排序方式: 共有14条查询结果,搜索用时 203 毫秒
1.
在介绍分谐波混频器的原理基础上,提出一种以粒子群算法作为全局搜索算法,以性能参数作为评估的混频器电路优化方法,利用ADS软件设计出一种本振为23 GHz,射频为92~94 GHz下的变频器电路,应用CST软件优化脊波导微带过渡结构,实现了W波段的信号到混频器射频端的引导。优化算法可以快速得到优化结果,仿真结果表明该下变频器的变频差损小于15dB,1dB压缩点较高,具有良好的线性度。 相似文献
2.
针对人脸图像复原任务中对图像尺度信息利用不足和眼镜结构复原错误的问题,提出一种基于双阶段多尺度生成对 抗网络复原模型。该模型第1阶段引入改进损失的U-Net 粗重构网络,利用跳连接减少原始图像信息的丢失,融合3种不同 的损失函数提高生成器的重构能力,采用双判别器考虑全局信息和局部信息,并提出一种混合域注意力机制用于关注图像的 空间和通道信息。第2阶段的精修复网络构建了全新的特征增强模块,增强网络对细节信息的提取能力和对结构的表达能 力,引入相对判别器,用于关注生成样本与真实样本之间的相对真实性,提高了生成质量和训练稳定性。实验结果表明,该方 法能够复原各类图像缺失的情况,并能够有效复原佩戴眼镜的人脸图像,与其他方法相比,该方法的峰值信噪比、结构相似性 和感知相似度评估等指标分别提升了3.81%、2.65%和0.45%。 相似文献
3.
4.
智能显示是将发送端(手机、电脑等智能显示设备)屏幕画面在其他智能显示设备上投放显示,是提升用户视觉感受、信息实时共享的重要途径。对于传统智能显示系统,受其传输、环境、硬件设备等影响,大多数图像或视频在数据传输过程中会丢失少部分高频信息,除此之外还伴随着设备复杂、功能单一等情况。提出一种以Wi-Fi作为连接技术,以超分辨率重建作为图像、视频再处理技术的智能显示系统,该系统通过Wi-Fi连接个人电脑或手机,对待投图像、视频等文件进行超分辨率重建后显示共享,在智能共享同时用户可以同步在显示屏进行标注、绘图等。测试结果表明,该设计具有投显示画面分辨度高、操作简便、灵活度高等特点。 相似文献
5.
针对现有的遥感图像目标检测方法中对小尺寸飞机目标的检测精度不高、特征信息传递不准确、信息交互不充分等问题,提出了一种基于可辨别特征提取和上下文感知的遥感图像飞机目标检测方法。设计了以可辨别特征提取模块为主体的主干网络,用以加强对多尺度飞机目标的特征提取;引入自适应特征增强模块,选择性关注小目标、优化特征信息的传递与信息交互;并设计了特征融合上采样模块对特征图进行上采样操作,用以提升高层语义信息的准确性。在DOTAv1数据集上的检测精度达到了95.2%,相较于YOLOv5s、SCRDet、ASSD等主流算法,飞机目标的检测精度提高了3.7%~18%。此外,该方法的检测速度以及模型参数量分别为147 fps和13.4 M,相较于当前主流算法具备较强的竞争力,满足在遥感背景下对飞机目标的实时检测需求。 相似文献
6.
针对传统方式检测风力涡轮机表面缺陷时出现的精度不足、泛化性较差问题,提出了一种改进YOLOv5s的风力涡轮机表面缺陷检测模型。在网络结构方面,首先在主干特征提取网络引入改进的MobileNetv3网络,用于协调并平衡模型的轻量化和精度关系;其次采用BiFPN式的融合方式,增强神经网络的多尺度适应能力,提高融合速度和效率;最后为轻量化的自适应调节特征权重,运用ECAnet通道注意力机制,进一步提高神经网络的特征提取能力。在损失函数方面,将边框回归的损失函数修改为αIoU Loss,进一步提升了bbox回归精度。实验结果表明,基于YOLOv5s的改进算法可以在复杂环境下快速准确地识别风机表面的缺陷目标,能够满足实时目标检测的实际应用需求。 相似文献
7.
针对传统水下图像检测方式易受水中光线、复杂环境的影响,造成水下目标识别精度不高,泛化性较差的问题,提出了一种改进YOLOv5s的水下目标检测算法。首先引入了Double MSRCR算法,解决了水下物体清晰度低,特征模糊的问题。在网络结构方面,主干网络引入C_VAN模块,提升了神经网络特征提取能力;其次在颈部网络中,引入RFB_S感受野,增强神经网络的多尺度适应能力;最后引入NAMAttention空间与通道注意力机制,增强网络上下文特征的表达能力。所提方法相较于Faster-RCNN检测精确度提高了6.5%,相较于YOLOv4检测精确度提高了4.1%,相较于YOLOv5s检测精确度提高2.7%,检测速度提升了56.34 fps,证明了方法适用于实时水下检测任务。 相似文献
8.
针对遥感图像道路分割边界模糊和遮挡难以区分的问题,提出了基于改进DeeplabV3+的遥感图像道路分割模型。该模型在主干网络中引入MobileNetV3和高效通道注意力机制(ECA),减少了参数量并关注连续的道路特征信息。在解码过程中采用多级上采样,增强了编码器和解码器之间的紧密连接,全面保留了细节信息。同时,在ASPP模块中采用深度可分离膨胀卷积DS-ASPP,显著减少了参数量。实验结果表明,该模型在Massachusetts Roads数据集上的交并比达到了83.71%,准确率达到了93.71%,分割精度最优,模型参数量为55.57×106,能够有效地避免边界模糊和遮挡导致的错漏检问题,在遥感道路分割中提高了精度和速度。 相似文献
9.
系统采用改进的数据加密算法(Data Encryption Algorithm,DEA),由复杂可编程逻辑器件(Complex Programmable Logic Device, CPLD)芯片EPM570构建硬件系统。声波信号经频率调制后,经密钥加密后发送给接收端,接收端先经过滤波,再由密钥解密后还原出原信号,从而实现近距离加密传输。硬件电路分为发送端和接收端两部分,由主控器、CPLD、直接数字式频率合成器(Direct Digital Synthesizer,DDS)、滤波器和里所(Reed-solomon,RS)码模块电路构成。实验表明该系统具有较高的安全性,可应用于机密信号或敏感信号的传输。 相似文献
10.
云检测是遥感图像预处理的重要步骤,云检测精度直接影响后续遥感图像应用的准确性,针对现有云与云阴影分割任务中,泛化能力差,误检漏检现象严重的问题,本文提出了一种改进型U-Net网络模型,该模型以U-Net为主干网络,加入高效通道注意力机制,修改激活函数。将遥感图像作为输入,放入基于高效通道注意力的U型云图分割模型中进行训练,在获得最优权重后,输出包含云区域、云阴影区域和背景区域的遥感图像分割结果。实验结果表明,相比于现有分割模型,本模型在云和云阴影的分割任务中参数量最低,准确率最高,泛化效果最好。 相似文献