检索结果-南通市图书馆

专用汽车 2024年第6期 123-125页

作者：叶兆元张亮智梁海泓苏湘钿黎志勇广东理工学院智能制造学院广东肇庆526100

随着深度学习技术的发展,自动驾驶汽车对道路信息的检测变得至关重要。一个全面的检测系统需要车辆和道路的全方位信息,传统的道路巡检方式以及专用设备检测方式成本高昂,效率低下,严重制约了道路的维护和安全。目标检测和语义分割是实... 详细信息

随着深度学习技术的发展,自动驾驶汽车对道路信息的检测变得至关重要。一个全面的检测系统需要车辆和道路的全方位信息,传统的道路巡检方式以及专用设备检测方式成本高昂,效率低下,严重制约了道路的维护和安全。目标检测和语义分割是实现车辆视觉感知的主要技术,但单一的任务检测不能满足复杂道路环境的需要。针对传统道路异常状态检测存在的高成本和低效率问题,提出了一种基于深度学习的智能化检测方法,构建了包含多种异常状态的数据集,并采用Faster RCNN目标检测算法以及半监督策略的生成对抗网络,实现了对道路异常状态的自动化检测和分割。

关键词： CNN Faster RCNN RPN 网络模型结构 VGG-16

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

结合注意力机制与GRU双流网络的目标行为识别研究

结合注意力机制与GRU双流网络的目标行为识别研究

引用

作者：李守润兰州理工大学

学位级别：硕士

随着社会的快速发展,获取视频数据的方法越来越多,其增长速度也越来越快,这使得视频数据的内容越来越复杂。如何有效管理和利用视频数据成为当下急需解决的问题,所以以视频数据作为源数据的行为识别任务广受各国研究者的青睐。行为识别... 详细信息

随着社会的快速发展,获取视频数据的方法越来越多,其增长速度也越来越快,这使得视频数据的内容越来越复杂。如何有效管理和利用视频数据成为当下急需解决的问题,所以以视频数据作为源数据的行为识别任务广受各国研究者的青睐。行为识别任务是通过分析视频数据中目标的行为,给出相应行为的标签。现阶段,虽然随着人工智能技术的发展行为识别技术取得了极大的进步,但是由于视频数据存在遮挡、视角变化以及个体行为差异等因素,使得行为识别研究速度缓慢。本文从如何提取视频数据中关键特征信息以及较好地利用视频数据中时间维度信息方向出发来开展行为识别的研究。主要工作如下:（1）在传统双流卷积神经网络的基础上,提出了一种基于GRU的双流网络行为识别方法（本文所使用的GRU网络均为2层）。模型中使用VGG-16模型替换了传统双流网络中的VGG-M模型,以此提取视频数据中更深层次的特征信息;特征融和阶段使用相加融合方法得到时空特征信息;在传统双流网络中添加GRU结构单元以此来捕捉视频数据中的全局时序特征序列,来弥补时间流网络只能提取局部时序特征信息的不足。为了避免训练时出现耗时长和过拟合所产生的影响,使用由Image Net数据库中预训练得到VGG-16模型作为双流网络中的两流分支网络。在UCF-101数据集上进行实验,结果表明本文设计的基于GRU的双流网络方法的识别率可达到92.3%,相较其他双流网络模型其在UCF-101数据集上的准确率上有所提高。（2）提出了一种基于注意力机制的GRU双流网络行为识别方法。视频数据由大量连续的视频帧构成,单一的RGB图像帧中只包含了某一时刻行为的状态,连续的RGB图像帧可以表示较小的运动阶段,而一个完整行为通常是由多个运动阶段组成。为了提取出视频数据中有效的特征信息,在模型中引入了两种注意力机制,分别来学习RGB图像帧特征和视频特征的转移。其中,空间注意力机制用于定位与目标行为相关的图像帧区域,同时抑制无关信息的表达。由于行为过程的各个阶段对于区分行为种类的重要程度不同,故使用时间注意力机制学习不同行为阶段的时序权重分布。模型中包括以连续的RGB图像为输入的空间流网络和以堆叠的光流图像为输入的时间流网络。经过注意力机制模块为空间特征和时间特征赋予一定的注意力权重值,将通过自适应加权融合方法得到的时空特征输入GRU网络中,来捕捉视频数据中的全局时序特征序列,最后得到行为类别。在UCF-101数据集上的准确率达到了92.8%,说明引入了注意力机制的网络模型通过增强关键特征信息的表达能力,从而提高了视频数据中目标行为的识别能力。

关键词：行为识别双流卷积神经网络网络模型结构注意力机制 GRU网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

神经网络储层参数测井解释在五百梯气田的应用

引用

西部探矿工程 2013年第4期25卷 49-51页

作者：刘露许新成都理工大学能源学院油气田开发工程四川成都610059 西南油气田公司重庆气矿重庆400021

建立神经网络储层参数解释模型和进行解释处理的工作流程中,首先是进行各种储层参数的测井响应特征分析,确定输入曲线、网络模型结构,细致准备训练样本数据集;第二步是基于训练样本集的BP神经网络模型学习,统计误差,评价不同网络结构的... 详细信息

建立神经网络储层参数解释模型和进行解释处理的工作流程中,首先是进行各种储层参数的测井响应特征分析,确定输入曲线、网络模型结构,细致准备训练样本数据集;第二步是基于训练样本集的BP神经网络模型学习,统计误差,评价不同网络结构的神经网络模型的学习精度,然后挑选出最合适的BP神经网络模型对研究区各井目的层段的储层参数解释、预测。

关键词：神经网络储层参数解释模型网络模型结构

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：