特征融合
- 基于特征層融合的EEG-NIRS識(shí)別方法研究
曉歐關(guān)鍵詞：特征融合;卷積神經(jīng)網(wǎng)絡(luò);雙向長(zhǎng)短期記憶網(wǎng)絡(luò);分類準(zhǔn)確率0 引言（Introduction）隨著全球吸毒人員數(shù)量逐年攀升，吸毒正成為嚴(yán)重的全球性社會(huì)問題，而戒毒工作開展的前提是對(duì)吸毒人員的成癮程度進(jìn)行評(píng)估。近年來，研究人員主要基于磁共振成像（MagneticResonance Imaging，MRI）、腦磁圖（Magnetoencephalography，MEG）、腦電圖（Electroencephalogram，EEG）和近紅外光譜（Near-
軟件工程 2024年1期2024-01-29
- 融合BERT和VGG模型多模態(tài)虛假新聞檢測(cè)方法研究
量集，并進(jìn)行特征融合，運(yùn)用SVM模型設(shè)計(jì)分類器實(shí)現(xiàn)多模態(tài)虛假新聞檢測(cè)識(shí)別。[結(jié)果/結(jié)論] 實(shí)證結(jié)果表明，實(shí)驗(yàn)數(shù)據(jù)集F1值達(dá)到93%，相較于單獨(dú)使用BERT和VGG模型提升7%與9%，該方法具有較高的準(zhǔn)確率和召回率，能夠有效地檢測(cè)虛假新聞。關(guān)鍵詞：虛假新聞檢測(cè)；特征提取；特征融合；多模態(tài)分析分類號(hào)：TP391引用格式：曾江峰， 王蕊， 黎欣雨， 等. 融合BERT和VGG模型多模態(tài)虛假新聞檢測(cè)方法研究[J/OL]. 知識(shí)管理論壇， 2023， 8（6）： 5
知識(shí)管理論壇 2023年6期2024-01-20
- 基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的顯著性檢測(cè)方法
；特征提??；特征融合中圖分類號(hào)：TP389.1? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）31-0028-03開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID） ：0 引言在當(dāng)今互聯(lián)網(wǎng)飛速發(fā)展的時(shí)代，計(jì)算機(jī)視覺在電影、動(dòng)畫、游戲創(chuàng)作、時(shí)裝設(shè)計(jì)等方面也快速發(fā)展，數(shù)字圖像已經(jīng)成為人們重要的溝通橋梁。圖片顯著性目標(biāo)檢測(cè)作為計(jì)算機(jī)視覺領(lǐng)域的重要組成部分，被廣泛應(yīng)用在當(dāng)今社會(huì)的各個(gè)方面。例如，圖片自動(dòng)剪裁[1]、圖片重定位[2]、目標(biāo)識(shí)別[3]、人體跟
電腦知識(shí)與技術(shù) 2023年31期2023-12-25
- 基于時(shí)空雙流網(wǎng)絡(luò)的阿爾茲海默癥先兆動(dòng)作識(shí)別方法
最后，對(duì)不同特征融合權(quán)重的模型性能進(jìn)行比較，獲得了STADP的最優(yōu)工作參數(shù)。與2種模型的對(duì)比實(shí)驗(yàn)結(jié)果表明：STADP的平均識(shí)別準(zhǔn)確率、精確度、召回率以及F1值均優(yōu)于比較算法，分別為83.21%、84.61%、83.14%和82.14%。本研究將為日?；顒?dòng)數(shù)據(jù)驅(qū)動(dòng)的阿爾茲海默癥先兆動(dòng)作智能感知提供方法與實(shí)現(xiàn)手段。關(guān)鍵詞：阿爾茲海默癥；動(dòng)作識(shí)別；雙流網(wǎng)絡(luò)；特征融合；日?；顒?dòng)中圖分類號(hào)：TP18文獻(xiàn)標(biāo)志碼：A阿爾茲海默癥（Alzheimers disease，
- 聯(lián)合引導(dǎo)式深度圖像超分辨的單目深度估計(jì)方法
種基于選擇性特征融合的引導(dǎo)式深度圖像超分辨率網(wǎng)絡(luò)模型，并將其與單目深度估計(jì)網(wǎng)絡(luò)模型結(jié)合在一個(gè)監(jiān)督學(xué)習(xí)框架下估計(jì)深度。在NYU-Depth-V2數(shù)據(jù)集上，以三種單目深度估計(jì)網(wǎng)絡(luò)模型開展實(shí)驗(yàn)，結(jié)果證明該方法具有更好的深度邊界預(yù)測(cè)效果和較低的算力消耗指標(biāo)。關(guān)鍵詞：?jiǎn)文可疃裙烙?jì)；深度圖像超分辨；特征融合；編解碼結(jié)構(gòu)中圖分類號(hào)：TP391.4? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）11-0011-04Monocular Depth Estima
現(xiàn)代信息科技 2023年11期2023-08-01
- 基于改進(jìn)SSD的行人檢測(cè)算法
構(gòu)造一種新的特征融合模塊以改善淺層特征語(yǔ)義信息不足的問題；最后，通過優(yōu)化原始先驗(yàn)框的參數(shù)來生成適用于檢測(cè)行人的先驗(yàn)框。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法在PASCAL VOC2007行人測(cè)試集上的平均精度達(dá)到82.96%，較SSD提高了3.83%，在小尺度行人測(cè)試集上提高了5.48%，同時(shí)檢測(cè)速度達(dá)到了69.2FPS，滿足實(shí)時(shí)性的要求。關(guān)鍵詞：?jiǎn)未味嗫驒z測(cè)器（SSD）；行人檢測(cè)；注意力機(jī)制；特征融合中圖分類號(hào)：TP391.41 DOI：10.16375/j.cnk
廣西科技大學(xué)學(xué)報(bào) 2023年3期2023-07-17
- 基于YOLOv5和多尺度特征融合的學(xué)生行為研究
出一種多尺度特征融合的學(xué)生課堂行為識(shí)別方法。多次實(shí)驗(yàn)結(jié)果表明，所提方法有效地提高了學(xué)生課堂行為識(shí)別的精度。學(xué)生課堂行為的智能化識(shí)別為教師掌握學(xué)生學(xué)情、改進(jìn)授課策略提供了重要依據(jù)。關(guān)鍵詞：YOLOv5；學(xué)生行為；行為識(shí)別；目標(biāo)檢測(cè)；特征融合中圖分類號(hào)：TP183? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）08-0096-04Abstract： In recent years， with the rapid development of sm
現(xiàn)代信息科技 2023年8期2023-06-25
- 基于融合特征及聚類分析的多尺度電力設(shè)備識(shí)別及定位
了一種基于多特征融合與聚類分析的深度神經(jīng)網(wǎng)絡(luò)檢測(cè)模型。該模型通過跳躍連接的信息通道快連邊緣、角度及語(yǔ)義等多重特征，并通過階段上采樣融合不同尺度信息，以此構(gòu)建出待檢特征金字塔；然后對(duì)數(shù)據(jù)集進(jìn)行聚類分析，利用金字塔中各尺度網(wǎng)絡(luò)對(duì)原圖像的映射比例計(jì)算出與目標(biāo)最佳適配的區(qū)域生成框，最終得到適用于多尺度電力設(shè)備的檢測(cè)模型。通過對(duì)比實(shí)驗(yàn)結(jié)果表明，本改進(jìn)方法在檢測(cè)時(shí)能夠保持高精度并具有時(shí)效性，具備一定的工程實(shí)用價(jià)值。關(guān)鍵詞：深度學(xué)習(xí)；電力設(shè)備；多目標(biāo)檢測(cè)；特征融合；聚類
現(xiàn)代信息科技 2023年3期2023-06-22
- FIRE-DET:一種高效的火焰檢測(cè)模型
地實(shí)現(xiàn)多尺度特征融合;第三，提出一種新的注意力機(jī)制（FIRE-Attention），讓檢測(cè)器對(duì)火焰特征更敏感．基于上述優(yōu)化，本文開發(fā)出了一種全新的火焰檢測(cè)器FIRE-DET，它在硬件資源有限的條件下能夠取得比現(xiàn)有基于深度學(xué)習(xí)的火焰檢測(cè)方法更高的檢測(cè)效率．FIRE-DET模型在自建數(shù)據(jù)集上進(jìn)行訓(xùn)練后，最終對(duì)火焰檢測(cè)的準(zhǔn)確率和幀率分別達(dá)到97％和85 FPS．實(shí)驗(yàn)結(jié)果表明，與主流算法相比，本文火焰檢測(cè)模型檢測(cè)性能更優(yōu)．本文為解決火焰探測(cè)問題提供了一個(gè)更通用的解
南京信息工程大學(xué)學(xué)報(bào) 2023年1期2023-06-14
- 基于SSD算法的行人檢測(cè)技術(shù)研究
Net50；特征融合中圖分類號(hào)：TP39文獻(xiàn)標(biāo)志碼：A0 引言本文研究了以深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的SSD行人檢測(cè)算法，對(duì)于行人的檢測(cè)和提取是計(jì)算機(jī)視覺處理中十分困難的一項(xiàng)技術(shù)。SSD是深度學(xué)習(xí)出現(xiàn)之后提出的十分有效的檢測(cè)算法，它只在頂層進(jìn)行檢測(cè)，而且是單級(jí)目標(biāo)檢測(cè)算法。SSD算法參考了多種數(shù)據(jù)集，同時(shí)對(duì)多種不同分辨率的圖片進(jìn)行檢測(cè)試驗(yàn)，有效地提高了目標(biāo)檢測(cè)的精度，而且是一個(gè)非常好用且簡(jiǎn)單的單級(jí)目標(biāo)檢測(cè)器。對(duì)于一些小目標(biāo)的檢測(cè)，SSD在檢測(cè)精確度和檢測(cè)
無線互聯(lián)科技 2023年5期2023-05-24
- 基于特征融合的圖像超分辨率
本文采用全局特征融合的方法，對(duì)全局多層次特征進(jìn)行聯(lián)合學(xué)習(xí)，充分利用各卷積通道特征，通過全局跳躍連接，使網(wǎng)絡(luò)更注重高頻信息的學(xué)習(xí)，并采用亞像素卷積實(shí)現(xiàn)上采樣重建，取得了更好的效果。關(guān)鍵詞： 圖像超分辨率； 特征融合； 卷積神經(jīng)網(wǎng)絡(luò)； 亞像素卷積中圖分類號(hào)：TP391.41? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1006-8228（2023）04-120-04Abstract： In recent years， deep convolutiona
計(jì)算機(jī)時(shí)代 2023年4期2023-04-13
- 基于改進(jìn)SSD的口罩佩戴檢測(cè)算法
esNet；特征融合；數(shù)據(jù)增強(qiáng)新型冠狀病毒是人類面臨的第三次冠狀病毒大流行。2020年1月30日WHO宣布新冠肺炎疫情構(gòu)成國(guó)際關(guān)注的突發(fā)公共衛(wèi)生事件。2020年3月13日，WHO評(píng)估認(rèn)為新冠肺炎可被定為大流行病[1]。新冠疫情期間，佩戴口罩成為出入公共場(chǎng)合的行為規(guī)范。在機(jī)場(chǎng)、地鐵站、醫(yī)院等公共服務(wù)和重點(diǎn)機(jī)構(gòu)場(chǎng)所規(guī)定需要佩戴口罩，口罩佩戴檢查已成為疫情防控的必備操作[2]。本文提出一種基于深度學(xué)習(xí)的復(fù)雜場(chǎng)景下口罩佩戴實(shí)時(shí)檢測(cè)算法。與人工現(xiàn)場(chǎng)監(jiān)督相比，基于深度
電腦知識(shí)與技術(shù) 2023年4期2023-03-24
- 基于YOLOv5的高速公路目標(biāo)檢測(cè)算法的設(shè)計(jì)與實(shí)踐
題，引入三層特征融合機(jī)制，加強(qiáng)模型對(duì)淺層信息特征的提取能力;通過增加檢測(cè)頭，提高對(duì)小目標(biāo)特征的提取能力。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的YOLOv5模型在自建數(shù)據(jù)集上mAP達(dá)到了0.68，Recall達(dá)到了0.64，對(duì)小目標(biāo)有很好的檢測(cè)效果。關(guān)鍵詞：YOLO; 注意力機(jī)制;小目標(biāo)檢測(cè);特征融合中圖分類號(hào)：TP311? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）25-0103-04開放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID） ：高速公路在現(xiàn)代交通占據(jù)著重要
電腦知識(shí)與技術(shù) 2022年25期2022-10-18
- 融合ReFPN結(jié)構(gòu)與混合注意力的小目標(biāo)檢測(cè)算法
種基于反饋的特征融合網(wǎng)絡(luò)ReFPN用于YOLOv4算法，兩次利用骨干網(wǎng)絡(luò)提取的原始特征層，加強(qiáng)小目標(biāo)特征信息，對(duì)其進(jìn)行更精確的位置回歸。同時(shí)提出混合注意力機(jī)制Co-AM充分提取小目標(biāo)的細(xì)節(jié)特征信息，抑制無效特征，進(jìn)一步提高小目標(biāo)的檢測(cè)精度。實(shí)驗(yàn)結(jié)果表明，此文提出的方法使YOLOv4算法在MS COCO數(shù)據(jù)集上平均精度AP提高了1.9%，小目標(biāo)平均精度AP提高了3.3%，檢測(cè)效果優(yōu)于現(xiàn)有小目標(biāo)檢測(cè)算法，證明了此文提出方法的有效性。關(guān)鍵詞：深度學(xué)習(xí);小目標(biāo)檢測(cè)
哈爾濱理工大學(xué)學(xué)報(bào) 2022年2期2022-05-25
- 基于N-grams和灰度圖特征融合的惡意代碼檢測(cè)方法
ms和灰度圖特征融合的方法檢測(cè)惡意代碼，解決了不同惡意代碼樣本大小不一的問題，而且從文本和灰度圖這兩個(gè)不同的維度提取惡意代碼的特征，提高了惡意代碼檢測(cè)的抗混淆能力，再使用k最近鄰、隨機(jī)森林、樸素貝葉斯和SVM算法檢測(cè)該方法，實(shí)驗(yàn)結(jié)果表明融合特征比單特征的準(zhǔn)確率高，且隨機(jī)森林的準(zhǔn)確率達(dá)到98.71%。關(guān)鍵詞：惡意代碼;機(jī)器學(xué)習(xí);特征融合;灰度共生矩陣;局部二值化中圖分類號(hào)：TP399? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）09-
電腦知識(shí)與技術(shù) 2022年9期2022-05-10
- 人工智能支持下基于特征融合的深度知識(shí)追蹤模型研究
問題，研究從特征融合的視角出發(fā)，提出一種融合測(cè)評(píng)行為和知識(shí)結(jié)構(gòu)特征的深度知識(shí)追蹤模型。在該模型實(shí)現(xiàn)過程中，首先依據(jù)xAPI標(biāo)準(zhǔn)對(duì)測(cè)評(píng)行為數(shù)據(jù)進(jìn)行采集;然后，采用決策樹算法對(duì)測(cè)評(píng)行為特征進(jìn)行選擇，并利用知識(shí)傳播機(jī)制將知識(shí)結(jié)構(gòu)融入模型;最后，基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)學(xué)習(xí)者的知識(shí)狀態(tài)進(jìn)行追蹤。算法對(duì)比實(shí)驗(yàn)和實(shí)際教學(xué)應(yīng)用效果表明，該模型具有有效性和實(shí)用性。該模型在助力核心素養(yǎng)導(dǎo)向的教育評(píng)價(jià)以及優(yōu)化智慧學(xué)習(xí)環(huán)境中的智能導(dǎo)學(xué)等方面具有廣闊的應(yīng)用前景。 [關(guān)鍵詞] 深
電化教育研究 2022年4期2022-04-28
- 多特征融合下視頻網(wǎng)站彈幕信息有用性檢測(cè)研究
本文提出了多特征融合下視頻網(wǎng)站彈幕信息有用性檢測(cè)模型。該模型首先從彈幕信息效用、彈幕表達(dá)形式和彈幕用戶特征3個(gè)角度提取與彈幕信息有用性相關(guān)的特征指標(biāo)，然后利用隨機(jī)森林對(duì)重要特征進(jìn)行選擇，建立機(jī)器學(xué)習(xí)模型邏輯回歸、SVM、決策樹、樸素貝葉斯、GBDT等對(duì)彈幕信息進(jìn)行分類，得到各等級(jí)信息有用性的檢測(cè)結(jié)果。[結(jié)果/結(jié)論]從結(jié)果中顯示，集成模型（GBDT、LightGBM和XGBoost）相比于單模型算法展現(xiàn)了更好的優(yōu)越性。最后，根據(jù)研究結(jié)果提出相應(yīng)的理論和實(shí)踐意
現(xiàn)代情報(bào) 2022年4期2022-03-30
- 基于反饋網(wǎng)絡(luò)的磁共振圖像超分辨率重建研究
辨率重建; 特征融合; 反饋網(wǎng)絡(luò)中圖分類號(hào)： TP391.4; TP183文獻(xiàn)標(biāo)識(shí)碼： A磁共振成像（magnetic resonance imaging，MRI）[1]是一種非侵入式的活體成像技術(shù)，具有無輻射和對(duì)比度高等特點(diǎn)，被廣泛用于臨床診斷[23]。在磁共振掃描過程中，為避免運(yùn)動(dòng)偽影，要求患者長(zhǎng)時(shí)間保持靜止?fàn)顟B(tài)，這會(huì)加劇患者的不適。近年來，為縮短掃描時(shí)間和克服運(yùn)動(dòng)偽影，圖像超分辨率重建技術(shù)被引入磁共振成像中。圖像超分辨率重建技術(shù)[4]是一種利用給定的
- 基于多尺度特征融合與注意力機(jī)制的人群計(jì)數(shù)算法
同時(shí)檢測(cè)以及特征融合時(shí)多尺度特征信息丟失問題，提出多尺度注意力模塊，增強(qiáng)特征對(duì)高密度人群區(qū)域的關(guān)注。采用多尺度空洞卷積，結(jié)合提出的多通道特征融合模塊，提取更完善的多尺度特征，提高對(duì)不同尺寸人頭計(jì)數(shù)能力;利用密度圖回歸模塊，融合多尺度特征，減少了多尺度信息的損耗。實(shí)驗(yàn)結(jié)果表明，本算法的計(jì)數(shù)結(jié)果更精確穩(wěn)定。關(guān)鍵詞：圖像處理;卷積神經(jīng)網(wǎng)絡(luò);特征融合;注意力機(jī)制中圖分類號(hào)：STP291???????? 文獻(xiàn)標(biāo)志碼：A近年來，城市化進(jìn)程不斷推進(jìn)，城市人口日益增多，各
- 基于改進(jìn)級(jí)聯(lián)金字塔網(wǎng)絡(luò)的人體骨架提取算法
特征提取; 特征融合; 困難關(guān)鍵點(diǎn)挖掘; 目標(biāo)關(guān)鍵點(diǎn)相似度文章編號(hào)： 2095-2163（2021）07-0054-06中圖分類號(hào)：TP391.41文獻(xiàn)標(biāo)志碼： AHuman skeleton extraction algorithm based on improved cascaded pyramid networkHUANG You， ZHANG Na， BAO Xiao'an（School of Informatics Science and Tec
智能計(jì)算機(jī)與應(yīng)用 2021年7期2021-12-07
- 基于YOLOv3的改進(jìn)目標(biāo)檢測(cè)算法
特征尺度進(jìn)行特征融合，并使用k-means聚類重新確定錨框，同時(shí)增加一定的網(wǎng)絡(luò)層數(shù)。實(shí)驗(yàn)在PASCAL VOC數(shù)據(jù)集完成，實(shí)驗(yàn)結(jié)果表明，改進(jìn)的YOLOv3算法檢測(cè)精度和召回率達(dá)到了75.3%和98.1%，較原算法分別提高了2.3%和0.7%。關(guān)鍵詞： YOLOv3; 目標(biāo)檢測(cè); 特征融合; k-means; PASCAL VOC中圖分類號(hào)：TP181? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2021）25-0028-03Abstract：Ob
電腦知識(shí)與技術(shù) 2021年25期2021-11-07
- 基于監(jiān)控視頻的人員異常行為識(shí)別系統(tǒng)研究
;特征提取;特征融合;行為分類引言人工智能得到了全世界科研人員的廣泛關(guān)注，應(yīng)用于人機(jī)交互、視頻檢索、視頻監(jiān)控等領(lǐng)域的計(jì)算機(jī)視覺技術(shù)也在不斷進(jìn)步[1，2]。人員異常行為識(shí)別系統(tǒng)在視頻監(jiān)控領(lǐng)域的應(yīng)用，使得用于監(jiān)視異常行為的人力資源大大減少。人員異常行為識(shí)別系統(tǒng)的重點(diǎn)在于目標(biāo)的行為特征提取，常用的方法包括基于時(shí)空特征、光流法、目標(biāo)表觀特征等傳統(tǒng)算法，以及基于深度學(xué)習(xí)的三維卷積神經(jīng)網(wǎng)絡(luò)[3]。傳統(tǒng)算法與卷積神經(jīng)網(wǎng)絡(luò)相比較為簡(jiǎn)單，為增加目標(biāo)行為的識(shí)別率，一般需要將目
科技信息·學(xué)術(shù)版 2021年14期2021-10-21
- 醫(yī)療文本的小樣本命名實(shí)體識(shí)別
;聯(lián)合訓(xùn)練;特征融合DOI：10.15938/j.jhust.2021.04.013中圖分類號(hào)：TP391.1文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1007-2683（2021）04-0094-08Abstract：Aiming at the problem that medical text named entity recognition lacks sufficient labeled data， a newly named entity recognition
哈爾濱理工大學(xué)學(xué)報(bào) 2021年4期2021-10-07
- 基于特征融合的信息系統(tǒng)易用性研究
問題，該文從特征融合視角進(jìn)行用戶的特征提取和分析，依據(jù)訓(xùn)練集進(jìn)行參數(shù)估計(jì)，通過特征融合進(jìn)行用戶特征數(shù)據(jù)處理分析，結(jié)合信息系統(tǒng)的特點(diǎn)和最小錯(cuò)誤率貝葉斯決策理論，實(shí)現(xiàn)信息系統(tǒng)用戶分類。用戶特征融合分類能夠解決信息系統(tǒng)易用性評(píng)估中的情境缺失問題，通過結(jié)合提取的特征提升易用性評(píng)估的準(zhǔn)確性。關(guān)鍵詞：易用性評(píng)估 ?特征融合 ?貝葉斯決策 ?用戶分類 ?情境分析中圖分類號(hào)：TP31? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A ????文章編號(hào)：1672-3791（2021）06（b）-0
科技資訊 2021年17期2021-09-29
- 基于RC-DBSCAN的車道線檢測(cè)研究
車道線檢測(cè);特征融合;密度聚類;車道線類型識(shí)別;卡爾曼濾波中圖分類號(hào)：TP391.41;U463.6 ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)志碼：AResearch on Lane Detection Based On RC-DBSCANDENG Yuanwang PU Hongtao HUA Xinbin SUN Biao（College of Mechanical and Vehicle Engineering，Hunan University，Chang
- 航空發(fā)動(dòng)機(jī)鼓風(fēng)機(jī)機(jī)匣表面缺陷檢測(cè)
征圖;多尺度特征融合網(wǎng)絡(luò)（multilevel-feature fusion network， MFN）將多個(gè)尺度特征進(jìn)行融合，以便包含更多的定位細(xì)節(jié);區(qū)域建議網(wǎng)絡(luò)（region proposal network， RPN）生成感興趣區(qū)域，每個(gè)感興趣區(qū)域由一個(gè)分類器和一個(gè)錨框回歸器組成的檢測(cè)器產(chǎn)生最終的檢測(cè)結(jié)果。然后分析了鼓風(fēng)機(jī)機(jī)匣表面缺陷的特點(diǎn)，設(shè)計(jì)了新的檢測(cè)損失函數(shù)。最后利用公司采集的包含兩種典型缺陷（劃痕和污穢）的數(shù)據(jù)集，利用單張GTX 1080ti
科技創(chuàng)新導(dǎo)報(bào) 2021年13期2021-09-05
- 基于改進(jìn)逆透視變換的車道線檢測(cè)算法
滑動(dòng)窗口; 特征融合文章編號(hào)： 2095-2163（2021）03-0109-04 中圖分類號(hào)：U461.99 文獻(xiàn)標(biāo)志碼：A【Abstract】Aiming at the problem that smart vehicles recognize the deviation of road lane lines under different environmental conditions， a lane line detection algorith
智能計(jì)算機(jī)與應(yīng)用 2021年3期2021-08-09
- 一種基于面部紋理特征融合的人臉表情識(shí)別方法
LTP提取的特征融合到單個(gè)特征向量中;最后，采用多類支持向量機(jī)分類器把特征向量進(jìn)行情感分類;最后，將提出的方法在3個(gè)公共表情圖像數(shù)據(jù)庫(kù)中與現(xiàn)有的表情識(shí)別方法進(jìn)行對(duì)比實(shí)驗(yàn)。結(jié)果表明，提出的方法在MMI，JAFFE，CK+數(shù)據(jù)庫(kù)上的正確識(shí)別率分別為98.28%，95.75%，99.64%，平均識(shí)別率比其他方法高出10%，優(yōu)于其他現(xiàn)有的方法。提出的表情識(shí)別方法，可有效促進(jìn)人機(jī)交互系統(tǒng)的發(fā)展和計(jì)算機(jī)圖像理解的研究，對(duì)實(shí)現(xiàn)人體語(yǔ)言與自然語(yǔ)言的融合，以及語(yǔ)言與表情連接
河北科技大學(xué)學(xué)報(bào) 2021年2期2021-05-23
- 基于注意力機(jī)制的全卷積神經(jīng)網(wǎng)絡(luò)模型
在進(jìn)行多尺度特征融合時(shí)，由于未能考慮不同尺度特征各自的特點(diǎn)進(jìn)行充分融合，導(dǎo)致分割結(jié)果精度較低，針對(duì)這一問題，文章提出了一種基于注意力機(jī)制的多尺度特征融合的全卷積神經(jīng)網(wǎng)絡(luò)模型。該模型基于注意力機(jī)制對(duì)FCN-8S中的不同尺度特征進(jìn)行加權(quán)特征融合，以相互補(bǔ)充不同尺度特征包含的不同信息，進(jìn)而提升網(wǎng)絡(luò)的分割效果。文章模型在公共數(shù)據(jù)集PASCAL VOC2012和Cityscapes上進(jìn)行驗(yàn)證，MIoU相對(duì)于FCN-8S分別提升了2.2%和0.8%。關(guān)鍵詞：語(yǔ)義分割;
現(xiàn)代信息科技 2021年23期2021-05-07
- 基于改進(jìn)特征融合的微表情識(shí)別方法
短時(shí)記憶網(wǎng)絡(luò)特征融合為依托的微表情識(shí)別方法，先介紹了相關(guān)的背景知識(shí)，再介紹了實(shí)驗(yàn)的預(yù)處理過程、特征提取以及相應(yīng)的特征融合的過程，將所得的結(jié)果用于實(shí)驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)分類。實(shí)驗(yàn)結(jié)果表明，新模型具有更好的識(shí)別率。關(guān)鍵詞：微表情識(shí)別;特征融合;微表情分類;卷積神經(jīng)網(wǎng)絡(luò);LSTM中圖分類號(hào)：TP3-0? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-1472（2021）-04-26-04Abstract： Changes in micro-expressions are ve
軟件工程 2021年4期2021-04-18
- 基于空洞卷積神經(jīng)網(wǎng)絡(luò)的親屬關(guān)系驗(yàn)證方法
度特征，經(jīng)過特征融合后使用鑒別器得到親屬關(guān)系驗(yàn)證結(jié)果。算法在公開親屬關(guān)系數(shù)據(jù)集KinFaceW上進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果表明，本文方法在親屬關(guān)系驗(yàn)證的準(zhǔn)確率上有良好的表現(xiàn)。關(guān)鍵詞：親屬關(guān)系驗(yàn)證;深度特征;空洞卷積;特征融合中圖分類號(hào)：TP391? ? ?文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2021）18-0071-05Abstract： In this paper， the kinship verification method based on de
現(xiàn)代信息科技 2021年18期2021-04-04
- 基于多特征融合的防爆自動(dòng)導(dǎo)引車避障方法研究
一種改進(jìn)的多特征融合方法，通過支持向量機(jī)分類實(shí)現(xiàn)實(shí)時(shí)行人目標(biāo)檢測(cè)。實(shí)驗(yàn)驗(yàn)證該方法可以有效解決在不同光照條件下實(shí)現(xiàn)對(duì)行人目標(biāo)的檢測(cè)，從而實(shí)現(xiàn)避障功能。關(guān)鍵詞：雙目視覺;行人檢測(cè);避障;特征融合中圖分類號(hào)：TP29? ? ?文獻(xiàn)標(biāo)識(shí)碼：AAbstract： This paper proposes an approach to applying image acquisition with "structured light + binocular vision
軟件工程 2021年3期2021-03-24
- 基于改進(jìn)版的Faster RCNN的安全帽檢測(cè)及身份信息識(shí)別
測(cè)。關(guān)鍵詞：特征融合;安全帽檢測(cè);多尺度檢測(cè);Faster RCNN當(dāng)前計(jì)算機(jī)圖像視覺技術(shù)是研究人工智能的一個(gè)熱門技術(shù)發(fā)展研究方向，圖像識(shí)別等新技術(shù)正逐步融入各行各業(yè)，包括國(guó)際金融、醫(yī)療、教育、家居等行業(yè)。在各個(gè)行業(yè)都已經(jīng)可以隨時(shí)看到，比如三維頭盔人體運(yùn)動(dòng)姿態(tài)監(jiān)測(cè)重建、跌倒?fàn)顟B(tài)監(jiān)測(cè)，以及汽車駕駛員疲勞運(yùn)動(dòng)監(jiān)測(cè)、行為自動(dòng)識(shí)別等諸多功能?；谝陨蠋讉€(gè)原因，本文提出了一種基于最新改進(jìn)技術(shù)faster rcnn的智能頭盔疲勞檢測(cè)行為識(shí)別智能算法。采集戴頭盔和不戴頭
科學(xué)與財(cái)富 2021年29期2021-03-01
- 融合Multiscale CNN和BiLSTM的人臉表情識(shí)別研究
（BN）層與特征融合處理，從而加快網(wǎng)絡(luò)的收斂速度，有利于特征信息的重利用，再將兩者提取到的特征信息進(jìn)行融合，最后將改進(jìn)的正則化方法應(yīng)用到目標(biāo)函數(shù)中，減小網(wǎng)絡(luò)復(fù)雜度和過擬合。在JAFFE和FER2013公開數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，準(zhǔn)確率分別達(dá)到了95.455%和74.115%，由此證明所提算法的有效性和先進(jìn)性。[關(guān)鍵詞]多尺度卷積神經(jīng)網(wǎng)絡(luò);雙向長(zhǎng)短期記憶;特征融合;批標(biāo)準(zhǔn)化層;正則化[中圖分類號(hào)]TP 391.41[文獻(xiàn)標(biāo)志碼]A[文章編號(hào)]10050310（20
北京聯(lián)合大學(xué)學(xué)報(bào) 2021年1期2021-02-22
- 紅外可見光圖像協(xié)同的弱光場(chǎng)景語(yǔ)義分割方法
輸入到自適應(yīng)特征融合模塊中進(jìn)行增強(qiáng)與融合。接著將多源特征分別饋送入解碼器進(jìn)行處理，輸出可見光與紅外圖像的獨(dú)立語(yǔ)義分割結(jié)果。最后將自適應(yīng)融合多源特征的數(shù)據(jù)送入多源特征聚合模塊，并與不同模態(tài)的特征進(jìn)行聚合解碼，輸出融合多源特征的語(yǔ)義分割結(jié)果。實(shí)驗(yàn)結(jié)果表明，在弱光場(chǎng)景下，該方法具有良好的分割效果，并在PST900數(shù)據(jù)集下較其他方法有較為優(yōu)異的性能。關(guān)鍵詞：語(yǔ)義分割;可見光圖像;紅外圖像;特征融合;弱光場(chǎng)景1 語(yǔ)義分割方法為了結(jié)合可見光圖像與熱紅外圖像的特征，本文
電子樂園·下旬刊 2021年3期2021-02-08
- 基于Xception網(wǎng)絡(luò)的無人機(jī)森林火災(zāi)監(jiān)測(cè)方法
全卷積網(wǎng)絡(luò);特征融合一、引言森林資源在社會(huì)發(fā)展和建設(shè)過程中起到了很重要的作用，它不僅可以為野生動(dòng)物提供棲息地，還可以為人們提供生活所需要的木材和產(chǎn)品，另外一方面還可以調(diào)節(jié)氣候、防止風(fēng)沙、保護(hù)水源。森林發(fā)生火災(zāi)時(shí)，能夠及時(shí)迅速地發(fā)現(xiàn)并采取有效的滅火方法對(duì)于森林防火來說具有重要意義。傳統(tǒng)的森林火災(zāi)檢測(cè)辦法[1]有觀測(cè)塔檢測(cè)、衛(wèi)星檢測(cè)、人工巡檢等。觀測(cè)塔的檢測(cè)范圍小，存在監(jiān)控死角的問題。人工巡檢的方法通常需要大量勞動(dòng)力，而且受環(huán)境因素的影響，很容易發(fā)生危險(xiǎn)。衛(wèi)星
消防界 2021年24期2021-01-13
- 基于深度學(xué)習(xí)與特征融合的人臉識(shí)別算法
于深度學(xué)習(xí)和特征融合理論提出一種人臉識(shí)別算法。首先，分析了人臉識(shí)別的行業(yè)發(fā)展現(xiàn)狀;其次，闡述了深度神經(jīng)網(wǎng)絡(luò)的原理并分析了各種模型的特征;再次，提出一種人臉特征融合算法;最后，在實(shí)驗(yàn)中，以不同膚色、人種、性別的人臉圖像為實(shí)驗(yàn)對(duì)象，驗(yàn)證了所提出算法在多種條件下的有效性。關(guān)鍵詞：深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);特征融合;人臉識(shí)別中圖分類號(hào)：TP 242.3文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1007-757X（2020）11-0005-04Abstract：In recent ye
微型電腦應(yīng)用 2020年11期2020-12-23
- 融合RGB-D信息的三維物體識(shí)別算法
特征提取; 特征融合; 準(zhǔn)確率提升中圖分類號(hào)： TN911.73?34; TP391 ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）23?0024?06Abstract： Object recognition is a key link of image processing. The complementarily of different modal features
現(xiàn)代電子技術(shù) 2020年23期2020-12-23
- 基于多源特征融合的無砟軌道砂漿層脫空病害檢測(cè)方法
一種基于多源特征融合的無砟軌道砂漿層脫空病害檢測(cè)方法。該方法將彈性波與探地雷達(dá)兩種特征進(jìn)行量化分析，并將量化結(jié)果利用特征堆棧的方式實(shí)現(xiàn)特征融合，最后利用支持向量機(jī)完成病害融合特征的分類識(shí)別。在無砟軌道實(shí)體結(jié)構(gòu)上采集大量的脫空病害數(shù)據(jù)并測(cè)試該文方法，實(shí)驗(yàn)結(jié)果驗(yàn)證了該文算法對(duì)脫空病害檢測(cè)的有效性。關(guān)鍵詞： 無砟軌道; 病害監(jiān)測(cè); 特征融合; 量化分析; 特征堆棧; 分類識(shí)別中圖分類號(hào)： TN911.23?34? ? ? ? ? ? ? ? ? ? ? ? ?
現(xiàn)代電子技術(shù) 2020年22期2020-12-07
- 基于M-C-G神經(jīng)網(wǎng)絡(luò)的多文檔自動(dòng)摘要方法
合，提出基于特征融合、CNN和GRU的多文檔摘要方法（M-C-G）。首先對(duì)30種不同主題的新聞網(wǎng)頁(yè)進(jìn)行數(shù)據(jù)清洗，使用word2vec工具訓(xùn)練詞向量模型，根據(jù)多種特征計(jì)算得到初步摘要結(jié)果;然后把8.3萬(wàn)條搜狐新聞?wù)Z料文本數(shù)據(jù)輸入帶有CNN和GRU的Seq2Seq模型上訓(xùn)練;最后把初步摘要結(jié)果輸入模型進(jìn)行測(cè)試，得到最終摘要結(jié)果。實(shí)驗(yàn)結(jié)果表明，在ROUGE評(píng)測(cè)體系中采用該方法比現(xiàn)有方法準(zhǔn)確率至少提高約2%，可有效幫助用戶尋找有價(jià)值的文本信息。關(guān)鍵詞：特征融合;深
軟件導(dǎo)刊 2020年10期2020-12-01
- 基于特征融合的語(yǔ)句級(jí)情感傾向性研究
提出一個(gè)基于特征融合的語(yǔ)句級(jí)情感傾向識(shí)別方法，對(duì)文本中語(yǔ)句的多標(biāo)記情感傾向進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明，該方法在語(yǔ)句情感傾向識(shí)別上取得了令人滿意的效果。關(guān)鍵詞： 情感分析; 主題特征; 特征融合; 情感傾向中圖分類號(hào)：TP391? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1006-8228（2020）10-19-04Abstract： At present， there have been lots of researches on sentence
計(jì)算機(jī)時(shí)代 2020年10期2020-11-09
- 基于無監(jiān)督圖嵌入算法的虛假評(píng)論檢測(cè)
同時(shí)將評(píng)論人特征融合為作弊先驗(yàn)，有效地篩選出了有對(duì)產(chǎn)品進(jìn)行虛假評(píng)論的評(píng)論人。關(guān)鍵詞 虛假評(píng)論檢測(cè);圖嵌入;無監(jiān)督學(xué)習(xí);特征融合針對(duì)虛假評(píng)論檢測(cè)問題，本文構(gòu)建評(píng)論人圖結(jié)構(gòu)模型，使用無監(jiān)督圖嵌入算法（node2vec）將評(píng)論人圖中的節(jié)點(diǎn)嵌入到低維向量空間中，使得圖中的評(píng)論人節(jié)點(diǎn)轉(zhuǎn)化為向量，通過計(jì)算評(píng)論人之間的Frobenius距離以估計(jì)評(píng)論人在向量空間中的距離，以此衡量評(píng)論人的作弊度并排序。1相關(guān)算法1.1 node2vec算法node2vec算法[1]是圖嵌
科學(xué)與信息化 2020年26期2020-10-09
- 基于特征融合與冗余剔除的普洱茶種類電子鼻識(shí)別方法
結(jié)果表明，多特征融合比單一特征提取的LDA普洱茶種類識(shí)別結(jié)果更佳，但識(shí)別精度仍有待提高。剔除冗余特征前，PLSR對(duì)普洱茶種類識(shí)別訓(xùn)練集、測(cè)試集的R2分別為0.864 5、0.834 5;采用SCA-PLSR剔除弱相關(guān)特征31、35、24、39、36、33后，PLSR對(duì)訓(xùn)練集、測(cè)試集識(shí)別的R2分別為0.885 2、0.864 3;采用MIT結(jié)合PLSR剔除重復(fù)信息特征6、7、14、18、22、25后，PLSR對(duì)訓(xùn)練集、測(cè)試集識(shí)別的R2分別為0.918 7、0
江蘇農(nóng)業(yè)科學(xué) 2020年16期2020-09-24
- 基于核相關(guān)濾波器的運(yùn)動(dòng)目標(biāo)跟蹤算法研究
應(yīng);抗遮擋;特征融合1相關(guān)濾波跟蹤原理1.1 相關(guān)濾波在信號(hào)領(lǐng)域，兩個(gè)信號(hào)的相似程度稱之為相關(guān)性。將相關(guān)的概念運(yùn)用到跟蹤里，就是得到一個(gè)模板跟蹤器，將模板與跟蹤目標(biāo)進(jìn)行相關(guān)檢測(cè)，最終得到最相關(guān)的目標(biāo)區(qū)域完成跟蹤[1]。1.2 核相關(guān)濾波實(shí)際問題大多都是非線性回歸問題，直接求解非線性問題非常困難，所以經(jīng)常使用非線性變換將現(xiàn)實(shí)中的這類問題轉(zhuǎn)化為核空間的線性問題來簡(jiǎn)化。這個(gè)非線性變換可以用一個(gè)變換函數(shù)來實(shí)現(xiàn)將低維空間映射到高維核空間。核相關(guān)濾波跟蹤算法首先對(duì)第一
科學(xué)與信息化 2020年23期2020-09-06
- 基于特征融合與支持向量機(jī)的人臉活體檢測(cè)技術(shù)
度;SVM;特征融合中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2020）05-0046-020引言近年來，隨著計(jì)算機(jī)視覺技術(shù)的成熟，人臉識(shí)別的準(zhǔn)確性已經(jīng)完全能夠滿足身份驗(yàn)證系統(tǒng)的要求，逐漸被廣泛應(yīng)用在各種場(chǎng)景下，包括刷臉支付、門禁系統(tǒng)、安檢系統(tǒng)等。但是基于人臉識(shí)別的身份驗(yàn)證系統(tǒng)有可能受到照片、視頻、3D模型、面具等偽造攻擊手段的威脅。為了保障系統(tǒng)安全性，需要首先對(duì)接受驗(yàn)證的人臉進(jìn)行活體檢測(cè)，判斷該人臉是否為真實(shí)人臉。目前主流的人
數(shù)字技術(shù)與應(yīng)用 2020年5期2020-08-04
- 優(yōu)化多核SVM的蛋白質(zhì)二級(jí)結(jié)構(gòu)預(yù)測(cè)
構(gòu)信息，基于特征融合思想構(gòu)建特征向量，并使用一種基于多核支持向量機(jī)的方法，以多個(gè)核函數(shù)的線性加權(quán)代替?zhèn)鹘y(tǒng)的單一核函數(shù)，在對(duì)多類特征進(jìn)行整合后構(gòu)造SimpleMKL分類模型;利用梯度下降法迭代求解核函數(shù)的權(quán)值系數(shù)，并校準(zhǔn)核函數(shù)參數(shù)和不同特征表達(dá)的融合效果。實(shí)驗(yàn)結(jié)果表明，該方法提高了蛋白質(zhì)二級(jí)結(jié)構(gòu)分類精度，在分類精度方面有明顯優(yōu)勢(shì)，有助于準(zhǔn)確預(yù)測(cè)蛋白質(zhì)的二級(jí)結(jié)構(gòu)。關(guān)鍵詞： 蛋白質(zhì); 二級(jí)結(jié)構(gòu)預(yù)測(cè); 多核支持向量機(jī); 特征提取; 特征融合; 線性加權(quán)中圖分類號(hào)：
現(xiàn)代電子技術(shù) 2020年8期2020-08-03
- 基于顏色通道融合特征的現(xiàn)勘圖像分類算法
特征提取; 特征融合; 訓(xùn)練分類器; 實(shí)驗(yàn)分析中圖分類號(hào)： TN911.73?34; TP391.41? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）04?0067?06Crime scene investigation image classification algorithm based on colorchannel fusion featuresLIU Ying1，2，
現(xiàn)代電子技術(shù) 2020年4期2020-07-23
- 基于雙流獨(dú)立循環(huán)神經(jīng)網(wǎng)絡(luò)的人體動(dòng)作識(shí)別
和時(shí)間網(wǎng)絡(luò)的特征融合采用加權(quán)求和的方式，最后用softmax對(duì)動(dòng)作進(jìn)行分類。在3D骨架動(dòng)作數(shù)據(jù)集（NTU RGB+D）以及交互數(shù)據(jù)集（SBU Interaction Dataset）上驗(yàn)證了模型的有效性。關(guān)鍵詞： 人體動(dòng)作識(shí)別; 雙流網(wǎng)絡(luò); 獨(dú)立循環(huán)神經(jīng)網(wǎng)絡(luò); 特征提取; 特征融合; 模型驗(yàn)證中圖分類號(hào)： TN915?34; TP391.4? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?37
現(xiàn)代電子技術(shù) 2020年4期2020-07-23
- 基于深度學(xué)習(xí)的單階段目標(biāo)檢測(cè)算法研究綜述
;特征提取;特征融合;anchor;損失函數(shù); 人工智能中圖分類號(hào)： TJ760; TP18 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1673-5048（2020）03-0044-100 引言目標(biāo)檢測(cè)是計(jì)算機(jī)視覺領(lǐng)域的重要問題之一，是完成目標(biāo)跟蹤、場(chǎng)景理解等復(fù)雜視覺任務(wù)的基礎(chǔ)，在視頻監(jiān)控、智能交通等領(lǐng)域中應(yīng)用廣泛。目標(biāo)檢測(cè)的任務(wù)是判斷圖像中是否存在屬于指定類別的目標(biāo)，如果存在，則給出目標(biāo)的類別和位置信息。由于圖像中目標(biāo)的類別、數(shù)量、位置、尺度和外觀變化較大，一般而言，目標(biāo)
航空兵器 2020年3期2020-07-16
- 基于特征融合的復(fù)雜場(chǎng)景多目標(biāo)跟蹤算法研究
源特征提取與特征融合的多目標(biāo)跟蹤算法。為提高目標(biāo)在復(fù)雜背景下的空間分辨力，充分利用對(duì)異類物體判別能力較強(qiáng)的高層特征和針對(duì)同類不同物體判別能力較強(qiáng)的淺層特征，提高復(fù)雜背景下地物目標(biāo)的識(shí)別能力。同時(shí)，為了解決物體被遮擋后導(dǎo)致跟蹤算法丟失目標(biāo)問題，利用濾波器獲得追蹤目標(biāo)的空間尺度大小，提高跟蹤算法的準(zhǔn)確性與可靠性。實(shí)驗(yàn)表明，多目標(biāo)跟蹤算法識(shí)別目標(biāo)的準(zhǔn)確性可達(dá)87.5%，誤差在±2.31%左右，具有良好的尺度估計(jì)效果。關(guān)鍵詞：機(jī)器視覺;特征融合;目標(biāo)跟蹤;尺度估計(jì)
軟件導(dǎo)刊 2020年4期2020-06-19
- 基于注意力機(jī)制和特征融合的SSD目標(biāo)檢測(cè)算法
注意力機(jī)制和特征融合的SSD算法。該算法在原始SSD模型的基礎(chǔ)上，通過將全局池化操作作用于高層的不同尺度的特征圖上，結(jié)合注意力機(jī)制篩選出需要保留的信息。為提高對(duì)小目標(biāo)的檢測(cè)精度，本文引入反卷積和特征融合的方式，提高對(duì)小目標(biāo)的檢測(cè)能力。通過在PASCAL VOC數(shù)據(jù)集上的實(shí)驗(yàn)表明，該算法有效的提升了對(duì)小目標(biāo)識(shí)別的準(zhǔn)確率，改善了漏檢的情況，大幅度提升了檢測(cè)精度和算法的魯棒性。關(guān)鍵詞：?注意力機(jī)制;SSD算法;全局平均池化;特征融合;PASCAL VOC數(shù)據(jù)集中
軟件 2020年2期2020-06-09
- 基于CNN與SVM結(jié)合的融合特征人臉識(shí)別研究
支持向量機(jī);特征融合;人臉識(shí)別Abstract：In view of the limitations of face recognition in terms of sample size and robustness，a face recognition model based on CNN and SVM is proposed. By constructing CNN model for training，feature maps from diff
現(xiàn)代信息科技 2020年19期2020-06-08
- 基于視覺注意機(jī)制的行人重識(shí)別技術(shù)研究
;深度學(xué)習(xí);特征融合中圖分類號(hào)：TP391.41文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1003-5168（2020）05-0055-02Abstract： In the intelligent video surveillance scene， due to different camera angles， lighting conditions， and attitudes， the appearance of the same pedestrian in diffe
河南科技 2020年5期2020-05-03
- 圖像重構(gòu)和特征融合下的人臉識(shí)別方法分析
對(duì)圖像重構(gòu)和特征融合下的人臉識(shí)別方法進(jìn)行深入分析，希望文中內(nèi)容對(duì)于人臉識(shí)別技術(shù)的發(fā)展，以及相關(guān)工作人員都可以有所幫助。關(guān)鍵詞：圖像重構(gòu);特征融合;人臉識(shí)別;計(jì)算機(jī)技術(shù)中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2020）01-0032-02人類識(shí)別技術(shù)就是對(duì)特定技術(shù)和手段進(jìn)行適當(dāng)應(yīng)用，對(duì)個(gè)人身份進(jìn)行適當(dāng)標(biāo)識(shí)，識(shí)別人的身份，進(jìn)而完成相應(yīng)監(jiān)督、管理、控制等各項(xiàng)工作內(nèi)容的一種先進(jìn)技術(shù)，其在具體應(yīng)用期間也取得了不錯(cuò)應(yīng)用效果。隨著科技的快速
中國(guó)科技縱橫 2020年1期2020-04-20
- 基于場(chǎng)景相似性和光流的人群異常檢測(cè)方法
特征提取; 特征融合; 行為建模; 對(duì)比試驗(yàn)中圖分類號(hào)： TN911.23?34; TP391.4 ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）02?0090?07Method of crowd anomaly detection based on scene similarity and optical flowMA Guoxiang1， YANG Wenzhong2， W
現(xiàn)代電子技術(shù) 2020年2期2020-03-04
- 一種基于多類特征融合的車輛識(shí)別方法
，驗(yàn)證了多類特征融合在提高車輛識(shí)別準(zhǔn)確率方面的有效性，對(duì)研究道路交通安全具有重要意義。關(guān)鍵詞： 車輛識(shí)別; 特征提取; 特征降維; 特征融合; 歸一化處理; 交通安全中圖分類號(hào)： TN911.73?34; U471.15 ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）01?0031?04A vehicle recognition method based on multi?cl
現(xiàn)代電子技術(shù) 2020年1期2020-03-03
- 基于改進(jìn)SSD的目標(biāo)檢測(cè)方法
接;FPN;特征融合;BatchNorm中圖分類號(hào)： TP391.41 ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ?DOI：10.3969/j.issn.1003-6970.2020.01.007本文著錄格式：欒浩，王力，姜敏，等. 基于改進(jìn)SSD的目標(biāo)檢測(cè)方法[J]. 軟件，2020，41（01）：2935【Abstract】： In order to improve the accuracy and stability of object detection， a
軟件 2020年1期2020-03-02
- 基于語(yǔ)義強(qiáng)化和特征融合的文本分類
于語(yǔ)義強(qiáng)化和特征融合的（LAC）分類模型。該模型首先將Word2vec嵌入的詞向量輸入LSTM進(jìn)行句子語(yǔ)義的提取，然后將提取的語(yǔ)義特征輸入Attention層進(jìn)行特征的強(qiáng)化，同時(shí)用卷積層提取文本的局部特征，其次把強(qiáng)化的語(yǔ)義特征和利用卷積層提取的局部特征進(jìn)行融合，最后經(jīng)池化層對(duì)特征進(jìn)行降維，并將經(jīng)池化后的特征向量輸入到全連接層，引入Dropout防止過擬合，得到最終的分類結(jié)果。由于CNN提取特征時(shí)存在忽略上下文信息的弊端，所以提出用LATM提取上下文信息，然
軟件 2020年1期2020-03-02
- 基于特征融合CNN模型的ECG信號(hào)識(shí)別方法研究
頻統(tǒng)計(jì)特征;特征融合DOI：10. 11907/rjdk. 201231????????????????????????????????????????????????????????????????? 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：中圖分類號(hào)：TP301 ? 文獻(xiàn)標(biāo)識(shí)碼：A ??????????????? 文章編號(hào)：1672-7800（2020）011-0046-04Research on ECG Signal Recognition Meth
軟件導(dǎo)刊 2020年11期2020-01-05
- 基于特征融合的人臉表情識(shí)別研究
出了一種基于特征融合的人臉表情識(shí)別方法。從兩方面對(duì)表情信息進(jìn)行描述，通過局部二值模式（Local Binary Pattern，LBP）和詞袋模型（Bag Of Words，BOW）分別對(duì)表情圖像進(jìn)行紋理特征和語(yǔ)義特征提取，然后將兩種特征進(jìn)行線性融合，最后使用支持向量機(jī)（Support Vector Machine，SVM）進(jìn)行表情分類識(shí)別。本文方法在JAFFE和CK+表情數(shù)據(jù)集上分別取得了98.76%和97.58%的識(shí)別率，驗(yàn)證了所提出方法的有效性。關(guān)鍵
軟件工程 2019年12期2019-12-24