检索结果-南通市图书馆

Total Variation Constrained Non-Negative Matrix Factorization for Medical Image Registration

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

IEEE/CAA Journal of Automatica Sinica 2021年第5期8卷 1025-1037页

作者： Chengcai Leng Hai Zhang guorong cai Zhen Chen Anup Basu the School of Mathematics Northwest UniversityXi’an 710127 the Institute of Automation Chinese Academy of SciencesBeijing 100190China the Department of Computing Science University of AlbertaEdmontonAB T6G 2E8Canada the College of Computer Engineering Jimei UniversityXiamen 361021China the School of Measuring and Optical Engineering Nanchang Hangkong UniversityNanchang 330063China

This paper presents a novel medical image registration algorithm named total variation constrained graphregularization for non-negative matrix factorization(TV-GNMF).The method utilizes non-negative matrix factorization by total variation constraint and graph *** main contributions of our work are the ***,total variation is incorporated into NMF to control the diffusion *** purpose is to denoise in smooth regions and preserve features or details of the data in edge regions by using a diffusion coefficient based on gradient ***,we add graph regularization into NMF to reveal intrinsic geometry and structure information of features to enhance the discrimination ***,the multiplicative update rules and proof of convergence of the TV-GNMF algorithm are *** conducted on datasets show that the proposed TV-GNMF method outperforms other state-of-the-art algorithms.

关键词： Data clustering dimension reduction image registration non-negative matrix factorization(NMF) total variation(TV)

Graph Regularized L_p Smooth Non-negative Matrix Factorization for Data Representation

在线全文

学校读者我要写书评

暂无评论

IEEE/CAA Journal of Automatica Sinica 2019年第2期6卷 584-595页

作者： Chengcai Leng Hai Zhang guorong cai Irene Cheng Anup Basu the School of Mathematics Northwest University School of Mathematics and Information Sciences Nanchang Hangkong University Nanchang 330063 China the Department of Computing Science University of Alberta the Faculty of Information Technology & State Key Laboratory of Quality Research in Chinese Medicines Macao University of Science and Technology the College of Computer Engineering Jimei University the Department of Computing Science University of Alberta

This paper proposes a Graph regularized Lpsmooth non-negative matrix factorization(GSNMF) method by incorporating graph regularization and L_p smoothing constraint, which considers the intrinsic geometric information of a data set and produces smooth and stable solutions. The main contributions are as follows: first, graph regularization is added into NMF to discover the hidden semantics and simultaneously respect the intrinsic geometric structure information of a data set. Second,the Lpsmoothing constraint is incorporated into NMF to combine the merits of isotropic(L_2-norm) and anisotropic(L_1-norm)diffusion smoothing, and produces a smooth and more accurate solution to the optimization problem. Finally, the update rules and proof of convergence of GSNMF are given. Experiments on several data sets show that the proposed method outperforms related state-of-the-art methods.

关键词： Data clustering dimensionality reduction graph regularization Lp smooth non-negative matrix factorization(SNMF)

Convolution without multiplication:A general speed up strategy for CNNs

在线全文

学校读者我要写书评

暂无评论

Science China(Technological Sciences) 2021年第12期64卷 2627-2639页

作者： cai guorong YANG ShengMing DU Jing WANG ZongYue HUANG Bin GUAN Yin SU SongJian SU JinHe SU SongZhi College of Computer Engineering Jimei UniversityXiamen 361021China Department of Artificial Intelligence Xiamen UniversityXiamen 361005China Laboratory of Big Data and Artificial Intelligence NetDragon Websoft Inc.Fuzhou 350001China College of Computer and Control Engineering Minjiang UniversityFuzhou 350108China The Third Research Institute RopeokInc.Xiamen 361008China

Convolutional Neural Networks(CNN)have achieved great success in many computer vision ***,it is difficult to deploy CNN models on low-cost devices with limited power budgets,because most existing CNN models are computationally ***,CNN model compression and acceleration have become a hot research topic in the deep learning *** schemes for speeding up the feed-forward process with a slight accuracy loss include parameter pruning and sharing,low-rank factorization,compact convolutional filters and knowledge *** this study,we propose a general acceleration scheme that replaces the floating-point multiplication with integer *** this end,we propose a general accelerate scheme,where the floating point multiplication is replaced by integer *** motivation is based on the fact that every floating point can be replaced by the summation of an exponential ***,the multiplication between two floating points can be converted to the addition among *** the experiment section,we directly apply the proposed scheme to AlexNet,VGG,ResNet for image classification,and Faster-RCNN for object *** results acquired from ImageNet and PASCAL VOC show that the proposed quantized scheme has a promising performance,even with only one item of ***,we analyzed the eciency of our method on mainstream *** experimental results show that the proposed quantized scheme can achieve acceleration on FPGA with a slight accuracy loss.

关键词： deep learning convolutional neural network network quantization network speed up

同方期刊数据库

在线全文

学校读者我要写书评

暂无评论

多特征融合与残差优化的点云语义分割方法

中国图象图形学报 2021年第5期26卷 1105-1116页

作者：杜静蔡国榕集美大学计算机工程学院厦门361000

目的当前的大场景3维点云语义分割方法一般是将大规模点云切成点云块再进行处理。然而在实际计算过程中,切割边界的几何特征容易被破坏,使得分割结果呈现明显的边界现象。因此,迫切需要以原始点云作为输入的高效深度学习网络模型,用于... 详细信息

目的当前的大场景3维点云语义分割方法一般是将大规模点云切成点云块再进行处理。然而在实际计算过程中,切割边界的几何特征容易被破坏,使得分割结果呈现明显的边界现象。因此,迫切需要以原始点云作为输入的高效深度学习网络模型,用于点云的语义分割。方法为了解决该问题,提出基于多特征融合与残差优化的点云语义分割方法。网络通过一个多特征提取模块来提取每个点的几何结构特征以及语义特征,通过对特征的加权获取特征集合。在此基础上,引入注意力机制优化特征集合,构建特征聚合模块,聚合点云中最具辨别力的特征。最后在特征聚合模块中添加残差块,优化网络训练。最终网络的输出是每个点在数据集中各个类别的置信度。结果本文提出的残差网络模型在S3DIS(Stanford Large-scale 3D Indoor Spaces Dataset)与户外场景点云分割数据集Semantic3D等2个数据集上与当前的主流算法进行了分割精度的对比。在S3DIS数据集中,本文算法在全局准确率以及平均准确率上均取得了较高精度,分别为87.2%,81.7%。在Semantic3D数据集上,本文算法在全局准确率和平均交并比上均取得了较高精度,分别为93.5%,74.0%,比GACNet(graph attention convolution network)分别高1.6%,3.2%。结论实验结果验证了本文提出的残差优化网络在大规模点云语义分割的应用中,可以缓解深层次特征提取过程中梯度消失和网络过拟合现象并保持良好的分割性能。

关键词：计算机视觉 3维点云大场景语义分割多特征融合残差网络

在线全文

学校读者我要写书评

暂无评论

七叶树种源种子园营建技术探讨

绿色科技 2011年第4期13卷 140-141,144页

作者：蔡国荣江西省九江市林业科学研究所江西九江332006

分析了七叶树种源种子园营建的关键技术,从建园材料的选择、采穗圃的营建和管理、种子园园址的选择等方探讨了种子园嫁接和管理技术,为加速七叶树良种化进程奠定了物质和技术基础。

关键词：七叶树苗种源种子园营建技术

在线全文

学校读者我要写书评

暂无评论

大型R&D项目模块化集成管理研究

科技进步与对策 2009年第11期26卷 1-3页

作者：洪兆富柴国荣许瑾兰州大学管理学院甘肃兰州730000

模块化是技术创新管理的有效途径,而网络优化原理则为项目进度优化提供了科学的方法。运用模块化组织理论,将大型R&D项目进行模块化分解,然后将各功能模块转化为项目活动,实现项目式集成管理,并运用网络优化原理对R&D项目的各模块进度... 详细信息

模块化是技术创新管理的有效途径,而网络优化原理则为项目进度优化提供了科学的方法。运用模块化组织理论,将大型R&D项目进行模块化分解,然后将各功能模块转化为项目活动,实现项目式集成管理,并运用网络优化原理对R&D项目的各模块进度实行优化,获得模块的进度安排以及各功能模块的截止日期,最终实现整个R&D项目的进度优化。

关键词：大型R&D项目模块化集成管理进度管理

基于校园卡和摄像头的网络中控多媒体教室管理

在线全文

学校读者我要写书评

暂无评论

无线互联科技 2017年第10期14卷 108-110页

作者：蔡国荣厦门大学现代教育技术与实践训练中心福建厦门361005

为提升多媒体设备信息化管理水平,文章提出在传统网络中控的基础上,建立校园卡和网络摄像头结合的管理模式。任课教师使用校园卡开启教室,而管理人员通过控制中心指导教师使用设备,对多媒体教室进行管理和维护。该管理模式方便了教师对... 详细信息

为提升多媒体设备信息化管理水平,文章提出在传统网络中控的基础上,建立校园卡和网络摄像头结合的管理模式。任课教师使用校园卡开启教室,而管理人员通过控制中心指导教师使用设备,对多媒体教室进行管理和维护。该管理模式方便了教师对多媒体教室的使用,减轻了管理人员的工作强度,同时推动了学校教学信息化的发展。

关键词：多媒体教室校园卡网络中控

在线全文

学校读者我要写书评

暂无评论

基于加权约束的单体建筑物点云表面重建算法

地球信息科学学报 2019年第5期21卷 654-662页

作者：王森援蔡国榕王宗跃吴云东集美大学理学院厦门361021 集美大学计算机工程学院厦门361021 福建省海西政务大数据应用协同创新中心福州350003

建筑物点云表面重建在高精度城市测绘、虚拟现实等领域有十分广泛的应用前景。由于建筑物的几何形态多变,重建算法普遍存在计算速率慢、拟合精度低和模型结构不完整的问题。为此,本文以单体建筑物为研究对象,提出基于加权约束的单体建... 详细信息

建筑物点云表面重建在高精度城市测绘、虚拟现实等领域有十分广泛的应用前景。由于建筑物的几何形态多变,重建算法普遍存在计算速率慢、拟合精度低和模型结构不完整的问题。为此,本文以单体建筑物为研究对象,提出基于加权约束的单体建筑物点云表面重建算法,在表面初始化过程中充分考虑数据对结构拟合的贡献。在此基础上,构建基于正则集的单体建筑物表面重建算法,实现建筑物拟合过程中的加权拟合误差、近邻结构平滑的同步优化。针对多类建筑物三维点云的实验结果表明,相比传统的建筑物重建策略,本文的加权约束方法可根据不同类型的点云数据设计自适应权重,并选择模型拟合中最优的权重函数,在高噪声、低精度点云数据下能得到更高精度的单体建筑物表面模型。

关键词：单体建筑物三维重建点云表面拟合加权约束正则集 Lidar点云无人机

基于多尺度卷积神经网络特征融合的植株叶片检测技术

在线全文

学校读者我要写书评

暂无评论

智能科学与技术学报 2021年第3期3卷 304-311页

作者：李颖陈龙黄钊宏孙杨蔡国榕集美大学诚毅学院福建厦门361000 集美大学计算机工程学院福建厦门361000

植株叶片检测是植株科学培育和精准农业过程中重要的环节之一。传统植株叶片检测的做法对操作人员的专业知识提出了较高要求,且人工成本高、耗时周期长。基于此,提出基于多尺度卷积神经网络特征融合(MCFF)的植株叶片检测技术。从深度学... 详细信息

植株叶片检测是植株科学培育和精准农业过程中重要的环节之一。传统植株叶片检测的做法对操作人员的专业知识提出了较高要求,且人工成本高、耗时周期长。基于此,提出基于多尺度卷积神经网络特征融合(MCFF)的植株叶片检测技术。从深度学习技术辅助植株培育的需求出发,基于多尺度卷积神经网络特征融合,针对莲座模式植物、拟南芥和烟草3种不同类型、不同分辨率的植株进行叶片计数检测。经过与其他主流算法的比较,发现MCFF具备较高的检测精确度,平均精度均值(mAP)为0.662,实现了高度竞争的性能(AP=0.946),各项指标接近实用水平。

关键词：深度学习目标检测多尺度卷积神经网络特征融合植株叶片检测技术