期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
一种传感图像特征快速挖掘算法设计
1
作者
郭红建
赵燕飞
《传感技术学报》
CAS
CSCD
北大核心
2024年第5期869-876,共8页
传感图像采集因曝光而损失图像特征,导致特征错误挖掘率高和精准率召回率(Precision-Recall,PR),曲线表现较差,针对该问题,提出一种新的传感图像特征快速挖掘算法。该方法将参数化修正线性单元函数作为激活函数,融合修补图和输入图像,...
传感图像采集因曝光而损失图像特征,导致特征错误挖掘率高和精准率召回率(Precision-Recall,PR),曲线表现较差,针对该问题,提出一种新的传感图像特征快速挖掘算法。该方法将参数化修正线性单元函数作为激活函数,融合修补图和输入图像,并在训练阶段使用L1损失函数和结构相似性指数(Structural Similarity Index,SSIM)损失函数约束图像,采用softmax回归挖掘图像特征,构建卷积神经网络传感图像特征挖掘结构,在训练过程中,使用自适应梯度更新结构参数,设计挖掘步骤,实现传感图像特征快速挖掘。实验结果表明,设计的卷积神经网络图像特征挖掘方法的PSNR值较高、SSIM值接近1,错误挖掘率为1.0%,PR曲线最接近右上角,面积最大,并且图像视觉效果更好,特征挖掘时间最高仅为1.3 s,实现了快速挖掘。
展开更多
关键词
传感图像
图像特征
快速挖掘
卷积神经网络
prelu函数
损失
函数
PR曲线
下载PDF
职称材料
改进的Alexnet模型在水稻害虫图像识别中的应用
被引量:
13
2
作者
肖小梅
杨红云
+3 位作者
易文龙
万颖
黄琼
罗建军
《科学技术与工程》
北大核心
2021年第22期9447-9454,共8页
深度学习技术能以端对端方式实现农作物害虫识别,克服了传统机器学习方法特征选择具有主观性以及提取特征操作繁琐等不足,但识别的准确率和鲁棒性仍有待提高。为了研究出一种快速,高效的水稻害虫识别方法,本研究以稻纵卷叶螟、三化螟、...
深度学习技术能以端对端方式实现农作物害虫识别,克服了传统机器学习方法特征选择具有主观性以及提取特征操作繁琐等不足,但识别的准确率和鲁棒性仍有待提高。为了研究出一种快速,高效的水稻害虫识别方法,本研究以稻纵卷叶螟、三化螟、稻蝗、稻飞虱4种常见的水稻害虫为研究对象,对传统的卷积神经网络Alexnet进行优化改进。首先从自然环境以及搜索引擎上获取4种不同的水稻害虫图像,并对图像进行数量扩增和细节增强预处理。然后对传统的卷积神经网络Alexnet进行优化改进,在Alexnet模型基础上,去除原有局部响应归一化层,在每一个卷积层后加入批归一化层,并采用全局平均池化和激活函数PReLU对模型结构进行优化。结果表明:改进后的模型在害虫数据集上的识别率不低于98%,相比于原网络提升了1.96%,高于LeNet5、VGG13、VGG16等传统网络;改进后的模型的损失值稳定在0.03附近,相比于原网络降低了0.1,均低于LeNet5、VGG13、VGG16等传统网络。从实验结果来看,改进后的方法在水稻害虫分类上有较高的识别率和较好的鲁棒性,可以为农作物害虫的智能识别提供了新的思路和方法。
展开更多
关键词
水稻虫害
Alexnet模型
批归一化
全局平均池化
激活
函数
prelu
下载PDF
职称材料
超深卷积神经网络的图像超分辨率重建研究
被引量:
9
3
作者
连逸亚
吴小俊
《计算机工程》
CAS
CSCD
北大核心
2019年第1期217-220,共4页
针对VDCN网络结构在大尺度因子上超分辨率效果较差的缺点,提出一种高精度单图像超分辨率重建方法。将ReLU激活函数更换为PReLU激活函数,增加网络层数,使用25个带PReLU激活函数的卷积层进行训练和测试。实验结果表明,与VDCN方法相比,该...
针对VDCN网络结构在大尺度因子上超分辨率效果较差的缺点,提出一种高精度单图像超分辨率重建方法。将ReLU激活函数更换为PReLU激活函数,增加网络层数,使用25个带PReLU激活函数的卷积层进行训练和测试。实验结果表明,与VDCN方法相比,该方法耗费时间较少,且性能更稳定。
展开更多
关键词
卷积神经网络
图像超分辨率
prelu
激活
函数
深度学习
网络深度
下载PDF
职称材料
题名
一种传感图像特征快速挖掘算法设计
1
作者
郭红建
赵燕飞
机构
南京审计大学计算机学院
出处
《传感技术学报》
CAS
CSCD
北大核心
2024年第5期869-876,共8页
基金
国家自然科学基金项目面上项目(72074117)
江苏省高校自然科学研究项目面上项目(20KJB630012)
+2 种基金
江苏省高校人文社会科学研究项目一般项目(2021SJA0351)
全国高等院校计算机基础教育研究会2022年立项课题项目(2022-AFCEC-419)
江苏省现代教育技术研究2022年度立项课题项目(2022-R-106219)。
文摘
传感图像采集因曝光而损失图像特征,导致特征错误挖掘率高和精准率召回率(Precision-Recall,PR),曲线表现较差,针对该问题,提出一种新的传感图像特征快速挖掘算法。该方法将参数化修正线性单元函数作为激活函数,融合修补图和输入图像,并在训练阶段使用L1损失函数和结构相似性指数(Structural Similarity Index,SSIM)损失函数约束图像,采用softmax回归挖掘图像特征,构建卷积神经网络传感图像特征挖掘结构,在训练过程中,使用自适应梯度更新结构参数,设计挖掘步骤,实现传感图像特征快速挖掘。实验结果表明,设计的卷积神经网络图像特征挖掘方法的PSNR值较高、SSIM值接近1,错误挖掘率为1.0%,PR曲线最接近右上角,面积最大,并且图像视觉效果更好,特征挖掘时间最高仅为1.3 s,实现了快速挖掘。
关键词
传感图像
图像特征
快速挖掘
卷积神经网络
prelu函数
损失
函数
PR曲线
Keywords
sensing image
image feature
rapid excavation
convolution neural network
prelu
function
loss function
PR curve
分类号
TP753 [自动化与计算机技术—检测技术与自动化装置]
下载PDF
职称材料
题名
改进的Alexnet模型在水稻害虫图像识别中的应用
被引量:
13
2
作者
肖小梅
杨红云
易文龙
万颖
黄琼
罗建军
机构
江西农业大学软件学院
江西农业大学计算机与信息工程学院
出处
《科学技术与工程》
北大核心
2021年第22期9447-9454,共8页
基金
国家自然科学基金(61562039,61762048)。
文摘
深度学习技术能以端对端方式实现农作物害虫识别,克服了传统机器学习方法特征选择具有主观性以及提取特征操作繁琐等不足,但识别的准确率和鲁棒性仍有待提高。为了研究出一种快速,高效的水稻害虫识别方法,本研究以稻纵卷叶螟、三化螟、稻蝗、稻飞虱4种常见的水稻害虫为研究对象,对传统的卷积神经网络Alexnet进行优化改进。首先从自然环境以及搜索引擎上获取4种不同的水稻害虫图像,并对图像进行数量扩增和细节增强预处理。然后对传统的卷积神经网络Alexnet进行优化改进,在Alexnet模型基础上,去除原有局部响应归一化层,在每一个卷积层后加入批归一化层,并采用全局平均池化和激活函数PReLU对模型结构进行优化。结果表明:改进后的模型在害虫数据集上的识别率不低于98%,相比于原网络提升了1.96%,高于LeNet5、VGG13、VGG16等传统网络;改进后的模型的损失值稳定在0.03附近,相比于原网络降低了0.1,均低于LeNet5、VGG13、VGG16等传统网络。从实验结果来看,改进后的方法在水稻害虫分类上有较高的识别率和较好的鲁棒性,可以为农作物害虫的智能识别提供了新的思路和方法。
关键词
水稻虫害
Alexnet模型
批归一化
全局平均池化
激活
函数
prelu
Keywords
rice pest
Alexnet model
batch normalization
global averaging pooling
activation function
prelu
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
超深卷积神经网络的图像超分辨率重建研究
被引量:
9
3
作者
连逸亚
吴小俊
机构
江南大学物联网工程学院
出处
《计算机工程》
CAS
CSCD
北大核心
2019年第1期217-220,共4页
基金
国家自然科学基金(61672265)
文摘
针对VDCN网络结构在大尺度因子上超分辨率效果较差的缺点,提出一种高精度单图像超分辨率重建方法。将ReLU激活函数更换为PReLU激活函数,增加网络层数,使用25个带PReLU激活函数的卷积层进行训练和测试。实验结果表明,与VDCN方法相比,该方法耗费时间较少,且性能更稳定。
关键词
卷积神经网络
图像超分辨率
prelu
激活
函数
深度学习
网络深度
Keywords
Convolutional Neural Network(CNN)
image Super-Resolution(SR)
prelu
activation function
deep learning
network depth
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
一种传感图像特征快速挖掘算法设计
郭红建
赵燕飞
《传感技术学报》
CAS
CSCD
北大核心
2024
0
下载PDF
职称材料
2
改进的Alexnet模型在水稻害虫图像识别中的应用
肖小梅
杨红云
易文龙
万颖
黄琼
罗建军
《科学技术与工程》
北大核心
2021
13
下载PDF
职称材料
3
超深卷积神经网络的图像超分辨率重建研究
连逸亚
吴小俊
《计算机工程》
CAS
CSCD
北大核心
2019
9
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部