• 首頁
  • 新聞
    業(yè)界動態(tài)
    新品快遞
    高端訪談
    AET原創(chuàng)
    市場分析
    圖說新聞
    會展
    專題
    期刊動態(tài)
  • 設(shè)計資源
    設(shè)計應(yīng)用
    解決方案
    電路圖
    技術(shù)專欄
    資源下載
    PCB技術(shù)中心
    在線工具庫
  • 技術(shù)頻道
    模擬設(shè)計
    嵌入式技術(shù)
    電源技術(shù)
    可編程邏輯
    測試測量
    通信與網(wǎng)絡(luò)
  • 行業(yè)頻道
    工業(yè)自動化
    物聯(lián)網(wǎng)
    通信網(wǎng)絡(luò)
    5G
    數(shù)據(jù)中心
    信息安全
    汽車電子
  • 大學(xué)堂
  • 期刊
  • 文獻(xiàn)檢索
期刊投稿
登錄 注冊

一種鄰域自適應(yīng)的雙閾值點云特征提取方法

一種鄰域自適應(yīng)的雙閾值點云特征提取方法[其他][其他]

點云數(shù)據(jù)的特征提取是點云數(shù)據(jù)處理環(huán)節(jié)中的一項重要內(nèi)容,對幾何分析、數(shù)據(jù)分割、點云配準(zhǔn)、模型重建等研究起關(guān)鍵作用。研究了基于法向量和曲率的點云特征提取技術(shù),闡明了特征提取過程中鄰域選取與單一參數(shù)計算存在的問題,提出了鄰域自適應(yīng)的雙閾值點云特征提取方法。通過實驗對比了該算法與基于曲率的特征提取算法的提取效果,驗證了本算法的穩(wěn)定性、準(zhǔn)確性。該算法對于幾何特征復(fù)雜的點云具有較好的提取效果,對提高點云特征點提取的精度及效率具有重要的意義。

發(fā)表于:12/15/2020 9:36:00 PM

基于Flink框架的TopN堆排序優(yōu)化算法

基于Flink框架的TopN堆排序優(yōu)化算法[其他][其他]

為了解決大數(shù)據(jù)TopN排序問題,將傳統(tǒng)的堆排序進(jìn)行優(yōu)化,闡述了優(yōu)化后的HeapOptimize方法的處理過程。HeapOptimize方法基于Flink框架來完成TopN作業(yè),可以實時地接收并處理大量的數(shù)據(jù),根據(jù)單位時間需要處理的數(shù)據(jù)數(shù)量來調(diào)整算子的并行度,增加Flink框架的吞吐量,提高處理數(shù)據(jù)的速度。通過實驗測量的數(shù)據(jù)結(jié)果佐證了HeapOptimize方法的優(yōu)勢。

發(fā)表于:12/15/2020 9:17:00 PM

基于改進(jìn)馬爾科夫特征的圖像拼接檢測研究

基于改進(jìn)馬爾科夫特征的圖像拼接檢測研究[通信與網(wǎng)絡(luò)][信息安全]

針對傳統(tǒng)馬爾科夫特征拼接檢測準(zhǔn)確率不高的問題,提出了一種有效的馬爾科夫特征提取方法。與傳統(tǒng)馬爾科夫特征的計算過程不同,只計算水平和垂直兩個方向的轉(zhuǎn)移概率矩陣,選擇四個轉(zhuǎn)移概率矩陣中對應(yīng)位置求和后的值作為最終特征。求和操作不僅降低了特征維度,而且使真實圖像與拼接圖像之間的概率分布區(qū)分更加明顯。所提出的算法的特征維度與數(shù)據(jù)集無關(guān)。該方法在哥倫比亞彩色拼接檢測圖庫、CASIA V1.0和CASIA V2.0數(shù)據(jù)集上測試的準(zhǔn)確率分別為94.38%、99.19%、96.02%。

發(fā)表于:12/15/2020 8:49:00 PM

基于DAPA的卷積神經(jīng)網(wǎng)絡(luò)Web異常流量檢測方法

基于DAPA的卷積神經(jīng)網(wǎng)絡(luò)Web異常流量檢測方法[測試測量][通信網(wǎng)絡(luò)]

針對Web攻擊流量檢測問題,提出一種基于動態(tài)自適應(yīng)池化算法(Dynamic Adaptive Pooling Algorithm,DAPA)的卷積神經(jīng)網(wǎng)絡(luò)模型。首先將數(shù)據(jù)集中每一條請求流量進(jìn)行剪裁、對齊、補(bǔ)足等操作,生成一系列50×150的矩陣數(shù)據(jù)A作為輸入,然后搭建基于動態(tài)自適應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)模型去進(jìn)行異常流量檢測,使之可以根據(jù)特征圖的不同,動態(tài)地調(diào)整池化過程,在網(wǎng)絡(luò)結(jié)構(gòu)中添加Dropout層來解決流量特征提取過程中的過擬合問題。實驗表明,該方法比未使用動態(tài)自適應(yīng)池化的方式精確度提升了1.2%,損失值降低了2.6%,過擬合問題也得到了解決。

發(fā)表于:12/15/2020 8:32:00 PM

 基于KNN的剩余油形態(tài)識別

基于KNN的剩余油形態(tài)識別[其他][其他]

對從實驗中采集到的剩余油圖像進(jìn)行分析研究,可以為油藏后期開采提供理論依據(jù)。通過收集確定類型的剩余油特征數(shù)據(jù)作為樣本集向量空間,對待分類剩余油特征數(shù)據(jù)進(jìn)行歸一化處理,之后求取歐氏距離。使用KNN(K近鄰)分類方法近鄰?fù)镀贝_定剩余油類別,可以較為快速準(zhǔn)確地得到分類結(jié)果。

發(fā)表于:12/15/2020 5:23:00 PM

基于方面情感的層次化雙注意力網(wǎng)絡(luò)

基于方面情感的層次化雙注意力網(wǎng)絡(luò)[人工智能][信創(chuàng)產(chǎn)業(yè)]

基于深度學(xué)習(xí)的方面級情感分析,結(jié)合注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)模型取得較好的分類效果,但常用方法僅考慮單一層面注意力機(jī)制,且無法獲取句子間依賴關(guān)系。設(shè)計了一種層次化的雙注意力神經(jīng)網(wǎng)絡(luò)模型用于方面級情感分析,針對特定方面引入方面目標(biāo)的注意力機(jī)制以及文本上下文自注意力機(jī)制,獲取方面特征信息和句子的全局依賴信息;設(shè)計層次化GRU網(wǎng)絡(luò),其中單詞層嵌入特定方面信息,獲取針對方面目標(biāo)的句子內(nèi)部特征信息,句子層網(wǎng)絡(luò)通過雙注意力機(jī)制和詞語層的輸入,獲取句子間的特征依賴信息,從而實現(xiàn)深層次的方面情感分類。在SemEval 2014兩個數(shù)據(jù)集和Twitter數(shù)據(jù)集上進(jìn)行對比實驗,驗證了該方法的有效性,針對方面級情感,分類準(zhǔn)確率均得到了有效提升。

發(fā)表于:12/15/2020 5:16:25 PM

基于疲勞駕駛的人眼定位方法研究

基于疲勞駕駛的人眼定位方法研究[人工智能][工業(yè)自動化]

人眼定位是疲勞駕駛的研究關(guān)鍵。由粗到精,先后進(jìn)行了人臉檢測、瞳孔定位。針對現(xiàn)有方向梯度直方圖人臉檢測算法泛化能力不佳的問題,提出了一種基于信息熵加權(quán)的HOG特征提取算法,該算法將待分類的人臉特征進(jìn)行信息熵閾值加權(quán),形成新的HOG特征,然后通過支持向量機(jī)進(jìn)行分類;針對現(xiàn)有瞳孔定位算法準(zhǔn)確率不高的問題,提出了多算法協(xié)同工作的瞳孔定位方法,以自商圖為基準(zhǔn)尋找二值分割點,實現(xiàn)了眼部區(qū)域光照不變性,以灰度積分投影為依據(jù)實現(xiàn)了瞳孔精確定位。實驗結(jié)果表明,該文提出的人臉檢測算法在CelebA驗證數(shù)據(jù)集準(zhǔn)確率可達(dá)到98.26%,較傳統(tǒng)識別方法有更高的準(zhǔn)確率;而瞳孔定位算法也可達(dá)到令人滿意的精確度,提高了瞳孔定位的準(zhǔn)確性。

發(fā)表于:12/15/2020 5:08:50 PM

基于頻域注意力時空卷積網(wǎng)絡(luò)的步態(tài)識別方法

基于頻域注意力時空卷積網(wǎng)絡(luò)的步態(tài)識別方法[模擬設(shè)計][信創(chuàng)產(chǎn)業(yè)]

為了解決步態(tài)信息冗余多、特征重要性分布不均勻以及步態(tài)的時空特征難以學(xué)習(xí)的問題,提出了基于頻域注意力的時空卷積網(wǎng)絡(luò)進(jìn)行步態(tài)識別。該方法改進(jìn)了三維卷積網(wǎng)絡(luò)(C3D)學(xué)習(xí)時空特征,同時提出了一種頻域注意力卷積操作,既減少了冗余計算,注意力的調(diào)整又提高了學(xué)習(xí)效果。網(wǎng)絡(luò)首先將步態(tài)信息劃分為五組,然后通過改進(jìn)的卷積進(jìn)行時空特征抽取,最后通過Softmax層進(jìn)行分類。在中科大數(shù)據(jù)集CASIA dataset B中進(jìn)行測試,在Bag狀態(tài)與Coat狀態(tài)下準(zhǔn)確率分別為88.5%、92.8%,分別較傳統(tǒng)深度卷積網(wǎng)絡(luò)(Deep CNN)提升3%左右,同時注意力在網(wǎng)絡(luò)學(xué)習(xí)中重新分布,各個角度下的準(zhǔn)確率也平均提升2%左右。

發(fā)表于:12/15/2020 4:58:35 PM

基于雙流卷積神經(jīng)網(wǎng)絡(luò)和生成式對抗網(wǎng)絡(luò)的行人重識別算法

基于雙流卷積神經(jīng)網(wǎng)絡(luò)和生成式對抗網(wǎng)絡(luò)的行人重識別算法[人工智能][信創(chuàng)產(chǎn)業(yè)]

近年來,針對行人重識別問題的深度學(xué)習(xí)技術(shù)研究取得了很大的進(jìn)展。然而,在解決實際數(shù)據(jù)的特征樣本不平衡問題時,效果仍然不理想。為了解決這一問題,設(shè)計了一個更有效的模型,該模型很好地解決了目標(biāo)的不同姿態(tài)的干擾以及數(shù)據(jù)集中的圖片數(shù)量不足的問題。首先,通過遷移姿態(tài)生成對抗網(wǎng)絡(luò)生成行人不同姿勢的圖片,解決姿態(tài)干擾及圖片數(shù)量不足的問題。然后利用兩種不同的獨立卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征,并將其結(jié)合得到綜合特征。最后,利用提取的特征完成行人重識別。采用姿勢轉(zhuǎn)換方法對數(shù)據(jù)集進(jìn)行擴(kuò)展,有效地克服了由目標(biāo)不同姿勢引起的識別誤差,識別錯誤率降低了6%。實驗結(jié)果表明,該模型在Market-1501和DukeMTMC-Reid上達(dá)到了更好的識別準(zhǔn)確度。在DukeMTMC-Reid數(shù)據(jù)集上測試時,Rank-1準(zhǔn)確度增加到92.10%,mAP 達(dá)到84.60%。

發(fā)表于:12/15/2020 4:44:29 PM

基于稀疏建模和SVM的管道缺陷分類方法研究

基于稀疏建模和SVM的管道缺陷分類方法研究[其他][其他]

埋地鋼質(zhì)管道缺陷識別及評估是管道檢測領(lǐng)域中長期存在的難點之一,而實現(xiàn)對管道缺陷準(zhǔn)確分類的前提是管道損傷信號的精準(zhǔn)提取,針對埋地管道缺陷信號特征提出一種基于稀疏建模和支持向量機(jī)(SVM)的管道缺陷信號提取與識別方法。通過從原始信號中學(xué)習(xí)獲得字典,將該字典采用正則化正交匹配追蹤算法構(gòu)建缺陷信號稀疏模型,并根據(jù)壓縮感知理論獲得信號的特征向量。進(jìn)一步,采用多分類SVM將缺陷信號的特征向量與管道實際缺陷類型建立映射關(guān)系,并通過遺傳粒子群優(yōu)化算法指導(dǎo)SVM參數(shù)選取。結(jié)果表明:提出的分類方法可實現(xiàn)對管道缺陷損傷程度的準(zhǔn)確劃分,該方法已經(jīng)成功通過實驗室驗證,并成功應(yīng)用于華北某油田的工程領(lǐng)域檢測。

發(fā)表于:12/15/2020 4:36:09 PM

  • ?
  • …
  • 220
  • 221
  • 222
  • 223
  • 224
  • 225
  • 226
  • 227
  • 228
  • 229
  • …
  • ?

活動

MORE
  • 【征文】2025電子系統(tǒng)工程大會“數(shù)據(jù)編織”分論壇征文通知
  • 【技術(shù)沙龍】聚焦數(shù)據(jù)資產(chǎn)——從技術(shù)治理到價值變現(xiàn)
  • 【熱門活動】2025中國西部微波射頻技術(shù)研討會
  • 【熱門活動】2025年數(shù)據(jù)要素治理學(xué)術(shù)研討會
  • 【技術(shù)沙龍】網(wǎng)絡(luò)安全+DeepSeek

高層說

MORE
  • 四步流程助力IT賦能企業(yè)出海
    四步流程助力IT賦能企業(yè)出海
  • 6G與AI開啟沉浸式通信新時代
    6G與AI開啟沉浸式通信新時代
  • RISC-V國際基金會CEO:中國會員發(fā)揮了關(guān)鍵作用
    RISC-V國際基金會CEO:中國會員發(fā)揮了關(guān)鍵作用
  • 利用人工智能提升車間生產(chǎn)效率
    利用人工智能提升車間生產(chǎn)效率
  • 推動制造業(yè)智能化變革的實踐者——張野的創(chuàng)新之路
    推動制造業(yè)智能化變革的實踐者——張野的創(chuàng)新之路
  • 網(wǎng)站相關(guān)
  • 關(guān)于我們
  • 聯(lián)系我們
  • 投稿須知
  • 廣告及服務(wù)
  • 內(nèi)容許可
  • 廣告服務(wù)
  • 雜志訂閱
  • 會員與積分
  • 積分商城
  • 會員等級
  • 會員積分
  • VIP會員
  • 關(guān)注我們

Copyright ? 2005-2024 華北計算機(jī)系統(tǒng)工程研究所版權(quán)所有 京ICP備10017138號-2

感谢您访问我们的网站,您可能还对以下资源感兴趣:

欧美色综合二区