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：
基于跨粒度特征渐进融合的细粒度锁芯孔识别
1
作者 朱坤华 孙磊 +2 位作者 廖一鹏 严欣 程飞飞 《激光与光电子学进展》 CSCD 北大核心 2024年第18期155-166,共12页
针对细粒度图像类间差异小、鉴别性特征难以捕捉、识别精度低等问题,提出一种基于跨粒度特征渐进融合的细粒度图像识别方法。首先,使用随机区域混淆模块(RRCM)生成不同粒度级别的图像,用于训练骨干网络ConvNeXt的不同阶段;其次,使用随... 针对细粒度图像类间差异小、鉴别性特征难以捕捉、识别精度低等问题,提出一种基于跨粒度特征渐进融合的细粒度图像识别方法。首先,使用随机区域混淆模块(RRCM)生成不同粒度级别的图像,用于训练骨干网络ConvNeXt的不同阶段;其次,使用随机样本交换模块(RRSM)增强不同粒度图像在模型中层的表征;然后,使用渐进式多粒度训练策略、互信道损失函数进行模型训练,协同融合跨粒度信息;最后,拼接融合多粒度特征并组合分类器,获得最终识别结果。实验结果表明,所提方法在CUB-200-2011、Stanford Cars和FGVC-Aircraft等3个公开数据集上的识别精度分别为92.8%、95.5%和94.0%,优于当前主流的细粒度图像识别方法。在自行构建的Lock-Hole锁芯孔数据集上的识别精度达到97.3%,单张图像平均识别时间为0.016 s,能够实现锁芯孔图像的精准识别,满足应急开锁场景下的快速锁芯孔识别要求。 展开更多
关键词 细粒度图像 渐进多粒度训练 跨粒度信息融合 ConvNeXt 锁芯孔识别
原文传递
基于渐进多粒度训练深度学习的矿物图像识别 被引量：1
2
作者 万成舟 季晓慧 +4 位作者 杨眉 何明跃 张招崇 曾姗 王玉柱 《地学前缘》 EI CAS CSCD 北大核心 2024年第4期112-118,共7页
近年来,随着深度学习在地学领域中的应用,矿物图像识别变得越来越重要。虽然已经有研究将深度学习应用于矿物图像识别,并取得了一定的成果,但在大规模矿物数据集上的识别准确率仍然有待进一步提高。不同矿物之间可能存在细微的形态、纹... 近年来,随着深度学习在地学领域中的应用,矿物图像识别变得越来越重要。虽然已经有研究将深度学习应用于矿物图像识别,并取得了一定的成果,但在大规模矿物数据集上的识别准确率仍然有待进一步提高。不同矿物之间可能存在细微的形态、纹理和颜色差异,符合细粒度识别算法特征,但以往的研究中很少有人采用细粒度方法进行矿物识别。所以本文提出了一种基于Next-ViT模型的细粒度矿物识别方法,通过引入渐进式多粒度训练拼图技术,实现对矿物图像的精确分类。首先采用Next-ViT模型作为特征提取器,该模型结合了Transformer结构和卷积神经网络的优势,能够提取到丰富的图像特征;接下来利用随机拼图生成器创建不同粒度级别的矿物拼图,这些拼图包含从细节到整体的多种信息。训练过程中采用渐进式多粒度训练策略,在训练的早期阶段,模型主要关注细粒度的特征,通过学习拼图中的细节信息来区分不同的矿物,随着训练的深入,模型逐渐将注意力转移到更大粒度级别的特征上,学习更加抽象和全局的信息。通过这种方式,模型能够充分利用不同粒度级别的信息,提高矿物识别的准确性。实验结果表明,该模型在常见的36种矿物数据集上取得了86.5%的准确率,有效地提高了矿物识别的准确率。这表明,细粒度识别方法对于矿物识别是有效的。 展开更多
关键词 矿物识别 深度学习 Next-ViT 细粒度识别 渐进式多粒度训练
下载PDF
渐进式多粒度ResNet车型识别网络 被引量：1
3
作者 徐胜军 荆扬 +3 位作者 李海涛 段中兴 刘福友 李明海 《光电工程》 CAS CSCD 北大核心 2023年第7期32-46,共15页
针对车辆因姿态、视角等成像差异造成车型难以识别问题,提出一种基于渐进式多粒度ResNet车型识别网络。首先,以ResNet网络作为主干网络,提出渐进式多粒度局部卷积模块,对不同粒度级别的车辆图像进行局部卷积操作,使网络重构时能够关注... 针对车辆因姿态、视角等成像差异造成车型难以识别问题,提出一种基于渐进式多粒度ResNet车型识别网络。首先,以ResNet网络作为主干网络,提出渐进式多粒度局部卷积模块,对不同粒度级别的车辆图像进行局部卷积操作,使网络重构时能够关注到不同粒度级别的车辆局部特征;其次,对多粒度局部特征图利用随机通道丢弃模块进行随机通道丢弃,抑制网络对车辆显著性区域特征的注意力,提高非显著性特征的关注度;最后,提出一种渐进式多粒度训练模块,在每个训练步骤中增加分类损失,引导网络提取更具辨别力和多样性的车辆多尺度特征。实验结果表明,在Stanford cars数据集、Compcars网络数据集和真实场景下的车型数据集VMRURS上,所提网络的识别准确率分别达到了95.7%、98.8%和97.4%,和对比网络相比,所提网络不仅具有较高的识别准确率,而且具有更好的鲁棒性。 展开更多
关键词 车型识别 ResNet网络 渐进式多粒度局部卷积 随机通道丢弃 渐进式多粒度训练
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