搜索结果: 1-15 共查到“知识库 模式识别”相关记录1542条 . 查询时间(3.769 秒)
天津科技大学人工智能学院图像识别与智能控制科研团队介绍(图)
图像识别 智能控制
2024/8/11
天津科技大学人工智能学院模式识别与大数据处理科研团队介绍(图)
模式识别 大数据处理 嵌入式系统
2024/8/11
针对实际中某种工况滚动轴承带标签振动数据获取困难,健康指标难以构建及寿命预测误差大的问题,提出一种基于无监督深度模型迁移的滚动轴承剩余使用寿命(Remaining useful life,RUL)预测方法.该方法首先对滚动轴承全寿命周期振动数据提取均方根(Root mean square,RMS)特征,并引入新的自下而上(Bottom-up,BUP)时间序列分割算法将特征序列分割为正常期、退化期和...
高炉料面视频关键帧是视频中的中心气流稳定、清晰、无炉料及粉尘遮挡且特征明显的图像序列,对于及时获取炉内运行状态、指导炉顶布料操作具有重要的意义.然而,由于高炉内部恶劣的冶炼环境及布料的周期性和间歇性等特征,料面视频存在信息冗余、图像质量参差不齐、状态多变等问题,无法直接用于分析处理。
基于模糊核估计的图像盲超分辨率神经网络
模糊图像 模糊核估计 卷积神经网络 盲超分辨率
2024/1/16
模糊图像的超分辨率重建具有挑战性并且有重要的实用价值.为此,提出一种基于模糊核估计的图像盲超分辨率神经网络(Blurred image blind super-resolution network via kernel estimation,BESRNet).该网络主要包括两个部分:模糊核估计网络(Blur kernel estimation network,BKENet)和模糊核自适应的图像重建...
时滞取值概率未知下的线性时滞系统辨识方法
系统辨识 参数估计 时变时滞 时滞取值概率未知
2024/1/16
在大多数系统辨识方法中,通常假设时变时滞在其可能的取值范围内服从均匀分布.但是这种假设是非常受限的且在实际过程中常常无法得到满足.因此在时滞取值概率条件未知的情况下,针对一类线性时变时滞系统提出有效的辨识方法.利用期望最大化(Expectation maximization,EM)算法将拟研究的辨识问题公式化,期望最大化算法通过不断地迭代执行期望步骤和最大化步骤得到优化的参数估计.在期望步骤中,将...
基于可解释注意力部件模型的行人重识别方法
行人重识别 注意力机制 可解释深度学习 部件模型
2024/1/16
大多数行人重识别(Person re-identification,ReID)方法仅将注意力机制作为提取显著特征的辅助手段,缺少网络对行人图像关注程度的量化研究.基于此,提出一种可解释注意力部件模型(Interpretable attention part model,IAPM).该模型有3个优点:1)利用注意力掩码提取部件特征,解决部件不对齐问题;2)为了根据部件的显著性程度生成可解释权重,设计...
基于重组性高斯自注意力的视觉Transformer
Transformer 局部自注意力 混合高斯权重重组 图像分类 目标检测
2024/1/16
在目前视觉Transformer的局部自注意力中,现有的策略无法建立所有窗口之间的信息流动,导致上下文语境建模能力不足.针对这个问题,基于混合高斯权重重组(Gaussian weight recombination,GWR)的策略,提出一种新的局部自注意力机制SGW-MSA(Shuffled and Gaussian window-multi-head self-attention),它融合了3种...
给出了矩阵同构变换、简单无向图距离矩阵、距离矩阵列和向量以及图的距离谱的定义,将基于邻接矩阵的同构判定条件推广到简单无向图距离矩阵.针对简单无向连通图的同构判定问题:给出了基于距离矩阵特征多项式的同构判定条件;进一步,为避免计算误差对判定结果的影响,给出了基于距离矩阵的秩与列和向量的同构判定条件.上述两个判定条件均是充要条件且均具有多项式时间复杂度。
视网膜功能启发的边缘检测层级模型
边缘检测 视网膜 Izhikevich模型 神经编码 方向选择性神经节细胞
2024/1/16
基于视网膜对视觉信息的处理方式,提出一种视网膜功能启发的边缘检测层级模型.针对视网膜神经元在周期性光刺激下产生适应的特性,构建具有自适应阈值的Izhikevich神经元模型;模拟光感受器中视锥细胞、视杆细胞对亮度的感知能力,构建亮度感知编码层;引入双极细胞对给光−撤光刺激的分离能力,并结合神经节细胞对运动方向敏感的特性,构建双通路边缘提取层;另外根据神经节细胞神经元在多特征调控下延迟激...
在场景文本检测方法中,文本实例的边缘特征与其他特征在大多数模型中都是以同样的方式进行处理,而准确检测相邻文本边缘区域是正确识别任意形状文本区域的关键之一.如果对边缘特征进行增强并使用独立分支进行建模,必能有效提高模型的标识准确率.为此,提出了三个用以增强边缘特征的网络模块。