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5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：
基于卷积神经网络的多路视频多视角场景编解码方法
1
作者 于夫 《长江信息通信》 2024年第6期85-88,共4页
常规的多路视频多视角场景编解码,主要采用视频单帧迭代处理实现编解码过程,忽略了视频中冗余信息对编解码效果的影响,导致编解码结果的视频帧峰值信噪比较低。因此,提出基于卷积神经网络的多路视频多视角场景编解码方法。构建双任务的... 常规的多路视频多视角场景编解码,主要采用视频单帧迭代处理实现编解码过程,忽略了视频中冗余信息对编解码效果的影响,导致编解码结果的视频帧峰值信噪比较低。因此,提出基于卷积神经网络的多路视频多视角场景编解码方法。构建双任务的双残差连接块卷积神经网络,在该网络中最小化视频空间点的距离值,匹配得到视频运动估计矢量特征并补偿,降低冗余信息的影响,在此基础上定义多路视频的编码内容,并通过重构解码帧实现多视角场景的编解码过程。实验结果表明:所提方法应用后得出的视频编解码结果,表现出的视频帧峰值信噪比较高,有效改善了视频质量,满足了多路视频多视角场景的实际应用需求。 展开更多
关键词 多路视频 多视角场景 视频编解码 卷积神经网络 视频处理 编解码方法
下载PDF
基于卷积神经网络的调制样式识别研究 被引量：7
2
作者 陈昌美 李艳斌 《信息技术》 2020年第1期101-106,共6页
自动调制样式识别分类是解调前的重要步骤,在频谱管理、认知无线电、智能调制解调器、监视和干扰识别等许多应用中发挥着重要作用。深度学习具有强大的分类能力,基于深度学习中的卷积神经网络,将映射成星座图的具有不同调制样式的通信... 自动调制样式识别分类是解调前的重要步骤,在频谱管理、认知无线电、智能调制解调器、监视和干扰识别等许多应用中发挥着重要作用。深度学习具有强大的分类能力,基于深度学习中的卷积神经网络,将映射成星座图的具有不同调制样式的通信信号馈送进神经网络,从而达到通信信号调试样式识别分类的目的。基于实验目的,提出一种改进的卷积神经网络结构可实现对七种不同的调制样式的分类,在信噪比≥5dB时,识别率可达97.99%,信噪比≥9dB时,识别率可达100%。 展开更多
关键词 自动调制分类 星座图 深度学习 卷积神经网络
下载PDF
基于深度卷积神经网络的人群疏散运动仿真模型
3
作者 王宗尧 吕子龙 +2 位作者 徐欣然 毕容珲 隋聪 《大连海事大学学报》 CAS CSCD 北大核心 2024年第2期101-108,共8页
为给人群疏散问题研究提供准确可靠的依据,本文提出一种基于深度卷积神经网络的人群疏散运动仿真模型。为获取神经网络训练所需数据,采用CSRNet神经网络和DBSCAN算法从监控视频中提取真实人群轨迹数据,通过深度卷积神经网络的训练,对真... 为给人群疏散问题研究提供准确可靠的依据,本文提出一种基于深度卷积神经网络的人群疏散运动仿真模型。为获取神经网络训练所需数据,采用CSRNet神经网络和DBSCAN算法从监控视频中提取真实人群轨迹数据,通过深度卷积神经网络的训练,对真实的人群行为模式进行深度学习,并利用训练出的深度卷积神经网络建立人群运动仿真模型。结果表明,该模型可准确预测人群的运动行为,真实模拟人群的运动轨迹,可为应急疏散策略的制定和公共场所疏散通道的设计提供依据。 展开更多
关键词 人群疏散 仿真模型 深度卷积神经网络 深度学习
原文传递
基于改进1D-VD-CNN与近红外光谱数据的金银花产地溯源研究 被引量：2
4
作者 陈冬英 张昊 +2 位作者 张子龙 余沐昕 陈璐 《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2023年第5期1471-1477,共7页
金银花是清热解毒必备良药,市面上金银花来源复杂,最著名的山东平邑产金银花在市场上常遭造假。已有的鉴别方法大多耗时长、成本高且操作复杂,亟需一种快速高效的金银花产地溯源方法。针对应用在金银花鉴别中的近红外光谱(NIRS)数据的... 金银花是清热解毒必备良药,市面上金银花来源复杂,最著名的山东平邑产金银花在市场上常遭造假。已有的鉴别方法大多耗时长、成本高且操作复杂,亟需一种快速高效的金银花产地溯源方法。针对应用在金银花鉴别中的近红外光谱(NIRS)数据的一维卷积神经网络(1D-CNN)鉴别模型存在参数量过大、模型效率过于低下、计算复杂度高,同时易产生过拟合问题,对传统1D-CNN结构作出改进。使用效率较高的VD(Very Deep)结构替代传统1D-CNN中隐含层结构,并针对NIRS数据适应性改进,使其可直接应用于一维NIRS数据。改进分为三步:(1)将特征层的设计转为2个约束优化设计:第一约束条件设每个卷积层C值(卷积核与感受野的大小比值)为1/6,可提高网络模型效率;第二约束条件取顶层感受野大小为数据向量大小,实现更深层数据特征提取,并减小过拟合。(2)通过降采样把特征层输出特征向量缩小至较小的尺寸;(3)使用两个1×5大小的卷积层和一个带有Dropout的池化层将数据大小降采样到只有一个矢量的向量替代分类作用的全连接层,进而减小参数量。采集河南、山东、河北、重庆主要产地出产的金银花为样品500份。测试光谱范围908~1 676 nm,采用KS法对样品集预处理,并用shuffle算法完成训练集、验证集、测试集划分,构建基于改进1D-VD-CNN与近红外光谱的金银花产地鉴别模型。结果表明,1D-VD-CNN训练集与测试集准确率均达到100%,损失值收敛为0.001附近。与传统1D-CNN模型相比,1D-VD-CNN模型的训练集与测试集准确率分别提升为约0.5%与1.4%,参数量和FLOPs分别减少近1 M(兆)和20 M(兆)。与原始光谱数据分析法和PLS-DA法对比分析,表明1D-VD-CNN模型对金银花近红外光谱分类具有更高的效率和更好的识别性能。 展开更多
关键词 金银花 近红外光谱 超深度 一维卷积神经网络 产地溯源
下载PDF
利用一维超深度卷积神经网络的金银花NIRS分类模型设计
5
作者 张子龙 陈冬英 +1 位作者 俞达 陈璐 《三明学院学报》 2023年第3期63-70,共8页
当前应用于近红外光谱(NIRS)数据定性分析的经典一维卷积神经网络(1D-CNN)模型,通过增加卷积核数量,导致模型臃肿、参数量巨大、计算复杂度高,同时易产生过拟合。为克服传统方法的不足,改进传统1D-CNN模型为一维超深度卷积神经网络模型... 当前应用于近红外光谱(NIRS)数据定性分析的经典一维卷积神经网络(1D-CNN)模型,通过增加卷积核数量,导致模型臃肿、参数量巨大、计算复杂度高,同时易产生过拟合。为克服传统方法的不足,改进传统1D-CNN模型为一维超深度卷积神经网络模型。首先,采集金银花近红外光谱为样本数据,并采用KS法对样品集预处理;其次,改进传统1D-CNN中的隐含层结构为一维超深度卷积神经网络,并针对NIRS数据适应性进行改进,使其可直接应用于一维NIRS数据;最后,用分层算法完成训练集、验证集和测试集的划分,构建基于一维超深度卷积神经网络的金银花NIRS分类模型。结果表明,改进后的一维超深度卷积神经网络训练集的准确率达到100%,测试集的准确率达到99.57%,损失值收敛为0.018附近。与传统1D-CNN模型相比,本设计模型的训练集与测试集的准确率分别提升了约0.05%与1%,同时,参数量和FLOPs分别减少约47%和5%,并且可大幅度降低过拟合。 展开更多
关键词 金银花 近红外光谱 分类 一维卷积神经网络 超深度
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