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：
基于多尺度卷积神经网络的交通标志识别 被引量：11
1
作者 薛之昕 郑英豪 +1 位作者 肖建 魏玲玲 《计算机工程》 CAS CSCD 北大核心 2020年第3期261-266,共6页
基于多纵卷积神经网络的交通标志识别算法识别率较高,但识别和训练时间较长,实用性较差。为此,构造一种基于多尺度卷积神经网络的道路交通标志识别模型。通过改进单尺度卷积神经网络中特征提取的基网络,将网络不同层级所产生的特征融合... 基于多纵卷积神经网络的交通标志识别算法识别率较高,但识别和训练时间较长,实用性较差。为此,构造一种基于多尺度卷积神经网络的道路交通标志识别模型。通过改进单尺度卷积神经网络中特征提取的基网络,将网络不同层级所产生的特征融合为多尺度特征并提供给分类器,以提高低层特征的利用率。在GTSRB数据集上的实验结果表明,该模型准确识别率达到99.25%,与多纵卷积神经网络模型相比,其在保证高精度的同时,识别和训练时间的降幅均超过90%,更适用于真实路况下交通标志的精准检测。 展开更多
关键词 多层特征 多尺度卷积神经网络 多纵卷积神经网络 交通标志识别 单尺度卷积神经网络
下载PDF
基于多尺度卷积神经网络的自适应熵加权决策融合船舶图像分类方法 被引量：12
2
作者 任永梅 杨杰 +1 位作者 郭志强 曹辉 《电子与信息学报》 EI CSCD 北大核心 2021年第5期1424-1431,共8页
针对单一尺度卷积神经网络(CNN)对船舶图像分类的局限性,该文提出一种多尺度CNN自适应熵加权决策融合方法用于船舶图像分类。首先使用多尺度CNN提取不同尺寸的船舶图像的多尺度特征,并训练得到不同子网络的最优模型;接着利用测试集船舶... 针对单一尺度卷积神经网络(CNN)对船舶图像分类的局限性,该文提出一种多尺度CNN自适应熵加权决策融合方法用于船舶图像分类。首先使用多尺度CNN提取不同尺寸的船舶图像的多尺度特征,并训练得到不同子网络的最优模型;接着利用测试集船舶图像在最优模型上测试,得到多尺度CNN的Softmax函数输出的概率值,并计算得到信息熵,进而实现对不同输入船舶图像赋予自适应的融合权重;最后对不同子网络的Softmax函数输出概率值进行自适应熵加权决策融合实现船舶图像的最终分类。在VAIS数据集和自建数据集上分别进行了实验,提出的方法的分类准确率分别达到了95.07%和97.50%,实验结果表明,与单一尺度CNN分类方法以及其他较新方法相比,所提方法具有更优的分类性能。 展开更多
关键词 图像处理 船舶图像分类 多尺度卷积神经网络 熵 决策融合
下载PDF
基于Transformer和多尺度CNN的图像去模糊 被引量：3
3
作者 李现国 李滨 《计算机工程》 CAS CSCD 北大核心 2023年第9期226-233,245,共9页
卷积神经网络(CNN)单独应用于图像去模糊时感受野受限,Transformer能有效缓解这一问题但计算复杂度随输入图像空间分辨率的增加呈2次方增长。为此,提出一种基于Transformer和多尺度CNN的图像去模糊网络(T-MIMO-UNet)。利用多尺度CNN提... 卷积神经网络(CNN)单独应用于图像去模糊时感受野受限,Transformer能有效缓解这一问题但计算复杂度随输入图像空间分辨率的增加呈2次方增长。为此,提出一种基于Transformer和多尺度CNN的图像去模糊网络(T-MIMO-UNet)。利用多尺度CNN提取空间特征,并嵌入Transformer全局特性捕获远程像素信息。设计局部增强Transformer模块、局部多头自注意力计算网络和增强前馈网络,采用窗口的方式进行局部逐块多头自注意力计算,通过增加深度可分离卷积层,加强不同窗口之间的信息交互。在GoPro测试数据集上的实验结果表明,T-MIMO-UNet的峰值信噪比相比于MIMO-UNet、DeepDeblur、DeblurGAN、SRN网络分别提升了0.39 dB、2.89 dB、3.42 dB、1.86 dB,参数量相比于MPRNet减少了1/2,能有效解决动态场景下的图像模糊问题。 展开更多
关键词 图像去模糊 多尺度卷积神经网络 Transformer编码器 多头自注意力 增强前馈网络
下载PDF
基于条件随机场与多尺度卷积神经网络的交通标志检测与识别 被引量：4
4
作者 李凯 韩冰 张景滔 《计算机应用》 CSCD 北大核心 2018年第A02期270-275,共6页
交通标志的检测与识别主要可以分为候选区域的提取与识别两个阶段。在候选区域提取阶段,首先生成颜色先验特征图和颜色概率特征图,然后利用条件随机场(CRF)对道路场景图像的颜色先验特征图与颜色概率特征图进行融合,得到交通标志显著性... 交通标志的检测与识别主要可以分为候选区域的提取与识别两个阶段。在候选区域提取阶段,首先生成颜色先验特征图和颜色概率特征图,然后利用条件随机场(CRF)对道路场景图像的颜色先验特征图与颜色概率特征图进行融合,得到交通标志显著性图像,进而通过最大稳定极值区域(MSER)算法进行候选区域提取,克服光照强烈变化以及复杂背景对提取结果的影响。在候选区域的识别阶段,通过多尺度卷积神经网络来完成交通标志的识别。 展开更多
关键词 交通标志检测与识别 条件随机场 多尺度卷积神经网络
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