国产H片无码不卡在线视频,日本阿v网站在线观看中文,樱桃APP下载污

一種20 MS/s基于VCO比較器的二階噪聲整形SAR ADC設(shè)計(jì)[其他][其他]

基于壓控振蕩器(VCO)結(jié)構(gòu)的比較器，提出了一種二階噪聲整形逐次逼近型(NS-SAR)模數(shù)轉(zhuǎn)換器(ADC)。首先采用對(duì)電源電壓敏感度較低且噪聲性能更優(yōu)越的VCO比較器，隨后通過(guò)動(dòng)態(tài)放大器優(yōu)化噪聲傳遞函數(shù)的零極點(diǎn)，最后通過(guò)噪聲整形結(jié)構(gòu)抑制信號(hào)帶內(nèi)噪聲。基于180 nm CMOS 工藝，設(shè)計(jì)了一款12位20 MS/s NS-SAR ADC。仿真結(jié)果表明，在1.3 V電源電壓下，功耗為1.12 mW，過(guò)采樣率（OSR）為8時(shí)，信號(hào)噪聲失真比(SNDR)為72.7 dB，無(wú)雜散動(dòng)態(tài)范圍(SFDR)為88 dB，優(yōu)值(FoMs)為163 dB；并且在1.3～1.8 V電源電壓范圍內(nèi)，其有效位數(shù)(ENOB)>11.7 bit。

發(fā)表于：6/10/2021 3:43:42 PM

一種基于實(shí)例分割和點(diǎn)云配準(zhǔn)的六維位姿估計(jì)方法[其他][其他]

本文提出一種基于Mask R-CNN實(shí)例分割網(wǎng)絡(luò)和Super4PCS點(diǎn)云配準(zhǔn)算法來(lái)估計(jì)物體六維姿態(tài)的方法。通過(guò)目標(biāo)點(diǎn)云與已知位姿的參考點(diǎn)云進(jìn)行配準(zhǔn)，可以獲取目標(biāo)的六維姿態(tài)。但實(shí)際中往往采用三維設(shè)備掃描目標(biāo)的整體環(huán)境，生成的點(diǎn)云數(shù)量龐大，直接作為源點(diǎn)云與參考點(diǎn)云配準(zhǔn)時(shí)，會(huì)由于候選集較多從而導(dǎo)致運(yùn)算時(shí)間太長(zhǎng)，因此本文先對(duì)目標(biāo)實(shí)例分割處理后再配準(zhǔn)：首先，利用深度相機(jī)獲取整體環(huán)境的RGB-D圖，其次利用Mask R-CNN模型將把目標(biāo)分割出來(lái)，并將分割的目標(biāo)RGB-D圖轉(zhuǎn)化為點(diǎn)云圖，利用Super4PCS點(diǎn)云配準(zhǔn)算法與參考點(diǎn)云進(jìn)行配準(zhǔn)，最終得到目標(biāo)的六維位姿。在自制作的數(shù)據(jù)集上進(jìn)行了驗(yàn)證，對(duì)比分割前后的四組實(shí)驗(yàn)，時(shí)間降低率約為60%-80%，有效證明了本方法的可行性。

發(fā)表于：6/10/2021 3:33:45 PM

基于單階段GANs的文本生成圖像模型[其他][其他]

針對(duì)目前生成以文本為條件的圖像通常會(huì)遇到生成質(zhì)量差、訓(xùn)練不穩(wěn)定的問題，提出了通過(guò)單階段生成對(duì)抗網(wǎng)絡(luò)(GANs)生成高質(zhì)量圖像的模型。具體而言，在GANs的生成器中引入注意力機(jī)制生成細(xì)粒度的圖像，同時(shí)通過(guò)在判別器中添加局部-全局語(yǔ)言表示，來(lái)精準(zhǔn)地鑒別生成圖像和真實(shí)圖像；通過(guò)生成器和判別器之間的相互博弈，最終生成高質(zhì)量圖像。在基準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，與具有多階段框架的最新模型相比，該模型生成的圖像更加真實(shí)且取得了當(dāng)前最高的IS值，能夠較好地應(yīng)用于通過(guò)文本描述生成圖像的場(chǎng)景。

發(fā)表于：6/10/2021 3:20:13 PM

聯(lián)合隨機(jī)性策略的深度強(qiáng)化學(xué)習(xí)探索方法[其他][其他]

目前深度強(qiáng)化學(xué)習(xí)算法已經(jīng)可以解決許多復(fù)雜的任務(wù)，然而如何平衡探索和利用的關(guān)系仍然是強(qiáng)化學(xué)習(xí)領(lǐng)域的一個(gè)基本的難題，為此提出一種聯(lián)合隨機(jī)性策略的深度強(qiáng)化學(xué)習(xí)探索方法。該方法利用隨機(jī)性策略具有探索能力的特點(diǎn)，用隨機(jī)性策略生成的經(jīng)驗(yàn)樣本訓(xùn)練確定性策略，鼓勵(lì)確定性策略在保持自身優(yōu)勢(shì)的前提下學(xué)會(huì)探索。通過(guò)結(jié)合確定性策略算法DDPG和提出的探索方法，得到基于隨機(jī)性策略指導(dǎo)的確定性策略梯度算法(SGDPG)。在多個(gè)復(fù)雜環(huán)境下的實(shí)驗(yàn)表明，面對(duì)探索問題，SGDPG的探索效率和樣本利用率要優(yōu)于DDPG算法。

發(fā)表于：6/10/2021 3:15:53 PM

基于浮柵器件的低位寬卷積神經(jīng)網(wǎng)絡(luò)研究[其他][其他]

浮柵器件(Flash)能夠?qū)⒋鎯?chǔ)和計(jì)算的特性相結(jié)合，實(shí)現(xiàn)存算一體化，但是單個(gè)浮柵單元最多只能存儲(chǔ)位寬為4 bit的數(shù)據(jù)。面向Nor Flash，研究了卷積神經(jīng)網(wǎng)絡(luò)參數(shù)的低位寬量化，對(duì)經(jīng)典的AlexNet、VGGNet以及ResNet通過(guò)量化感知訓(xùn)練。采用非對(duì)稱量化，將模型參數(shù)從32位浮點(diǎn)數(shù)量化至4位定點(diǎn)數(shù)，模型大小變?yōu)樵瓉?lái)的1/8，針對(duì)Cifar10數(shù)據(jù)集，4位量化模型的準(zhǔn)確率相對(duì)于全精度網(wǎng)絡(luò)僅下降不到2%。最后將量化完成的卷積神經(jīng)網(wǎng)絡(luò)模型使用Nor Flash陣列加速。Hspice仿真結(jié)果表明，相對(duì)于全精度模型，部署在Nor Flash陣列中的量化模型精度僅下降2.25%，驗(yàn)證了卷積神經(jīng)網(wǎng)絡(luò)部署在Nor Flash上的可行性。

發(fā)表于：6/10/2021 3:08:15 PM

融合外觀特征的行人重識(shí)別方法[其他][其他]

針對(duì)行人重識(shí)別中由于姿勢(shì)變化、視角改變、遮擋等引起的識(shí)別率不高的問題，提出了融合外觀特征的行人重識(shí)別方法。該方法通過(guò)兩個(gè)網(wǎng)絡(luò)分支的設(shè)計(jì)，分別提取行人的全局特征和局部特征，二者融合后得到行人的外觀特征。同時(shí)結(jié)合分類損失和度量學(xué)習(xí)損失，通過(guò)多任務(wù)學(xué)習(xí)策略對(duì)兩個(gè)網(wǎng)絡(luò)分支進(jìn)行模型優(yōu)化。此外，該模型設(shè)計(jì)了隨機(jī)擦除算法，在數(shù)據(jù)集中加入噪聲，增強(qiáng)模型的魯棒性。實(shí)驗(yàn)結(jié)果表明：融合外觀特征的行人重識(shí)別方法大大提高了行人重識(shí)別的準(zhǔn)確率，在Market-1501數(shù)據(jù)集上rank1達(dá)到了92.82%、mAP 達(dá)到了80.51%，在DukeMTMC-reID數(shù)據(jù)集上rank1達(dá)到了85.06%、mAP達(dá)到了72.72%。

發(fā)表于：6/10/2021 3:04:00 PM

基于深度學(xué)習(xí)的車輛檢測(cè)算法研究[其他][其他]

針對(duì)目前車輛實(shí)時(shí)檢測(cè)中存在定位不準(zhǔn)確、檢測(cè)精度低等問題，采用了一種以Darknet-53為骨架網(wǎng)絡(luò)的YOLOv3車輛檢測(cè)算法，將該算法模型在標(biāo)準(zhǔn)數(shù)據(jù)集Pascal-VOC2012上進(jìn)行訓(xùn)練，以拍攝的西安南二環(huán)路的圖片作為測(cè)試集進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果表明，YOLOv3算法的檢測(cè)精度達(dá)到84.9%，相比于SSD算法，其檢測(cè)精度提高了11.3%，檢測(cè)速度提高了3.8 f/s。因此YOLOv3算法檢測(cè)精度更好，檢測(cè)速度更快，能準(zhǔn)確地檢測(cè)出圖像中的車輛信息，滿足車輛實(shí)時(shí)檢測(cè)的要求。

發(fā)表于：6/10/2021 2:50:00 PM

函數(shù)級(jí)別的復(fù)用開源代碼檢測(cè)方法[其他][其他]

軟件開發(fā)中對(duì)開源代碼的復(fù)用會(huì)帶來(lái)開源代碼漏洞和違反開源許可等問題。傳統(tǒng)復(fù)用代碼檢測(cè)方法常常檢出較多偶然克隆代碼，影響了復(fù)用代碼的檢測(cè)準(zhǔn)確性。為此，提出了一種基于復(fù)用度量指標(biāo)的函數(shù)級(jí)別復(fù)用開源代碼檢測(cè)方法。該方法對(duì)被測(cè)代碼和開源代碼庫(kù)，先使用克隆檢測(cè)工具獲取克隆函數(shù)，然后使用依據(jù)克隆代碼行和共用標(biāo)識(shí)符在開源代碼庫(kù)中的出現(xiàn)頻率的復(fù)用度量指標(biāo)，判定每對(duì)克隆函數(shù)是否為復(fù)用。在公開有標(biāo)注數(shù)據(jù)集和真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果均表明所提方法優(yōu)于基于逆文檔頻率的方法。

發(fā)表于：6/10/2021 2:44:00 PM

面向工控現(xiàn)場(chǎng)應(yīng)用的邊緣網(wǎng)關(guān)架構(gòu)設(shè)計(jì)和性能評(píng)估[通信與網(wǎng)絡(luò)][物聯(lián)網(wǎng)]

發(fā)表于：6/10/2021 2:24:06 PM

一種利用類別顯著性映射生成對(duì)抗樣本的方法[其他][其他]

如果對(duì)抗樣本的遷移性越強(qiáng)，則其攻擊結(jié)構(gòu)未知的深度神經(jīng)網(wǎng)絡(luò)模型的效果越好，所以設(shè)計(jì)對(duì)抗樣本生成方法的一個(gè)關(guān)鍵在于提升對(duì)抗樣本的遷移性。然而現(xiàn)有方法所生成的對(duì)抗樣本，與模型的結(jié)構(gòu)和參數(shù)高度耦合，從而難以對(duì)結(jié)構(gòu)未知的模型進(jìn)行有效攻擊。類別顯著性映射能夠提取出樣本的關(guān)鍵特征信息，而且在不同網(wǎng)絡(luò)模型中有較高的相似度。基于顯著性映射的這一特點(diǎn)，在樣本生成過(guò)程中，引入類別顯著性映射進(jìn)行約束，實(shí)驗(yàn)結(jié)果表明，該方法生成的對(duì)抗樣本具有較好的遷移性。

發(fā)表于：6/10/2021 1:55:43 PM