排序方式: 共有11条查询结果,搜索用时 914 毫秒
1.
立体匹配是一个经典的计算机视觉问题。采用传统方法或卷积神经网络(CNN)方法的立体匹配,其精确度和实时性不能满足实际的在线应用。针对该问题,本文提出一种实时自适应的立体匹配网络算法,通过引入一种新的轻量级的、有效的结构模块自适应立体匹配网络(Modularly Adaptive Stereo Network,MASNet),在网络中嵌入无监督损失模块和残差细分模块,使立体匹配的准确性和实时性得到提高。实验结果表明,本文方法相比具有相似复杂度的模型,精确度更高,并且能以平均约25帧每秒的处理速度达到在线使用的要求。 相似文献
2.
3.
4.
快速准确的指纹分类在大型指纹识别系统中是加速目标指纹查找的关键技术。目前,指纹分类算法存在复杂度高、操作繁琐、参数较多、所需数据规模大、且无法充分利用指纹特征信息等问题。神经网络深层提取的特征更加关键,也更有代表性,但忽略了部分浅层信息。针对指纹分类存在的问题,本文提出一种轻量化多特征融合的指纹分类算法。该算法设计了轻量化Finger-SqueezeNet来训练指纹图像,采用查表法求得指纹的细化图之后,利用改进的分布求和梯度法求取相应细化图的感兴趣区域(Region Of Interest,ROI)图像;将指纹ROI图像输入网络深层与提取的特征图进行特征融合,使得深层网络也能获得浅层中纹线准确的走向信息,从而增强网络对于纹型的敏感度;采用Maxout激活函数对网络提取的特征进行激活。实验结果表明,本文算法不仅减少了训练参数量,而且通过指纹ROI图像补偿深层特征图,更加充分利用了指纹的纹型信息,轻量化算法也可为指纹分类模型拓展到移动端提供理论支撑。 相似文献
5.
骨盆CT影像精确分割是骨盆骨疾病的临床诊断和手术规划中非常重要的环节。针对目前2D骨盆分割方法对三维医学影像进行切片处理时损失空间信息的问题,提出了改进3D U-Net网络实现对骨盆CT影像3D自动分割。实验数据为公开数据集CTPelvic1K共1 184名患者骨盆CT影像,其中包含骶骨、左髋骨、右髋骨和腰椎四个部位标签。以3D U-Net骨干网络为基础,结合自注意力机制提出3D多类分割模型3D Trans U-Net,并使用迁移学习训练3D U-Net、V-Net、Attention U-Net作为对照实验。实验结果表明:3D Trans U-Net在测试集上整个骨盆区域、骶骨、左髋骨、右髋骨、腰椎Dice系数分别达到97.99%,96.70%,97.96%,97.95%,96.89%;Dice系数、豪斯多夫距离等评价指标均优于现有经典网络3D U-Net、V-Net、Attention U-Net。因此,改进的3D Trans U-Net对骨盆不同部位具有较好的分割效果,为精准医治骨盆骨疾病提供了一条有效的技术途径。 相似文献
6.
7.
8.
细胞形态是原始的生物学特征,可以提供有关细胞生理或病理状况的内在信息。与通过肉眼比对分析细胞形态的方法相比,基于人工智能(Artificial intelligence, AI)的图像识别方法有望提高分析速度和精度。本研究建立了细胞形态图像分割、识别和计数的氧化损伤分析模型,并将其用于研究红细胞抗氧化的动态过程。结果表明,以正常红细胞比率计,本模型获得了与经典生化指标一致的结果,表明本模型可用于分析红细胞氧化损伤程度。本方法无需细胞染色或细胞破碎等操作,可在2 h内获取结果;而且因为采用显微图像获取细胞形态信息,可实现细胞的实时监测。本模型有望拓展应用于环境毒理学有关细胞形态、细胞活性水平等方面的研究。 相似文献
9.
为解决一种左右平行驱动式压电陶瓷微小机器人,由装配误差和压电陶瓷特性的不一致所带来的运动偏差,提出了一种基于驱动量补偿的方法对微小机器人进行运动控制.在详细分析微小机器人的stick-and-slip 运动原理的基础上进行实验设计,对左右压电陶瓷驱动器分别输入不同的驱动量,得到多个微小型机器人在横向位置上的位移偏差量.对所得实验数据用最小二乘法进行处理,并拟合出曲线,进而确定微小型机器人的输入驱动量的补偿值.实验表明,加入了补偿输入后,微小型机器人在相同步数下的直线前进运动中,横向的位置偏差减少为原来的6.1%.利用最小二乘法所得到的基于驱动量补偿的运动控制,能有效抑制微小机器人直线运动中横向位置的偏差. 相似文献
10.
现有的移动终端实时语义分割算法对图像细节特征的处理能力较差,空间特征丢失严重。针对上述问题,提出了一种融合不同层级空间特征的方法,基于改进的 ENet,在下采样层使用反向残差结构,增加网络计算过程中图像信息的获取,减少下采样造成的图像空间特征丢失。通过空间注意力对图像空间特征进行筛选,增强相关特征,削弱不相关特征。该方法将高分辨率的浅层空间特征与具有丰富语义信息的深层特征融合,提高了网络对图像细节特征的处理能力。实验表明,在 NVIDIA Jetson TX2、NVIDIA Jetson Xavier NX 及 NVIDIA Jetson Xavier AGX 等嵌入式终端上,所提出网络与现有算法相比,其性能在 Cityscapes 数据集上提高了 2.9%,在 CamVid 数据集上提高了 3.2%。 相似文献