公共文化服务平台

共 9 条记录，以下是 1-9

全选清除导出

排序方式：

一种基于多级特征的双学习模型目标跟踪方法: 本发明属于模式识别技术领域，尤其涉及一种基于多级特征的双学习模型目标跟踪方法。该方法具体如下：A1、读取目标视频序列，获得第t帧图像中的目标位置；A2、在第t+1帧图像中裁剪出包含有目标位置的候选区域并进行特征提取；A3...; 张建明金晓康李旭东陆朝铨

基于压缩卷积神经网络的交通标志分类算法被引量：12: 2019年; 针对车载计算系统很难满足大型卷积神经网络对计算资源和存储空间需求的问题,提出了一种基于压缩卷积神经网络的交通标志分类算法.首先挑选原始VGG-16和AlexNet在GTSRB数据集上进行分类训练;然后对网络模型进行基于泰勒展开的通道剪枝删除冗余的特征图通道;接着使用三值量化方法对剪枝后的网络模型进行参数量化;最后进行了通道剪枝、参数量化和组合压缩的实验.结果表明:本算法有效地压缩了网络模型,减少了运算次数.最终组合压缩的VGG-16网络模型的存储空间减少一半,参数数量为原始模型的9%,每秒浮点运算次数减少为原始模型的1/5,模型加载速度提升了5倍,测试速度提升了2倍,精度为原始模型的97%.; 张建明王伟陆朝铨李旭东; 关键词：卷积神经网络

基于树莓派的穿戴式智能眼镜系统设计与实现被引量：2: 2016年; 穿戴式技术在国际计算机学术界和工业界一直都备受关注,随着移动互联网的发展和高性能低功耗处理芯片的推出,穿戴式智能设备已经从幻想走进现实,它们的出现将改变现代人的生活方式。只不过由于造价高和技术复杂,很多相关设备仅仅停留在概念层面。本文着眼于结合软硬件系统,实现智能眼镜中树莓派主机系统与交互系统。在设计智能眼镜交互控制系统的过程中,考虑到智能眼镜显示器的局限性,我们采用实体按钮+全屏式图标,实现对智能眼镜的人性化交互控制,很好地扩大智能眼镜的可用性。本文的研究内容主要包括以下两个方面:(1)主机端相应功能的实现。(2)交互驱动的实现。通过外置的按钮来操控使用可视化的系统界面,可以进行拍摄图像、视频播放、图片显示、音乐播放、地图、上网、文本阅读、天气显示等多媒体功能。实现了基于树莓派的穿戴式智能眼镜系统。; 李旭东陆朝铨桂彦张建明

一种自适应相关滤波器目标跟踪方法及系统: 本发明提供一种自适应相关滤波器目标跟踪方法及系统，方法包括：将当前帧图像中的目标图像输入预设神经网络，提取预设神经网络中输入至每一池化层的目标特征；构建目标图像分布的高斯函数，根据每个目标特征中的每个通道的特征图和高斯函...; 张建明金晓康李旭东; 文献传递

池州市农村公路路面典型结构及材料研究: 孙革新陈维平史博郑卫华韦松汪伟陆洲魏建国吴四宝阳志坚阎远超李平侯铁钢丁一飞李旭东黄美燕宋庚水朱宗福; 该项目根据池州市农村公路的功能和任务，将农村公路分为三类，即县通乡公路、乡通乡公路、通村公路（包括乡通乡公路及村通村公路）；对池州市地理环境、材料来源、路基路面结构及病害的调查研究，获得了主要技术指标；通过对池州市农村公...; 关键词：; 关键词：路面结构路面材料农村公路

基于深度卷积网络的实时交通标志检测研究: 近年来，依靠计算机视觉与人工智能等汽车相关技术的发展，自动驾驶技术已经呈现出了接近实用化的趋势。利用前端相机采集的图像进行交通标志、车道线、信号灯的检测与识别是自动驾驶的重要研究内容。交通标志检测属于特定目标的检测，不仅...; 李旭东; 关键词：交通标志检测; 文献传递

一种基于多级特征的双学习模型目标跟踪方法: 本发明属于模式识别技术领域，尤其涉及一种基于多级特征的双学习模型目标跟踪方法。该方法具体如下：A1、读取目标视频序列，获得第t帧图像中的目标位置；A2、在第t+1帧图像中裁剪出包含有目标位置的候选区域并进行特征提取；A3...; 张建明金晓康李旭东陆朝铨; 文献传递

结合中值滤波与稀疏表示的混合去噪算法被引量：3: 2016年; 针对现有去噪算法不能有效去除高斯-椒盐混合噪声的问题,提出一种基于自适应中值滤波与改进稀疏表示的混合去噪算法。采用自适应中值滤波对带噪图像进行初始化,检测并初步抑制脉冲椒盐噪声,利用改进的K奇异值分解字典学习方法与基于回溯自适应的正交匹配追踪稀疏编码方法对处理后的图像进行高斯去噪。实验结果表明,与稀疏非局部正则化加权编码混合去噪算法相比,该算法在混合噪声较大的情况下,具有更高的峰值信噪比和更快的去噪速度。; 张建明李沛李旭东吴宏林; 关键词：自适应中值滤波高斯噪声椒盐噪声

基于三尺度嵌套残差结构的交通标志快速检测算法被引量：17: 2020年; 智能驾驶对交通标志自动检测的实时性及鲁棒性有着极高要求.目标检测中YOLOv3-tiny检测算法是轻量网络,实时性好、但准确率不高.将YOLOv3-tiny检测算法作为基础网络,提出了一种三尺度嵌套残差结构的交通标志快速检测算法.首先,在基础网络上采用逐像素相加的跨层连接,并未增加特征图的通道数,同时网络中形成1个小残差结构.其次,通过同样的跨层连接方式,增加了1层空间分辨率更高的预测输出,使得该尺度输出包含更丰富的空间信息,进而构成大残差结构.最终,将2个残差结构进行嵌套,形成了1个三尺度预测的嵌套残差网络模型,使得Tiny检测算法的部分主网络位于这2个残差结构中,起到3次调参的作用.实验结果表明:提出的算法能够快速鲁棒地检测真实场景中的交通标志.在德国交通标志检测数据集(German traffic sign detection benchmark, GTSDB)上交通标志总F1值为91.77%、检测时间为5 ms;在长沙理工大学中国交通标志检测数据集(CSUST Chinese traffic sign detection benchmark, CCTSDB)上指示、禁令、警告三大类交通标志F1值分别为92.41%,93.91%,92.03%,检测时间为5 ms.; 李旭东张建明谢志鹏王进; 关键词：交通标志检测

全选清除导出

共1页<1>

李旭东