排序方式: 共有6条查询结果,搜索用时 0 毫秒
1
1.
2.
近年来,深度学习方法被广泛用来解决车辆检测问题并取得了显著的成果,然而,当车辆尺寸较小时,当前深度学习算法的检测丢失率仍然很高.为了解决这个问题,本文提出了一种基于组合目标框提取结构的扩张全卷积神经网络(Dilated Fully Convolutional Network with Grouped Proposals,DFCN-GP).具体提出了一种结合低层特征和高层特征的组合网络模型用于生成目标框,其中低层特征对小目标更加敏感.此外,为保留更多的细节信息,基于扩张卷积思想,增加了网络最后一层卷积层的大小和感受野,用于目标框的提取和车辆检测.通过控制变量的对比试验,对基于组合方式的目标框提取网络和扩张卷积层的有效性进行了验证.本文提出的算法模型在公开数据集UA-DETRAC上性能优异. 相似文献
3.
为了有效解决最小碰集问题,基于分支约减技术提出了一个相对简单的递归算法.同时使用新近提出的一种称为度量与分治的方法,通过对问题实例规模进行加权,建立非标准的度量,对算法进行了分析,并与标准的分析方法做了比较.在分析过程中,为了优化权值以获得更好的算法时间复杂度,使用了一种成功应用于回溯算法分析的数学规划方法--拟凸规划,对建立的问题实例规模新度量中的权值进行了优化,最终证明了该算法可以在使用多项式空间情况下,在O(1.23801")时间内解决最小碰集问题. 相似文献
4.
5.
传统Lucy-Richardson(LR)算法是一种基于贝叶斯分析的图像复原迭代算法,对高信噪比的退化图像能获得很好的复原结果,但对噪声过于敏感,对低信噪比的退化图像在迭代过程中易造成噪声的放大,虽然有一些正则化方法应用到LR算法中来抑制噪声,但往往容易产生过度平滑的问题。针对这些问题将图像稀疏先验模型作为正则项引入到LR算法中,抑制噪声在迭代过程中的放大。与常规的图像梯度约束算法不同,本文算法中根据模糊图像梯度分布特点的不同提出了可变参数的图像稀疏梯度正则化约束方法,使复原图像的梯度分布参数在迭代过程中更趋近于真实梯度分布,同时通过调整正则项系数可以避免复原图像的过度平滑。实验结果表明,同标准LR算法和常规梯度约束算法相比,本文算法能够实现在抑制噪声放大的同时较好地保留图像的细节。 相似文献
6.
1