排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
学生表情逐渐成为感知学生状态的重要途径,因此准确的识别学生表情因具有重要价值而受到广泛的关注.本文针对学生表情识别这一问题,提出基于数据融合与迁移学习的识别模型,该模型融合3个数据集,以解决学生表情数据缺乏与多样性问题,同时引入迁移学习来提升预测精度.在数据集及实际学生表情图像上的实验结果表明,本文提出的模型可以准确识别学生表情,提升了预测精度. 相似文献
2.
3.
点云识别与分割在应用过程中通常需要提取空间旋转不变和置换不变的点云特征,PointCNN采用监督学习的方式来提取,但会产生额外的计算量,PointNet使用最大池化算子提取置换不变特征,且容易忽略点云的局部信息,导致识别准确率下降。提出一种基于亲疏度矩阵的新方法,将点云空间坐标映射到曲率特征空间,提取空间旋转不变特征。通过K邻域内的点集合构建基于欧式内积的亲疏度矩阵,对亲疏度矩阵特征值进行排序,并将对应的特征向量组成变换矩阵,从而变换点云特征,进行置换不变的点云特征卷积操作。在ModelNet40数据集上的实验结果表明,该方法的总体准确率和类别平均准确率分别为92.28%和88.80%,超过PointCNN等基于卷积的方法。此外,该方法通过代数计算的方式获得变换矩阵,可以提高模型训练的效率,且浮点运算数仅为36.6×106 frame/s,大幅降低了训练的复杂度。 相似文献
1