注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 基于改进BP神经网络的心电信号分类方法

  2. 心电信号的准确判别是实现心电监测系统智能诊断的关键。为提高心电信号的分类精度，研究了一种改进BP神经网络的心电信号分类算法。首先对MIT-BIH Arrhythmia Database样本专家标注心拍进行统计分析，选择正常心拍、室性早搏、左束支传导阻滞心拍和右束支传导阻滞心拍作为神经网络识别目标，采用主成分分析法提取25个心拍特征作为样本向量。仿真结果表明，改进BP神经网络具有较好的分类识别能力，整个样本分类准确率为98.4%。算法收敛速度快，分类精度高，有助于检测和诊断心脏疾病。

  3. 所属分类：其它

    • 发布日期：2020-10-15
    • 文件大小：476kb
    • 提供者：weixin_38622849

  1. 基于Faster-RCNN的遥感图像飞机检测算法

  2. CCCV2017发布遥感图像飞机数据集,用于评测飞机检测算法.针对该遥感图像数据集中的飞机朝向不确定、图像覆盖范围广、图像背景复杂度高,导致飞机检测难度大、检测算法准确率和算法泛化能力低等问题,提出了基于Faster-RCNN的飞机检测改进算法.首先,通过对图像采用翻转以及角度旋转等方式对数据集进行合理的扩增;然后,在扩增后的数据集上,使用深度残差网络对图像进行特征提取,针对数据集中飞机目标的长宽比特点优化区域建议网络;同时,为了防止训练集中正负样本不均衡,采用在线困难样本挖掘方法对数据进行训练

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：384kb
    • 提供者：weixin_38571992

  1. 基于改进的Faster R-CNN目标检测算法

  2. 目标检测是计算机视觉研究中的热门问题,其中加速区域卷积神经网络(Faster R-CNN)对目标检测具有指导意义。针对Faster R-CNN算法在目标检测中准确率不高的问题,先对数据进行增强处理;然后对提取的特征图进行裁剪,利用双线性插值法代替感兴趣区域池化操作,分类时采用软非极大值抑制(Soft-NMS)算法。实验结果表明,该算法在PASCAL VOC2007、PASCAL VOC07+12数据集下的准确率分别为76.40%和81.20%,相较Faster R-CNN算法分别提升了6.50个

  3. 所属分类：其它

  1. 基于改进多尺度特征图的目标快速检测与识别算法

  2. 针对目标检测与识别在精度和实时性方面的要求, 提出了一种基于改进多尺度特征图的目标快速检测与识别算法。算法在原始SSD模型的基础上, 利用卷积神经网络自动提取多尺度特征图, 构建了一种有效的卷积特征图融合模块, 同时引入轻量级的压缩型双线性融合方法, 丰富上下文信息。进一步结合通道注意机制, 自适应地学习特征图各通道之间的相互关系, 强调有用信息, 抑制冗余信息, 提高了特征图的判别能力, 将增强后的多尺度特征图用于检测模型。实验结果表明, 与同类算法相比, 所提算法的效率更高, 明显提升了识别

  3. 所属分类：其它

  1. 残差网络下基于困难样本挖掘的目标检测

  2. 为了提高图像目标的检测精度, 提出一种在残差网络下设计基于困难样本挖掘的目标检测算法。首先阐述基于深度学习的目标检测算法, 即超快速区域卷积神经网络(Faster R-CNN)的工作原理, 分析该算法存在的不足与改进方式。在Faster R-CNN的基础上, 为了使模型能提取更有效的深度卷积特征, 选取网络更深的残差网络替换原始的ZF或VGG网络。为了使学习到的网络模型有更强的泛化能力, 在网络训练过程中, 利用困难样本更新网络参数, 使网络训练更充分。在Pascal VOC2007、Pasca

  3. 所属分类：其它

  1. 基于改进SSD的交通大场景多目标检测

  2. 现有目标检测算法在复杂大场景下多目标检测的精度和实时性难以平衡，为此，受深度神经网络卷积核形态启发，模仿了人眼视觉机理，改进了基于深度学习的目标检测框架，即单向多框检测器(SSD)，提出了多目标检测框架——自适应感知SSD，将其专用于复杂大交通场景多目标检测。设计了由多形态、彩色Gabor构成的特征卷积核库，训练筛选最优特征提取卷积核组替换原有网络的低级卷积核组，从而提高检测精度；将单图像检测框架与卷积长短期记忆网络结合，通过瓶颈-长短期记忆层提炼传播帧间的特征映射，实现网络帧级信息的时序关联，

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：10mb
    • 提供者：weixin_38711369

  1. 基于深度卷积神经网络的红外船只目标检测方法

  2. 针对红外船只图像较模糊导致的识别率低、识别速度慢等问题，提出了一种基于深度卷积神经网络(CNN)的检测算法。首先采用标记分水岭分割算法提取红外船只图像中的连通区域，并对原图相应的目标位置进行标记和归一化处理，提取候选区域。采用改进的AlexNet(一种深度CNN模型)进行船只目标识别，将提取的候选区域送入改进的AlexNet进行特征提取和预测，得到最终检测结果。分水岭方法可大大减少候选区域检测时间，以及减少深度CNN识别时间。利用实验室自制的红外成像系统获取近千张红外船只图像数据，并对其平移缩放

  3. 所属分类：其它

  1. 基于改进Faster R-CNN的子弹外观缺陷检测

  2. 为了实现子弹外观缺陷的自动检测,解决传统机器视觉方法在缺陷检测方面手工设计目标特征耗时和泛化能力差的问题,针对子弹外观缺陷数据集,采用K-means++算法改进锚框的生成方法,提出了Faster R-CNN子弹外观缺陷检测模型。该模型采用卷积神经网络,可以自动提取目标特征,泛化能力强。将该检测模型分别与ZFNet、VGG_CNN_M_1024和VGG16结合,结果表明,与VGG16结合的检测模型的检测精度高于其他两种模型方案,并且在所提算法的基础上,精度提升到了97.75%,速度达到28 fra

  3. 所属分类：其它

  1. 基于改进的特征提取网络的目标检测算法

  2. 针对目标检测准确率低,物体位置不精准的缺点,设计了一种基于改进的特征提取网络的目标检测算法。首先将训练集进行数据增强;其次设计了一种双通道网络,用于目标检测算法Faster R-CNN的特征提取;最后在算法的预测部分,对非极大值抑制(NMS)机制进行了改进,并采用加权平均方法获取存在多个相近的预测框的位置。在VOC 2007和VOC 2012数据库上进行实验,表明本文算法比经典的目标检测算法效果要好,准确率达到79.1%,提升了3%~4%,验证了本文算法的有效性。

  3. 所属分类：其它

  1. 基于改进旋转区域生成网络的遥感图像目标检测

  2. 为了实现遥感图像中目标的快速准确检测,解决遥感图像目标带有旋转角度的问题,在卷积神经网络理论的基础上,将旋转区域网络生成融入到Faster R-CNN网络中,提出了一种基于Faster R-CNN改进的遥感图像目标检测方法。相对于主流目标检测方法,本文算法针对遥感图像中的大多数目标都具有方向性不定且相对聚集的特点,在区域候选网络中加入了旋转因子,以便能够生成任意方向的候选区域;同时,在网络的全连接层之前增加一个卷积层,以降低其特征图参数,增强分类器的性能,避免出现过拟合。将本文算法与几种主流目标

  3. 所属分类：其它

    • 发布日期：2021-01-26
    • 文件大小：15mb
    • 提供者：weixin_38692100

  1. 基于深度神经网络的扶梯异常行为检测

  2. 针对Tiny YOLOv3算法在扶梯异常行为检测时存在高漏检率和低准确率的问题,提出一种改进的Tiny YOLOv3网络结构用于扶梯异常行为检测。利用K-means++算法对数据集中的目标边框进行聚类,根据聚类结果优化网络的先验框参数,使训练网络在异常行为检测方面具有一定的针对性。利用多层深度可分离卷积提取深层次的语义信息,加深特征提取的网络结构;增加一个尺度用于低层语义信息的融合,改进原有算法预测层的结构;使用GPU进行多尺度训练,得到最优的权重模型,对扶梯异常行为进行检测。实验结果表明,优化

  3. 所属分类：其它

    • 发布日期：2021-01-26
    • 文件大小：19mb
    • 提供者：weixin_38539705