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：
城市用地指标市场化配置机制研究——以落户条件放开为背景 被引量：1
1
作者 马智利 熊俊臣 《中国房地产》 2019年第27期52-57,共6页
在落户条件全面放开政策影响下,人口流入城市对用地指标需求将大幅度增加。首先对用地指标供求两端进行分析,发现利用农户退出宅基地补充城市用地指标具备可行性。其次,设计了用地指标市场化配置机制,包括用地指标置换规则、宅基地退出... 在落户条件全面放开政策影响下,人口流入城市对用地指标需求将大幅度增加。首先对用地指标供求两端进行分析,发现利用农户退出宅基地补充城市用地指标具备可行性。其次,设计了用地指标市场化配置机制,包括用地指标置换规则、宅基地退出补偿测算及使用方案,梳理了用地指标交易流程,有助于实现城市用地指标市场化配置,同时保障耕地面积不减少、农业转移人口获得城市安家资本,推进新型城镇化。 展开更多
关键词 宅基地 用地指标 市场化配置 新型城镇化
下载PDF
基于注意力机制和有效分解卷积的实时分割算法 被引量：4
2
作者 文凯 唐伟伟 熊俊臣 《计算机应用》 CSCD 北大核心 2022年第9期2659-2666,共8页
针对现阶段实时语义分割算法计算成本高和内存占用大而无法满足实际场景需求的问题,提出一种新型的浅层的轻量级实时语义分割算法——基于注意力机制和有效分解卷积的实时分割算法(AEFNet)。首先,利用一维非瓶颈结构(Non-bottleneck-1D... 针对现阶段实时语义分割算法计算成本高和内存占用大而无法满足实际场景需求的问题,提出一种新型的浅层的轻量级实时语义分割算法——基于注意力机制和有效分解卷积的实时分割算法(AEFNet)。首先,利用一维非瓶颈结构(Non-bottleneck-1D)构建轻量级分解卷积模块以提取丰富的上下文信息并减少运算量,同时以一种简单的方式增强算法学习能力并利于提取细节信息;然后,结合池化操作和注意力细化模块(ARM)构建全局上下文注意力模块以捕捉全局信息并细化算法的每个阶段,从而优化分割效果。算法在公共数据集cityscapes和camvid上进行验证,并在cityscapes测试集上获得精度为74.0%和推理速度为118.9帧速率(FPS),相比深度非对称瓶颈网络(DABNet),所提算法在精度上提高了约4个百分点,推理速度提升了14.7 FPS,与最近高效的增强非对称卷积网络(EACNet)相比,所提算法精度略低0.2个百分点,然而推理速度提高了6.9 FPS。实验结果表明:所提算法能够较为准确地识别场景信息,并能满足实时性要求。 展开更多
关键词 分解卷积 注意力机制 空间细节信息 上下文信息 轻量级算法
下载PDF
基于注意力及边缘提取任务的实时分割网络
3
作者 文凯 杨一鹏 +1 位作者 熊俊臣 韦胜男 《计算机工程与应用》 CSCD 北大核心 2023年第22期213-222,共10页
针对小目标分割精度不高且分割边界模糊等问题,对BiSeNet V3进行改进,提出了一种基于全局注意力及边缘提取任务的实时分割网络。结合非对称卷积,对短期密集拼接模块做了轻量化处理,并通过全局注意力增强了特征的全局相关性。边缘分支可... 针对小目标分割精度不高且分割边界模糊等问题,对BiSeNet V3进行改进,提出了一种基于全局注意力及边缘提取任务的实时分割网络。结合非对称卷积,对短期密集拼接模块做了轻量化处理,并通过全局注意力增强了特征的全局相关性。边缘分支可通过边缘特征融合模块有效滤除语义特征中与边界无关的信息,并在解码阶段恢复损失的细节信息。改进的损失函数保证了网络能够向着利于小目标分割的方向更新参数。在数据集上的结果及真实环境预测表明,所提网络改善了边界清晰度及小目标分割精度,并在真实场景下仍具有较高鲁棒性。 展开更多
关键词 小目标 边界模糊 全局注意力 边缘提取任务
下载PDF
基于多级上下文引导的实时语义分割网络 被引量：1
4
作者 文凯 熊俊臣 +1 位作者 邹伟 唐伟伟 《计算机应用研究》 CSCD 北大核心 2022年第4期1265-1269,1280,共6页
针对实时语义分割方法中因忽略其本质所导致的分割精度不高的问题,提出了一种多级上下文引导的轻量化网络。首先,将深度可分离卷积及非对称卷积相结合,设计了基于并行非对称卷积的上下文引导模型以学习局部特征及其周围上下文构成的联... 针对实时语义分割方法中因忽略其本质所导致的分割精度不高的问题,提出了一种多级上下文引导的轻量化网络。首先,将深度可分离卷积及非对称卷积相结合,设计了基于并行非对称卷积的上下文引导模型以学习局部特征及其周围上下文构成的联合特征;其次,将该模型堆叠于网络来实现特征的多级优化;最后,通过通道注意模型筛选出与更高阶段语义一致的浅层特征,从而提高分割效果。实验结果表明,所提网络在Cityscapes数据集上以94.7的帧速率获得了72.4%的平均交并比,并在CamVid数据集上取得显著的性能提升。同当前的其他实时语义分割方法相比,该网络性能更优。 展开更多
关键词 深度可分离卷积 非对称卷积 局部特征 上下文 通道注意
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