检索结果-南通市图书馆

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于深度随机网络的图像隐写分析方法

武警工程大学学报 2018年第2期34卷 58-61页

作者：范哲武警湖北总队信息化处武汉430000

为进一步提高隐写分析性能，提出了一个基于改进的深度随机网络的图像隐写分析。方法。首先利用一个高通滤波器对图像进行预处理以提高模型收敛速度。同时，在构造16组残差块的基础上，采用随机深度的训练策略，在训练过程中随机丢弃一... 详细信息

为进一步提高隐写分析性能，提出了一个基于改进的深度随机网络的图像隐写分析。方法。首先利用一个高通滤波器对图像进行预处理以提高模型收敛速度。同时，在构造16组残差块的基础上，采用随机深度的训练策略，在训练过程中随机丢弃一些层，在测试的时候使用完整的网络进行隐写分析。与传统的残差模型方法相比，该方法不仅解决了深层网络的退化问题，也进一步加快了训练过程。实验结果表明，与一些其他相关的残差网络相比，该模型提高了图像隐写分析准确率。

关键词：隐写分析卷积神经网络残差学习随机深度

融合卷积注意力的激光同步定位与建图回环检测网络

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

电力科学与工程 2024年第2期40卷 50-60页

作者：姚万业杨振辉王祝华北电力大学自动化系河北保定071003

针对当前基于深度学习的回环检测方法应对反向循环时由于尺度变化和视角变化引发特征匹配准确度低的问题,提出一种使用卷积注意力增强的激光同步定位与建图回环检测网络(Convolutional attention,loop closure detection network,CA-LCD... 详细信息

针对当前基于深度学习的回环检测方法应对反向循环时由于尺度变化和视角变化引发特征匹配准确度低的问题,提出一种使用卷积注意力增强的激光同步定位与建图回环检测网络(Convolutional attention,loop closure detection network,CA-LCDNet)。在构建局部描述符时,引入卷积注意力机制实现多尺度特征的有机融合,以增强适应性特征提取能力;用基于软分配聚类改进的NetVLAD(Network-based visual localization with attention to descriptors)对局部描述符进行高效的聚合,获得全局描述符。基于非平衡最优输运理论实现点云帧之间的特征匹配,计算两帧间的相对位姿。使用三元组损失训练全局描述符,实现准确的相对位姿误差估计。在公开数据集上进行对比试验,在正向循环中算法准确率达到92%,在反向循环中准确率达到40%。同时,相较于原Loop closure detection network(LCDNet)算法,改进算法得到的相对位姿误差取得了约5%的改善。

关键词：移动机器人机器人导航回环检测卷积注意力随机深度深度学习

维普期刊数据库

基于改进SOLOv2算法的自主拾球机器人实例分割研究

在线全文

学校读者我要写书评

暂无评论

青岛大学学报(工程技术版) 2024年

作者：许广胜官源林杨熙鑫董建林张庆海青岛理工大学汽车与机械工程学院青岛大学计算机科学技术学院

针对拾球机器人原有SOLOv2算法中残差网络存在的训练耗时严重、梯度消失和过拟合等问题，提出基于随机深度与AdamW优化SOLOv2的图像实例分割方法。基于随机深度算法的ResNet 网络，在模型训练时剔除冗余的残差块，有效提高训练效率；采... 详细信息

针对拾球机器人原有SOLOv2算法中残差网络存在的训练耗时严重、梯度消失和过拟合等问题，提出基于随机深度与AdamW优化SOLOv2的图像实例分割方法。基于随机深度算法的ResNet 网络，在模型训练时剔除冗余的残差块，有效提高训练效率；采用AdamW优化算法自适应地调整改进SOLOv2网络中各参数的学习率，通过权重衰减优化网络的正则化项，防止系统过拟合，并在自定义COCO数据集的图像实例分割为例进行实验验证。实验结果表明，与经典SOLOv2算法相比，改进的SOLOv2算法实例分割精度达到了73.7%，提升了12.35%，有效缩短了模型训练时间，提升了模型识别的鲁棒性，实现机器人自动取球与放球功能。

关键词： SOLOv2 随机深度 AdamW ResNet 实例分割

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

一种基于注意力机制的细粒度图像分类方法

云南民族大学学报（自然科学版） 2021年第6期30卷 581-586页

作者：王婷王新郑承宇邓亚萍尹甜甜云南民族大学数学与计算机科学学院云南昆明650500

细粒度图像分类指对大类下的子类进行识别,其实质是挖掘图像中微妙而有区别的特征.三线性注意力抽样网络是一个以注意力机制为基础的细粒度图像分类模型,虽然对图像特征提取及分类性能得以提升,但模型的鲁棒性和泛化能力没有得到体现.... 详细信息

细粒度图像分类指对大类下的子类进行识别,其实质是挖掘图像中微妙而有区别的特征.三线性注意力抽样网络是一个以注意力机制为基础的细粒度图像分类模型,虽然对图像特征提取及分类性能得以提升,但模型的鲁棒性和泛化能力没有得到体现.在三线性注意力抽样网络基础上注入dropout和随机深度给模型添加噪声,并用数据增强对图像数据做预处理,以提高模型的泛化能力和鲁棒性.实验结果表明,相较于与3种主流的细粒度分类算法,改进后细粒度图像分类的准确率明显提升.

关键词：细粒度图像分类注意力机制 Dropout 随机深度数据增强

维普期刊数据库