排序方式: 共有48条查询结果,搜索用时 761 毫秒
11.
针对目前高压线路绝缘子缺陷检测速度慢,复杂场景下精度低的问题,提出一种基于轻量化YOLOv4(you only look once)的复杂场景绝缘子缺陷检测算法。首先利用轻量级的ECA-GhostNet(efficient channel attention GhostNet)作为骨干网络,以提升检测速度;然后在预测层引入分类-定位质量估计联合表示方法,并采用广义分布表示边界框的灵活分布,以提升复杂场景下的检测性能。训练阶段分别采用定位质量焦损失函数(quality focal loss,QFL)与分布焦损失函数(distribution focal loss,DFL)更好地监督联合表示与边框回归。将该算法在具有复杂背景的数据集上对正常与自爆缺陷绝缘子两类目标进行验证实验,结果表明,该算法在复杂场景下的检测精度均优于目前主流算法,且检测速度达49FPS,比YOLOv4原始算法检测速度提升了约40%。 相似文献
12.
针对磁共振成像(magnetic resonance imaging, MRI)颅脑肿瘤区域误识别与分割网络空间信息丢失问题,提出一种基于双支路特征融合的MRI脑肿瘤图像分割方法。首先通过主支路的重构VGG与注意力模型(re-parameterization visual geometry group and attention model, RVAM)提取网络的上下文信息,然后使用可变形卷积与金字塔池化模型(deformable convolution and pyramid pooling model, DCPM)在副支路获取丰富的空间信息,之后使用特征融合模块对两支路的特征信息进行融合。最后引入注意力模型,在上采样过程中加强分割目标在解码时的权重。提出的方法在Kaggle_3m数据集和BraTS2019数据集上进行了实验验证,实验结果表明该方法具有良好的脑肿瘤分割性能,其中在Kaggle_3m上,Dice相似系数、杰卡德系数分别达到了91.45%和85.19%。 相似文献
13.
14.
计算机技术发展迅猛,其在人们生活和工作各个领域中的应用越来越广泛,对于现代工业生产来说,计算机的运用实现了生产的半自动化向全自动化转变.当今时代是信息时代,是大数据时代,计算机在现代工业生产中的实践应用对于促进现代工业的发展有着重要的意义,同时在运用的过程中也促进了计算机技术的进一步完善和发展,二者是相互促进的关系.基于此,本文简要分析了计算机在现代工业生产中的实践应用,并探讨了其未来的发展方向. 相似文献
15.
We present a novel design of a compact, stable, and easy-adjustable semiconductor optical amplifier (SOA) system. This SOA system is capable of providing up to 560-roW laser power at the wavelength of 852 nm. For the continuous-wave (CW) seeding laser, the amplification gain can reach 18 dB. We add amplitude modulation onto the CW laser and measure the modulation amplification between seeding and output laser. The amplification gain remains constant within the frequency range from 10 Hz to 1 MHz. The whole system could work in ultra-stable condition: for CW seeding laser, the fluctuation of output power is less than 0.33% in several hours. 相似文献
16.
设X(t)(t∈R+)是一个具有独立自相似分量过程。我们在一些较弱的条件下得到了它的像集和图订的Hausdorff维数。 相似文献
17.
18.
本文简要介绍了有线电视收费管理系统软件的设计方法,并着重阐述了程序编制过程中的三个重要环节:MIS中的组合条件查询,基于汇编语言的数据保密技术以及汇编语言同数据库管理系统间的接口--混合编程。本文所述亦可用于其它类似系统中。 相似文献
19.
针对当前网络难以应对各种损坏类型的行人图像与易丢失跨维信息的问题,提出了一种损坏图像下基于风格归一化与全局注意力的行人重识别(pedestrain re-identification, ReID)方法。该方法通过平滑极大单元的风格归一化与恢复(smooth maximum unit-style normalization and restitution, SM-SNR)模块中的实例规范化(instance normalization,IN)过滤掉域中的风格变化,同时平滑极大单元(smooth maximum unit, SMU)能使该模块更充分地从删除的信息中提取行人相关特征并将其恢复至网络中,缓解损坏图像带来的风格差异。此外,全局注意力机制(global attention mechanism, GAM)通过关注通道与空间之间的相互作用,以捕获3个维度上的显著行人特征,减少跨维信息的丢失,最终使本模型在面对行人损坏图像时的识别能力得到有效提高,且保留了在干净数据集上的竞争力。实验结果表明,本算法在损坏测试集上的各项指标与目前主流算法对比具有显著的优越性。其中,本模型与2021年的CI... 相似文献