Results 11 to 20 of about 2,013 (147)
Dizhen xuebao, 2021 本文以提高地震数据的成像质量为目标，提出一种智能的卷积神经网络降噪框架，从带有噪声的地震数据中自适应地学习地震信号。为了加速网络训练和避免训练时出现梯度消失现象，我们在网络中加入残差学习和批标准化的方法，并采用了ReLU激活函数和Adam优化算法优化网络。此外，Marmousi和F3数据集被用来对网络进行训练和测试，经过充分训练的网络不仅能在学习中保留地震数据特征，而且能去除随机噪声。首先充分地训练网络，从中提取出随机噪声，并保留学习到的地震数据特征，之后通过重建地震数据估算测试集中的波形特征 ...
Tian Chen, Yuanyuan Yi
doaj +1 more source
Nailfold capillaroscopy and deep learning in diabetes 甲襞毛细血管镜检测与深度学习在糖尿病中的应用
Journal of Diabetes, Volume 15, Issue 2, Page 145-151, February 2023., 2023 Highlights Nailfold capillary images were obtained by performing nailfold video capillaroscopy in 120 adult patients with and without diabetes. Over 5000 photographs were analyzed using machine‐learning approaches, and these models were clearly able to distinguish people based on diabetes status.
Reema Shah +6 more
wiley +1 more source
The Photogrammetric Record, Volume 37, Issue 180, Page 385-409, December 2022., 2022 Among all stereo matching methods End‐to‐End (E2E) learning methods show that they can achieve the lowest and most frequent minimum errors, however, their performance drastically changes across different test‐sites, which indicates poor generalisation capabilities.
Hessah Albanwan, Rongjun Qin
wiley +1 more source
基于显著性信息的Fit CutMix数据增强算法在医学影像上的应用
智能科学与技术学报, 2023 深度卷积神经网络是图像分类领域的主流算法之一，但是其训练需要大量标注数据，在阿尔茨海默病医学影像等小数据集上易出现过拟合现象。数据增强算法可以用于扩充数据量，其中 CutMix 数据增强算法近来被广泛应用，但是现有方法生成的增强图像往往忽略原始图像显著区域，且增强图像的标签设计考虑的因素较为单一。针对这些问题，提出Fit CutMix数据增强算法。该算法一是利用基于显著性极值迁移的区域替换策略生成增强样本，集中源样本与目标样本中显著性高的区域；二是综合源样本与目标样本的面积和显著性信息赋予增强样本标签 ...
罗欣欢, 王奕璇, 李炜, 陈曦
doaj +1 more source
Kongjian kexue xuebao, 2023 由于遥感图像具有分辨率高和背景信息复杂的特点，其对目标检测的精确性和鲁棒性要求越来越高，因此遥感图像处理领域逐渐引入了卷积神经网络算法。然而此类算法通常模型复杂且计算量庞大，难以在空间与资源受限的星上平台高效运行。针对这一问题，提出一种基于宇航级现场可编程门阵列（Filed Programmable Gate Array, FPGA）的卷积神经网络硬件加速架构，并选用YOLOv5s作为目标网络，采用输入与输出通道并行展开以及数据流水线控制的策略进行架构设计。实验结果表明 ...
蒋 康宁, 周 海, 卞 春江, 汪 伶
doaj +1 more source
Deep Learning-assisted Accurate Defect Reconstruction Using Ultrasonic Guided Waves:一种基于深度学习的超声导波缺陷重构方法 [PDF]
, 2020 Ultrasonic guided wave technology has played a significant role in the field of nondestructive testing due to its advantages of high propagation efficiency and low energy consumption.
Da, Y. +5 more
core +1 more source
Dizhen xuebao, 2022 利用北京国家观象台的测震记录，探索了样本构建、训练过程、模型结构等因素对远震震相P-S和近震震相Pg-Sg拾取模型性能的影响。结果表明：适中的卷积层深度、正则化和数据清洗能够有效地改善模型性能，而残差块的影响却相对有限。与此同时，基于类模型可视化和平滑GradCAM++的模型解释显示：卷积神经网络复现了震相的关键特征，其决策敏感区域也与震相识别的经验准则一致。最后，连续波形的扫描结果展示了卷积神经网络在远-近地震震相识别的应用前景与提升空间。此外，本文针对模型搭建与训练中存在的问题提出了样本选择 ...
Zhongyin Shen, Qingju Wu
doaj +1 more source
Dizhen xuebao, 2022 为了探索地震加速度时程记录的震级信息，训练卷积神经网络基于地震震级大小对地震记录进行分类，将K-NET和KiK-net中将近12万个地震记录作为样本，对其进行信息筛选和归一化，之后将地震加速度时程记录用作输入，训练卷积神经网络模型以M5.5为分类界限来区分大震和小震。结果显示，在训练集中基于该模型的分类准确率为93.6％，在测试集中的准确率为92.3％，具有良好的分类效果，这表明大震记录与小震记录之间存在一些根本的区别，即可通过地震动加速度时程记录获取一定的震级信息。
Tao Liu, Zhijun Dai, Su Chen, Lei Fu
doaj +1 more source
Guangtongxin yanjiu, 2021 基于卷积神经网络的网络流量分类算法中，为了提高分类准确度，其结构设计日趋复杂，容易出现梯度下滑甚至梯度消失，导致预测准确度不升反降。文章提出了一种基于残差网络的改进流量分类算法，引入残差网络层代替传统卷积神经网络中的卷积层和池化层，不仅缓解了传统卷积网络因层次太深导致难以训练的问题，同时与传统卷积运算相比，所提出的残差网络在训练时学习到的数据特征信息更加全面，训练后的模型也更加准确。仿真结果表明，改进后的算法比常规的神经网络算法表现更佳，分类准确度从92.05%提高到了96.18%。
陆煜斌 +5 more
doaj
Gaoya dianqi, 2021 针对传统基于BP神经网络磁滞模型收敛速度慢、建模过程需要对磁特性的表征参数进行复杂的人工提取等问题,提出了一种基于深层卷积神经网络的电工钢片矢量磁滞特性模拟的方法,该模型将磁通密度的时间序列数据和磁场强度的幅值和相位作为卷积神经网络的训练数据,利用残差模块提高卷积神经网络的收敛速度。改进模型既可以避免传统磁滞模型中繁杂的人工特征提取的过程,也可拓展应用于特征参数不易提取的非正弦激励下磁滞模型的建立。通过对比不同网络结构的磁滞模型,改进的深层卷积网络磁滞模型既能减少迭代次数,又能保证磁滞特性模拟的精细性。
董纪兴 +3 more
doaj