排序方式： 共有6条查询结果，搜索用时 17 毫秒
1
1.
针对钢带表面缺陷检测样本不足、检测精度较低等问题,提出IVPSIC-Net模型,不需要对缺陷图像扩增或合成,仅需较少的数据样本,即可对钢带表面缺陷进行较为准确的分类和分割。经由ImageNet数据集进行预训练,通过调整宽度因子、引入多层感知机和空洞卷积等对特征提取模块进行优化与改进。基于MobileNet121将训练得到的模型权重迁移至IVPSIC-Net模型,大幅度减少了模型计算量。结合位置信息,融合改进的自注意力机制实现对缺陷的有效检出。实验证明,模型对热轧钢带的6种典型表面缺陷均可较为准确地分类和分割。所提出的方法在分类任务中准确度达到85%,相较其他缺陷目标检测算法(YOLOv4、MPF-DNN、FAR-Net、PSIC-Net等)提升了4.79%～6.97%;在分割任务中,相较其他分割算法(Deeplabv3plus、VGG-Unet、RDUnet-A、PSIC-Net等),错误率降低了8.00%～20.03%,能够更准确地分割出钢带表面的缺陷区域。 相似文献
2.
近年来,越来越多的人加入到股票投资的队伍当中,金融学家和社会学家也将股票市场的发展作为衡量一个国家或者地区发展水平的一项重要标准.对于股民来讲,若可以准确预测股价变化,就可以及时采取措施达到较高的收益.为此,建立一种基于CBAM注意力机制的神经网络模型实现对未来股票价格的预测.通过与建立的其他模型预测结果对比发现,基于... 相似文献
3.
深度信念网络(DeepBeliefNetwork,DBN)是深度学习模型之一,是实现人工智能的重要模型。它是由多个受限玻尔兹曼机(RBM)堆加而成。一般在模型的最后一层加入分类器模型进行分类。目前已在生物特征识别、语音识别、机器故障诊断、疾病诊断等诸多领域得到广泛应用。鉴于深度信念网络模型的优点及其强大的自主学习能力,主要做了四个方面的工作:第一,阐述了深度学习的背景以及深度信念网络的来源,第二,详细介绍了深度信念网络的基本原理和模型框架,第三,对受限玻尔兹曼机的学习过程等进行了介绍,第四,总结了深度信念网络在疾病预测领域的研究与应用。 相似文献
4.
本文采用引入人类视觉系统的注意力机制对AlexNet网络模型进行改进,通过融入注意力机制对AlexNet注意力机制网络进行研究,并通过CIFAR-10数据集进行实验对比验证。实验对比结果表明,AlexNet注意力机制网络模型比传统AlexNet网络模型具有更好的分类效果,其分类准确率提升了2%。 相似文献
5.
医学图像分割是一项极具挑战性的任务,也是医学领域与计算机视觉领域的完美结合.本文通过对医学图像分割领域现状的了解和学习,对其进行了系统性梳理,首先介绍了阈值法、区域法、边缘检测法、聚类法这4种传统的医学图像分割方法,然后介绍了基于深度学习的自动分割方法,最后对医学图像分割的发展趋势做出展望. 相似文献
6.
增量数据更新是各个异构系统之间进行数据共享融合的关键,也是构建增量式数据仓库来进行数据分析的关键.随着大数据技术的发展,传统的增量更新算法已经无法适应时代的潮流.为此,本文基于Spark等成熟的大数据技术提出了一种近实时增量数据更新方法.本文采用OGG+kafka进行增量数据捕获,采用Spark对增量数据进行实时分析,... 相似文献
1