幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

視覺特徵表達的集成深度學習研究/江西理工大學清江學術文庫

  • 作者：羅會蘭|責編:劉小沛
  • 出版社：中南大學
  • ISBN：9787548760962
  • 出版日期：2025/02/01
  • 裝幀：平裝
  • 頁數：182
人民幣：RMB 58 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    圖像視頻大數據的分析與處理是保障國家和社會公共安全以及智能工業化的戰略高技術手段，也是電子信息產業新的增長點，具有很大的發展潛力和廣闊的應用前景。視覺處理任務的難易程度極大地取決於圖像視頻是如何表徵的，一個好的視覺表達能使後續的學習任務更容易。本書從三個維度研究了視覺特徵表達的新方法和新結構；研究圖像特徵的表達機制，以解決特徵提取與選擇問題；研究視頻特徵的表達機制，以探索模型的複雜度與計算效率問題；研究多任務視覺特徵的表達機制，以探討多模態學習與多任務融合問題。
    本書可供從事模式識別、機器學習、圖像分析等相關領域工作的研究人員參考。
作者介紹
羅會蘭|責編:劉小沛
目錄
第1章  緒論
第2章  用於圖像分類的三流卷積神經網路
  2.1  引言
  2.2  用於圖像分類的三流卷積神經網路模型
    2.2.1  模型結構
    2.2.2  特徵提取學習方法
    2.2.3  分類器融合方法
  2.3  實驗與分析
    2.3.1  實驗數據集
    2.3.2  實驗設置
    2.3.3  實驗結果
  2.4  本章小結
第3章  淺層特徵融合與語義信息增強的目標檢測模型
  3.1  引言
  3.2  基於淺層特徵融合和語義信息增強的目標檢測方法
    3.2.1  淺層特徵增強模塊
    3.2.2  特徵融合模塊
    3.2.3  上下文信息增強模塊
    3.2.4  感受野增強模塊
    3.2.5  損失函數
  3.3  實驗數據集及參數配置
    3.3.1  實驗數據集
    3.3.2  評估標準
    3.3.3  實驗設置
  3.4  實驗結果及分析
    3.4.1  PASCALVOC2007的檢測結果
    3.4.2  MSCOCO2017的檢測結果
    3.4.3  上下文信息增強模塊的可視化
    3.4.4  測試結果的比較
    3.4.5  消融實驗
    3.4.6  效率分析
  3.5  本章小結
第4章  用於交通標誌檢測的多維特徵交互學習
  4.1  引言
  4.2  相關工作
    4.2.1  小目標檢測
    4.2.2  注意力機制
    4.2.3  自注意力機制
  4.3  方法
    4.3.1  VisioSignNet概述
    4.3.2  LGIM模塊
    4.3.3  ECSI模塊
    4.3.4  損失函數
  4.4  實驗結果與分析
    4.4.1  數據集與評估指標
    4.4.2  VisioSignNet在TT100K數據集上與先進演算法的比較
    4.4.3  VisioSignNet在GTSDB數據集上與先進演算法的比較
    4.4.4  消融實驗
  4.5  本章小結
第5章  基於上下文和淺層空間編解碼網路的圖像語義分割方法

  5.1  引言
  5.2  相關工作
  5.3  本書所提出的方法
    5.3.1  網路結構概述
    5.3.2  混合擴張卷積模塊
    5.3.3  殘差金字塔特徵提取模塊
    5.3.4  鏈式反置殘差模塊
    5.3.5  殘差循環卷積模塊
  5.4  實驗
    5.4.1  實驗設置
    5.4.2  CamVid數據集上的結果
    5.4.3  SUNRGB-D數據集上的結果
    5.4.4  Cityscapes數據集上的結果
    5.4.5  消融實驗
  5.5  本章小結
第6章  用於骨架動作識別的多維動態拓撲圖卷積網路
  6.1  引言
  6.2  方法
    6.2.1  圖卷積網路
    6.2.2  動態圖計算
    6.2.3  MD2TL-GCN概述
    6.2.4  純粹節點拓撲結構學習圖卷積
    6.2.5  動態時序特異性拓撲學習圖卷積
    6.2.6  通道特異性拓撲學習圖卷積
    6.2.7  多尺度時間維卷積模塊MS-TC
    6.2.8  多流MD2TL-GCN
  6.3  實驗
    6.3.1  數據集與實驗設置
    6.3.2  消融實驗
    6.3.3  多流融合模型
    6.3.4  與其他先進骨架動作識別演算法的比較
  6.4  結論
第7章  特徵採樣運動信息增強的動作識別方法
  7.1  引言
  7.2  方法
    7.2.1  LGMeNet網路結構
    7.2.2  MFS採樣模塊
    7.2.3  LME模塊
    7.2.4  GME模塊
  7.3  實驗
    7.3.1  數據集
    7.3.2  實現細節
    7.3.3  消融實驗
    7.3.4  與其他先進方法的比較
  7.4  本章小結
第8章  注意力-邊緣交互的光學遙感圖像顯著性目標檢測
  8.1  引言
  8.2  相關工作
    8.2.1  語義增強網路
    8.2.2  邊緣輔助網路

    8.2.3  語義-邊緣輔助網路
  8.3  方法
    8.3.1  多尺度注意力交互模塊
    8.3.2  語義指導的融合模塊
    8.3.3  損失函數
  8.4  實驗
    8.4.1  實驗設置
    8.4.2  實驗結果及分析
    8.4.3  消融實驗
  8.5  討論
  8.6  本章小結
第9章  用於密集預測任務的分層多任務學習網路
  9.1  引言
  9.2  相關工作
    9.2.1  多尺度特徵融合
    9.2.2  多任務信息交互
  9.3  提出的方法
    9.3.1  HirMTL概述
    9.3.2  特徵傳播和連接模塊
    9.3.3  任務自適應多尺度特徵融合模塊
    9.3.4  MFF模塊
    9.3.5  非對稱信息對比模塊
    9.3.6  多任務學習損失函數
  9.4  實驗
    9.4.1  實驗設置
    9.4.2  與其他先進演算法的比較
    9.4.3  不同任務依賴關係的研究
    9.4.4  消融實驗
  9.5  本章小結

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032