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3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：
基片表面朝向对ZnO纳米线生长机理的影响
1
作者 唐斌 邓宏 +1 位作者 张强 税正伟 《电子科技大学学报》 EI CAS CSCD 北大核心 2009年第1期134-136,147,共4页
采用热蒸发ZnO粉末法,以金膜为催化剂,在两片表面分别朝上和朝下的Si(100)基片上生长ZnO纳米线(样品分别标为1#和2#)。X射线衍射(XRD)图谱上只存在ZnO的(002)衍射峰,说明ZnO纳米线沿(001)择优取向。通过扫描电子显微镜(SEM)表征发现,Zn... 采用热蒸发ZnO粉末法,以金膜为催化剂,在两片表面分别朝上和朝下的Si(100)基片上生长ZnO纳米线(样品分别标为1#和2#)。X射线衍射(XRD)图谱上只存在ZnO的(002)衍射峰,说明ZnO纳米线沿(001)择优取向。通过扫描电子显微镜(SEM)表征发现,ZnO纳米线整齐排列在Si基片上,直径在100nm左右,平均长度为4μm。通过分析得出,两种基片上生长的ZnO纳米线的生长机理是不相同的:1#样品,在基片表面上先生长ZnO薄膜,再在薄膜上生长ZnO纳米线;2#样品,ZnO纳米线直接外延生长在基片表面。结果显示基片表面的朝向影响ZnO纳米线的生长机理。 展开更多
关键词 汽-液-固(V-L-S)机理 汽-固(V-S)机理 ZNO纳米线 ZNO薄膜
下载PDF
时空图卷积网络与注意机制的视频目标分割 被引量：4
2
作者 姚睿 夏士雄 +2 位作者 周勇 赵佳琦 胡伏原 《中国图象图形学报》 CSCD 北大核心 2021年第10期2376-2387,共12页
目的从大量数据中学习时空目标模型对于半监督视频目标分割任务至关重要,现有方法主要依赖第1帧的参考掩膜(通过光流或先前的掩膜进行辅助)估计目标分割掩膜。但由于这些模型在对空间和时域建模方面的局限性,在快速的外观变化或遮挡下... 目的从大量数据中学习时空目标模型对于半监督视频目标分割任务至关重要,现有方法主要依赖第1帧的参考掩膜(通过光流或先前的掩膜进行辅助)估计目标分割掩膜。但由于这些模型在对空间和时域建模方面的局限性,在快速的外观变化或遮挡下很容易失效。因此,提出一种时空部件图卷积网络模型生成鲁棒的时空目标特征。方法首先,使用孪生编码模型,该模型包括两个分支:一个分支输入历史帧和掩膜捕获序列的动态特征,另一个分支输入当前帧图像和前一帧的分割掩膜。其次,构建时空部件图,使用图卷积网络学习时空特征,增强目标的外观和运动模型,并引入通道注意模块,将鲁棒的时空目标模型输出到解码模块。最后,结合相邻阶段的多尺度图像特征,从时空信息中分割出目标。结果在DAVIS(densely annotated video segmentation)-2016和DAVIS-2017两个数据集上与最新的12种方法进行比较,在DAVIS-2016数据集上获得了良好性能,Jacccard相似度平均值(Jaccard similarity-mean,J-M)和F度量平均值(F measure-mean,F-M)得分达到了85.3%,比性能最高的对比方法提高了1.7%;在DAVIS-2017数据集上,J-M和F-M得分达到了68.6%,比性能最高的对比方法提高了1.2%。同时,在DAVIS-2016数据集上,进行了网络输入与后处理的对比实验,结果证明本文方法改善了多帧时空特征的效果。结论本文方法不需要在线微调和后处理,时空部件图模型可缓解因目标外观变化导致的视觉目标漂移问题,同时平滑精细模块增加了目标边缘细节信息,提高了视频目标分割的性能。 展开更多
关键词 视频目标分割(vos) 图卷积网络 时空特征 注意机制 深度神经网络
原文传递
融合视觉词与自注意力机制的视频目标分割 被引量：2
3
作者 季传俊 陈亚当 车洵 《中国图象图形学报》 CSCD 北大核心 2022年第8期2444-2457,共14页
目的 视频目标分割(video object segmentation, VOS)是在给定初始帧的目标掩码条件下,实现对整个视频序列中感兴趣对象的分割,但是视频中往往会出现目标形状不规则、背景中存在干扰信息和运动速度过快等情况,影响视频目标分割质量。对... 目的 视频目标分割(video object segmentation, VOS)是在给定初始帧的目标掩码条件下,实现对整个视频序列中感兴趣对象的分割,但是视频中往往会出现目标形状不规则、背景中存在干扰信息和运动速度过快等情况,影响视频目标分割质量。对此,本文提出一种融合视觉词和自注意力机制的视频目标分割算法。方法 对于参考帧,首先将其图像输入编码器中,提取分辨率为原图像1/8的像素特征。然后将该特征输入由若干卷积核构成的嵌入空间中,并将其结果上采样至原始尺寸。最后结合参考帧的目标掩码信息,通过聚类算法对嵌入空间中的像素进行聚类分簇,形成用于表示目标对象的视觉词。对于目标帧,首先将其图像通过编码器并输入嵌入空间中,通过单词匹配操作用参考帧生成的视觉词来表示嵌入空间中的像素,并获得多个相似图。然后,对相似图应用自注意力机制捕获全局依赖关系,最后取通道方向上的最大值作为预测结果。为了解决目标对象的外观变化和视觉词失配的问题,提出在线更新机制和全局校正机制以进一步提高准确率。结果 实验结果表明,本文方法在视频目标分割数据集DAVIS(densely annotated video segmentation)2016和DAVIS 2017上取得了有竞争力的结果,区域相似度与轮廓精度之间的平均值J&F-mean(Jaccard and F-score mean)分别为83.2%和72.3%。结论 本文提出的算法可以有效地处理由遮挡、变形和视点变化等带来的干扰问题,实现高质量的视频目标分割。 展开更多
关键词 视频目标分割(vos) 聚类算法 视觉词 自注意力机制 在线更新机制 全局校正机制
原文传递
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