排序方式: 共有9条查询结果,搜索用时 22 毫秒
1
1.
弱监督目标定位是指仅利用图像级的类别标注信息来训练目标定位器, 而不需要使用精确的目标位置标注信息来进行算法训练. 当前的一些方法往往只能定位出目标对象中最具鉴别性的部分而无法准确地标识出完整的目标对象, 或者易受背景无关信息干扰从而导致定位结果不精确. 为了解决上述问题, 提出一种基于注意力机制和类别层次结构的弱监督目标定位方法. 该方法通过对卷积神经网络的注意力图进行均值分割提取更完整的目标区域. 进一步, 通过类别层次结构网络实现对背景区域注意力的削弱, 从而提高对感兴趣目标的定位精度. 基于多个网络结构和公共数据集上的大量实验结果表明, 相比目前已有的弱监督定位方法, 所提方法在多个评价指标下均能够获得更好的定位效果. 相似文献
2.
在实际工业生产中有很多被控对象或控制过程都可被视为二阶纯滞后SOPDT(Second Order Plus Delay Time)的形式。在同时含有负载干扰及未知非零初始条件的情况下,针对待辨识参数过多而导致一些现有方法在实施最小二乘后只能获得部分参数的问题,提出首先给系统施加两次同方向的阶跃信号并对输出采样,进而对系统微分方程通式两边进行二重积分以获得两组回归方程,最后联立两次最小二乘结果便可获得所有待估计的参数值。 相似文献
4.
5.
6.
7.
针对符号图的列表点染色问题,证明了任何不含[K5]-子式或[K3,3]-子式的符号图的选择数至多为5,并且此处的上界5是不可再降低的,从而推广了Jin、Kang与Steffen发表于“European Journal of Combinatorics,2016,52:234-243”的关于符号平面图的对应结论。 相似文献
8.
9.
目标检测是计算机视觉领域的基本任务之一,根据标签信息的不同,可分为全监督目标检测、半监督目标检测和弱监督目标检测等。弱监督目标检测旨在仅利用图像级别的类别标记信息训练检测器,从而完成对测试图像中所有目标物体的定位和分类。因能够显著降低数据标记成本,弱监督目标检测愈发受到关注且已取得令人瞩目的进展。本文由弱监督目标检测的研究意义引入,首先介绍了弱监督目标检测的标签设置及问题定义、基于多示例学习的基础框架和面临的局部主导、实例歧义和计算消耗这3大难题,接着按核心网络架构将该领域的典型算法归纳为3大类,分别是基于优化候选框生成的算法、结合图像分割的算法和基于自训练的算法,并分别阐述各类算法的核心贡献。进一步地,本文通过实验在多种评估指标上对比了各类弱监督目标检测算法的检测效果。在VOC2007(visual object classes 2007)数据集中,平均精度均值(mean average precision,mAP)最高的方法为MIST(multiple instance self-training)算法(54.9%),正确定位率(correct localization,CorLo... 相似文献
1