无锚框模型类梯度全局对抗样本生成

在计算机视觉任务中深度神经网络模型易受对抗样本的干扰,泛化性能高的对抗样本会影响更多的模型。为了研究深度神经网络模型的脆弱性进而改善该现状,提出一种基于类梯度的全局对抗样本生成方法。以图像中的目标类为单位快速进行类梯度收集,通过一次性融合同一类别内所有目标的梯度来体现类内相似性与类间差异性。在此基础上,结合数据集中一定比例的图像及对应的图片尺度扰动生成全局扰动。通过上述过程突破模型候选框及图片数量的制约,生成的全局扰动可以对大量数据形成有效的影响。实验结果表明,该方法在Pascal VOC和MS-COCO-keypoints数据集的2种计算机视觉任务中性能均优于PGD、FPE等算法,其攻击成功率比DAG算法高1个百分点,比FPE算法高34个百分点,同时推断扰动速度较快。全局扰动的存在揭示了深度神经网络模型在高维决策边界之间存在一定的几何相关性,利用所提方法有助于深度神经网络抵抗泛化性能更高的全局对抗样本。

基于三维线框模型的类球体农产品体积和表面积测量

为了快速无损测量不规则类球体形状农产品的体积和表面积,提出了基于三维线框模型的图像处理方法。即以Android系统为工作平台,利用Java结合OpenCV函数库,以三维线框模型为理论指导编写包括图像采集、图像分割、体积和表面积计算的应用软件。用3种不同直径的标准球体在6个拍摄距离下进行测量,所获测量值与理论值的误差小于0.3%,表明摄像头自身畸变小,在图像能完整呈现被测物的拍摄距离,被测物轮廓的大小对测量精度的影响在可接受的误差范围之内。用所提方法、排水法和扫描图像处理法对不规则形状的柑橘、苹果、梨各10组进行体积和表面积测量,结果显示3种测量方法的相关系数大于0.98,表明该方法可较精确测量类球体农产品的体积和表面积。

基于三视图的三维线框模型生成算法

依据画法几何学和工程制图的投影原理 ,介绍了一种基于三视图的线框模型快速生成算法。算法首先根据三视图的二维节点信息生成空间顶点 ,然后根据二维节点间的连接关系和投影原理来直接确定空间顶点间的连接关系 ,最后消除空间冗余元素并连接具有连接关系的三维顶点形成空间线框模型。

三维线框模型物体的隐藏线消除算法与实现

目的研究计算机图形学中隐藏面和隐藏线的消除,以便更直观、更形象地获取地理、工程信息。方法剔除指定视点下明显不可见的面和线,获取可见线之后对,对有线子段用中点判断法。结果正确地得到了三维物体的投影图。结论该算法能成功地应用在仿真模拟和几何造型系统中,减少了二步消隐过程中直线直交计算的工作量,具有较好的消隐效率。

CSS框模型的原理和应用

框模型是网页制作中一个很重要的概念,css+div布局主要就是利用框模型的原理。文章阐述了CSS框模型的含义以及它所具有的要素的原理和应用,包括内容(content)、内边距(padding)、边框(border)和外边距(margin)。

基于残差单发多框检测器模型的交通标志检测与识别

针对现有目标检测方法仅适用于大尺寸、少量特定种类交通标志的检测,且对复杂交通场景图像检测效果不佳的问题,以抗退化性能较强的ResNet101为基础网络,增加若干卷积层构建残差单发多框检测器(SSD)模型,对高分辨率的交通图像进行多尺度分块检测。为了加快检测速度,采取由粗到精的策略,省略对纯背景图像块的预测.利用中等尺度图像块的初检结果缩小目标范围;对目标范围内的其他图像块进行检测;将所有图像块结果映射回原图像,并结合非极大值抑制实现精准识别。实验结果表明,该模型在公开的交通标志数据集Tsinghua-Tencent 100K上取得了94%的总体准确率和95%的总体召回率,对多分辨率图像中不同大小和形态的交通标志都具有良好的检测能力,鲁棒性较强。

密肋壁板轻框结构模型模态及匹配性分析

本文介绍了一种新型结构体系--密肋壁板轻框结构.针对该体系模态问题建立梁-板单元的空间有限元模型,参照振动台试验结果研究结构模型模态及其匹配性.并给出算例.

基于三幅像的人头脸三维标准模型建立

本文提出了一种新型的人头脸三维标准模型建模方法。所建立的人头脸标准模型具有良好的准确度和可操作性。

少量剪力墙框架结构在设计中的应用

根据少量剪力墙框架结构体系的受力特点,进行计算方法的阐述和分析,同时结合实际工程中对比框剪模型和框架模型的异同,提出一些实用的技术措施。

Web标准中的定位原理及其应用

Web标准主要以XHTML+CSS语言为两大核心技术,介绍了基于Web标准的进行网站前端开发过程中,使用CSS定位将一个Web元素精确地放在页面指定位置。阐述了CSS框模型、定位原理、浮动与清除原理,并通过简单的编码实例进行了说明各种定位方式的应用,最后应用浮动定位与清除原理实现了典型的Web标准网页布局。

基于LIDAR点云的建筑物的三维建模

介绍建筑物建模常用的3种方法(航空摄影、依图而建和机载激光扫描)及其优缺点,采用多种数据源和多种技术手段相结合的方式进行建筑物三维模型构建.对三维体框模型和三维精细模型构建等具体的数据处理过程进行了论述.认为基于三维激光雷达技术制作的三维模型精度高、适用范围广、外业工作量少,省时省力,但其数据量大,信息数据的存储、快速传输及浏览等目前都还较困难.

在AutoCAD2000中生成轮胎三维实体的方法

介绍了一种在AutoCAD2000中生成轮胎三维实体的方法。通过对轮胎模型的简化,在AutoCAD2000中进行了线框模型的构建、三维实体对象的生成及组合,最后进行三维操作生成了轮胎的三维实体。生成的轮胎三维实体可用于提高设计质量和进行广告宣传,在未做出成品轮胎前即可直观的反映设计思想,效果较好。

基于机载激光雷达技术的城市三维数据建设

三维激光扫描技术获取的点云数据是目前世界上先进的测绘新技术成果之一,它不仅可以实现三维场景复制,而且与其他测绘技术手段相比,数据更丰富,精度更高。本文首先介绍了激光点云数据获取的原理,叙述了基于点云数据制作三维建筑体框模型和DEM的技术方案,进而详细讲解了点云数据处理和建立建筑物体框模型的流程。

网页布局中基于CSS的定位方式研究

利用DIV+CSS的方式进行网页布局是现代网页设计的常用方式,CSS定位是其应用的难点。框模型是CSS的基础,以此为基础详细介绍了利用CSS进行网页布局定位的四种方式和三种定位机制。通过讨论父级框元素定位方式和定位机制的不同变化,阐述了CSS中position属性与float属性的组合使用时对网页布局定位的影响。

Matlab在三维人体建模中的应用

三维人体建模是服装领域的难题，以前就有不少人在着手研究，大多是通过数学建模在结合程序语言进行实现，这种做法需要很多数学知识作铺垫，并且要对程序语言相当熟练，同时这种做法周期较长，很难实现。形成的方法有：采用点、直线、曲线构造三维线框模型；采用体素构造三维实体模型；采用点、边、表面构造三维曲面模型；采用网格小平面构造三维曲面模型；

Composition of Model Interface--A Theorem of Model Composition

Building a model for a object through model composition is a interesting topics, this paper research the interface composit ion of models in the Zeigler’s modeling methodology DEVS.

基于深度学习的肺炎图像目标检测

肺炎是一种严重危害身体健康的疾病,通常使用肺部X光片进行检查。肺炎诊断是肺炎治疗前非常重要的环节,但是由于肺部其他疾病的干扰、医疗数据的爆发式增长以及专业病理医生的缺乏等,导致肺炎的准确诊断较为困难。深度学习能够模仿人脑的机制准确高效地解释医学图像数据,在肺炎图像检测方面获得了广泛应用。构建了3种基于深度学习的图像目标检测模型,单发多框探测器(SSD)、faster-RCNN和faster-RCNN优化模型,对来自Kaggle数据集的26 684张带标签的肺部X光图像进行研究。原始X光图像经预处理后输入3种深度学习模型,分别对单处和两处病灶区域进行目标检测。随机选取500张测试图像,利用损失函数、分类准确率、回归精度和误检病灶数等指标对各模型的性能进行评估。结果表明,faster-RCNN的性能指标优于SSD;Faster-RCNN优化模型的性能指标均优于其他两种模型,其损失函数值小且可快速达到稳定,平均分类准确率为93.7%,平均回归精度为79.8%,且误检病灶数为0。该方法有助于肺炎的准确识别和诊断。

结合注意力机制和特征融合的小目标检测方法

图像中的小目标物体所占像素较少,存在特征难以提取,容易出现漏检的问题,在单次多框检测器(single shot multi-box detector, SSD)模型基础上,提出了一种结合注意力机制和特征融合的小目标检测方法。首先,采用ResNet50网络作为特征提取骨干网络,解决原网络梯度相关性衰减导致特征提取能力不足的问题;然后,在低层特征提取层中加入注意力机制模块,通过抑制无关信息,提高网络对低层特征的学习能力;最后,将低层特征与高层语义信息进行级联融合,充分利用不同特征图之间的关联信息。实验结果表明:改进模型对小目标物体检测平均精度均值达到51.1%,比改进前提高了9.3%,有效提高了小目标物体的检测精度。

多尺度卷积特征融合的SSD目标检测算法

提出了一种改进的多尺度卷积特征目标检测方法,用以提高SSD(single shot multibox detector)模型对中目标和小目标的检测精确度。该方法先对SSD模型低层特征层采用区域放大提取的方法以提高对小目标的检测能力,再对高层特征层进行特征提取以改善中目标的检测效果。最后,利用SSD模型中原有的多尺度卷积检测方法,将改进的多层特征检测结果进行融合,并通过参数再训练以获得最终改进的SSD模型。实验结果表明,该方法在MS COCO数据集上对中目标和小目标的测试精确度分别为75.1%和40.5%,相比于原有SSD模型分别提升16.3%和23.1%。