯集中治理技术研究 被引量：6
5
作者 李远知 程坦 《煤炭技术》 CAS 北大核心 2021年第5期123-127,共5页
土城矿属于煤层群开采,各主采煤层均具有突出危险性,首采保护层回采期间面临着瓦斯突出和涌出量超限2大难题,故提出中煤组集中瓦斯治理技术。根据煤层覆存条件合理选择首采层,可对上覆及下伏煤层有效卸压;保护层顶、底板裂隙带最大发育... 土城矿属于煤层群开采,各主采煤层均具有突出危险性,首采保护层回采期间面临着瓦斯突出和涌出量超限2大难题,故提出中煤组集中瓦斯治理技术。根据煤层覆存条件合理选择首采层,可对上覆及下伏煤层有效卸压;保护层顶、底板裂隙带最大发育深度分别为58.9、31.7 m,在保护层回采期间,中煤组各临近层瓦斯均会涌入生产空间。施工穿层长钻孔对首采面及临近层进行瓦斯集中抽放具有显著效果,钻孔有效抽采半径的理论值为2.5 m。对中煤组瓦斯浓度、流量监测结果归一化处理,得到首采层瓦斯抽采比例占整个中煤组的30.6%,预抽300 d时抽采量约5.5×106m3,并可有效降低回采期间邻近层瓦斯涌出量。 展开更多
关键词 近距离煤层群 保护层 集中治理 有效抽采半径 归一化处理
原文传递
一种遥感图像车辆检测方法 被引量：3
6
作者 马志龙 倪佳忠 《北京测绘》 2022年第5期547-551,共5页
针对常用的遥感图像车辆检测方法稳定性和效率较差的问题,本文提出一种改进YOLO-V5遥感图像车辆检测方法。首先,使用群归一化层替换YOLO-V5中的归一化层,消除训练数据大小对模型的影响,降低模型训练对显卡显存的需求,增加模型收敛速度;... 针对常用的遥感图像车辆检测方法稳定性和效率较差的问题,本文提出一种改进YOLO-V5遥感图像车辆检测方法。首先,使用群归一化层替换YOLO-V5中的归一化层,消除训练数据大小对模型的影响,降低模型训练对显卡显存的需求,增加模型收敛速度;然后,使软非极大值抑制算法选择车辆目标锚框,可更精确地定位车辆,防止因遮挡漏检车辆。由实验可知:相比原YOLO-V5模型的各类别平均精确度提高了1.53%,帧率提高0.83,表明所提方法稳定性更好、检测效率更高,可应用于遥感图像汽车检测领域。 展开更多
关键词 遥感图像车辆目标检测 YOLO-V5模型 群归一化层 软非极大值抑制算法
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