排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
2.
近年,建筑框架设计已经广泛运用于各类建筑中,对于设计不同的设计师有着不同的设计风格,每个设计师的经验也不尽相同,因此每个建筑的结构形式也各不相同,可能是框架结构,也可能是砌体结构等等,由此出现的问题也日益增多,对工程方案都做到细致入微,避免不合理的设计要素,综合的全面考虑是本文的论述重点。 相似文献
3.
近年来,深度学习以其强大的非线性计算能力在目标检测和识别任务中取得了巨大的突破。现有的深度学习网络几乎都是以数据的欧氏结构为前提,而在计算机视觉中许多数据都具有严格的流形结构,如图像集可表示为Grassmann流形。基于数据的流形几何结构来设计深度学习网络,将微分几何理论与深度学习理论相结合,提出一种基于Grassmann流形的深度图像集识别网络。同时在模型训练过程中,使用基于矩阵链式法则的反向传播算法来更新模型,并将权值的优化过程转换为Grassmann流形上的黎曼优化问题。实验结果表明:该方法不仅在结果上识别准确率得到了提高,同时在训练和测试速度上也有一个数量级的提升。 相似文献
4.
目的 以非平行于目标的姿态成像时,线阵相机采集的图像的几何变换规律与面阵相机不同,这导致面阵图像的几何变换模型及其直接配准方法无法实现线阵图像的配准;同时,亮度恒常假设无法解决大视场镜头引起的图像亮度衰减问题。因此,提出了一种几何联合分段亮度的线阵图像直接配准方法。方法 根据线阵图像的几何变换模型和分段增益—偏置亮度模型,将线阵图像的配准问题表示为一个非线性最小二乘问题。采用高斯—牛顿法对配准问题中的几何变换参数和亮度变换参数联合进行优化;此外,针对以单位变换为初始值时配准图像存在较大几何误差致使优化不收敛,设计了一种初始值快速搜索策略。结果 实验数据包含本文采集的线阵图像数据集和真实列车线阵图像。配准结果表明,采用本文方法配准后的标注点坐标均方根误差均小于1个像素,优于采用面阵图像几何变换模型的直接配准方法。算法对亮度变化具有更强的鲁棒性,提高了线阵图像配准的成功率。结论 本文提出的几何联合分段亮度线阵图像配准方法可以精确、鲁棒地对齐非平行姿态线阵相机所采集的图像。 相似文献
1