排序方式: 共有14条查询结果,搜索用时 15 毫秒
1.
传统人体动作识别算法无法充分利用视频中人体动作的时空信息,且识别准确率较低。提出一种新的三维密集卷积网络人体动作识别方法。将双流网络作为基本框架,在空间网络中运用添加注意力机制的三维密集网络提取视频中动作的表观信息特征,结合时间网络对连续视频序列运动光流的运动信息进行特征提取,经过时空特征和分类层的融合后得到最终的动作识别结果。同时为更准确地提取特征并对时空网络之间的相互作用进行建模,在双流网络之间加入跨流连接对时空网络进行卷积层的特征融合。在UCF101和HMDB51数据集上的实验结果表明,该模型识别准确率分别为94.52%和69.64%,能够充分利用视频中的时空信息,并提取运动的关键信息。 相似文献
2.
电催化二氧化碳还原反应(CO2RR)被认为是一种潜在的碳循环技术,因为它可以利用CO2作为资源在温和条件下生产高附加值燃料和化学品.因此,开发高效的二氧化碳还原反应催化剂极其重要.本文设计了一系列TM-N2O2Cx (TM=Sc,Ti,V,Cr,Mn,Fe,Co,Ni,Cu,Zn)单原子催化剂,并利用密度函数理论研究了其对CO2RR的催化活性.这些TM-N2O2Cx催化剂在相对较低的过电位下对三种不同的产物,包括CH4、CO和HCOOH,表现出优异的CO2RR产品选择性,其中ScN2O2Cx、Mn-N2O2Cx、Zn-N2O2Cx的CO2RR产品是CO,V-N2 相似文献
3.
4.
城市道路场景下的行人目标尺寸变化大,并且人群密集容易引起遮挡问题,增加了行人检测难度。为了提高城市道路区域行人检测的准确性和实时性,更好应对驾驶场景的实际需求,对You Only Look Once(YOLO)方法进行改进。原YOLO模型分为行人特征提取阶段和行人坐标回归阶段,将浅层特征与深层特征多尺度融合,增加骨架网络的特征提取效果;添加注意力机制,在特征融合后加入空间通道增强模块,并且将GIoU损失引入网络训练过程,提高对遮挡目标的识别能力;结合行人尺寸,提出CrossYOLO层对网络宽度进行调整,加快了模型运算速度。在Caltech行人基准数据集下进行验证实验,结果表明YOLO-Person模型与原YOLO以及其他流行方法相比,对小目标和遮挡目标误检率更低,并且速度更快,具有一定的实际应用价值。 相似文献
5.
6.
7.
8.
9.
针对Retinex应用于多种场景时,其约束和参数会受到模型容量限制的问题,提出了一种基于深度学习的低照度图像增强算法,并构建了新的网络架构Retinex-UNet(RUNet)。该架构包含图像分解网络与图像增强网络两部分,利用Retinex-Net网络思想,通过卷积神经网络(Convolutional Neural Network,CNN)学习并分解图像,将其结果作为增强网络的输入,对输入图像进行端对端训练。在增强网络中构建了基于U-Net的网络架构,其可对任意大小的图像进行增强。通过在公开数据集(LOL,SID)上验证表明,RUNet方法在效果上有所改进,尤其是整体视觉效果。 相似文献
10.