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. 基于深度卷积神经网络与迁移学习的鱼类分类识别.pdf

  2. 高效的鱼类分类识别是海洋牧场智能化监测的基础 . 传统的通过浅层模型，利用目标特征 的分类识别方法效率低下，泛化性差，难以实现智能化应用；而重建并训练深度卷积神经网络（DCNN） 模型占用巨大的计算机资源 . 文章提出一种基于 DCNN 和迁移学习的方法，针对新图像数据集，通过选 择训练参数，对预训练模型进行再训练，实现鱼类的分类识别 . 通过实验证实，这种方法可在占用少量 的计算机资源情况下，达到 97.14% 的验证准确率 . 使用基于 DCNN 与参数迁移的学习策略可以得到性 能良好的深度

  3. 所属分类：深度学习

    • 发布日期：2020-04-08
    • 文件大小：2097152
    • 提供者：weixin_44305638

  1. 图像与DCNN

  3. 所属分类：其它

    • 发布日期：2016-12-08
    • 文件大小：3145728
    • 提供者：qq_34637408

  1. DCNN_Ferroics：从STEM图像中深度学习铁电中的极化数据-源码

  2. DCNN_Ferroics 从STEM图像中深度学习铁电中的极化数据 这项研究的目的是展示如何使用深度卷积神经网络预测掺有五种不同Sa浓度（0％，7％，10％，13％和20％）的铋铁氧体（BFO）的极化（ DCNNs）有和没有原子发现。 这些笔记本特别展示了： （1）如何使用“滑动窗口”方法生成不在原子周围居中（NC）的子图像， （2）如何生成以原子为中心（C）的子图像， （3）如何在与一种Sm浓度相对应的图像/子图像之一上训练DCNN，并将其应用于其他构图， （4）如何构造特征图，

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：16777216
    • 提供者：weixin_42100032

  1. 基于深度卷积神经网络的低照度图像增强

  2. 针对低照度条件下图像降质严重的问题, 提出了一种基于深度卷积神经网络(DCNN)的低照度图像增强算法。该算法根据Retinex模型合成训练样本, 将原始低照度图像从RGB (Red Green Blue)空间转换到HSI (Hue Saturation Intensity)颜色空间, 保持色度分量和饱和度分量不变, 利用DCNN对亮度分量进行增强, 最后将HSI颜色空间转换到RGB空间, 得到最终的增强图像。实验结果表明, 与现有主流的图像增强算法相比, 所提算法不仅能够有效提升亮度和对比度,

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：13631488
    • 提供者：weixin_38610052

  1. 复杂背景下车型识别分类器

  2. 细粒度车型图像的类间特征差异小，在复杂图片背景中识别干扰因素多。为提高模型在复杂背景中对图像的特征提取能力和识别准确度，提出了基于支持向量机（SVM）和深度卷积神经网络（DCNN）的分类器集成模型Softmax-SVM。它将交叉熵代价函数与hinge损失函数相结合，代替Softmax函数层，减少了过拟合的发生。同时，设计了一个10层的DCNN提取特征，避免了手工提取特征的难题。实验数据集为复杂背景下的27类精细车型图像，尤其还包含同一汽车厂商的相近车型。实验结果表明，在不进行大量预处理的前提下，

  3. 所属分类：其它

    • 发布日期：2021-02-22
    • 文件大小：7340032
    • 提供者：weixin_38704156

  1. RBDN：递归分支反卷积网络：DCNN体系结构，用于“广义深度图像到图像回归”。 CVPR2017（聚焦）-源码

  2. RBDN（递归分支反卷积网络） RBDN是一种用于的体系结构，其特点是 具有广泛参数共享功能的高效内存递归分支方案，可计算输入的早期可学习多上下文表示形式， 端到端保存从输入到输出的本地通信，以及 能够根据任务选择上下文与局部性，以及应用按像素的多上下文非线性。 建筑 RBDN在3种不同的图像到图像回归任务上提供了最先进的性能：去噪，重新照明，着色。 安装及使用 克隆：运行git clone -b master --single-branch https://github.com/venk

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：45056
    • 提供者：weixin_42128315

  1. 通过残余深度学习进行PAN粉碎

  2. 深卷积神经网络（DCNN）的一个显着优势是它们对局部复杂结构的表示能力。 受此观察结果的启发，提出了一种基于DCNN的残差学习模型，以学习高分辨率（HR）和低分辨率（LR）图像块之间的非线性映射函数。 DCNN是基于图像块进行训练的，这些图像块仅从HR / LR全色（PAN）图像中采样而没有其他训练图像。 我们训练DCNN以基于反向传播的小批量梯度下降来获得具有HR / LR PAN补丁对的非线性映射函数。 从转移学习方法的观点出发，通过假设HR / LR多光谱（MS）图像在HR / LR PA

  3. 所属分类：其它

    • 发布日期：2021-03-27
    • 文件大小：1048576
    • 提供者：weixin_38746442