Results 91 to 100 of about 5,573 (153)
基于深度学习的地震事件分类：数据表示方法与模型架构的性能对比研究
Dizhen xuebao深度学习方法在地震事件分类方面具有显著的优势，然而，其中数据表示方法和信噪比对模型性能的影响尚不清楚。本文使用不同信噪比条件下的波形图和频谱图输入来评估四种卷积神经网络架构（ResNet18，VGG16，DenseNet121和Inception V3）的分类性能。结果显示，与波形图相比，使用频谱图输入通常会产生更好的分类性能（F1分数高达0.949 1±0.004 7），但在高信噪比条件下，波形图的分类性能更优（F1分数高达0.974 9±0.014 5），表明数据表示策略应根据信号质量进行调整 ...
Yusheng Zhang +3 more
doaj +1 more source
Research and application progress in deep learning in otology. [PDF]
Zhong Nan Da Xue Xue Bao Yi Xue Ban, 2023 Mao S +5 more
europepmc +1 more source
Shuitu Baochi Xuebao[目的] 水土保持措施类型及其配置模式复杂繁多,准确识别与精细化提取水土保持措施详细配置信息是获取水土保持措施因子值的基础。[方法] 水土保持措施信息获取方式主要有传统的野外调查、卫星遥感影像和无人机近景摄影等,其识别与提取方法主要包括目视解译、传统的机器学习、面向对象分类方法及深度学习模型。通过梳理国内外水土保持措施识别与提取方法的研究成果,总结存在的不足并提出研究展望。[结果] 在语义分割中未来的特征融合与多模态学习、弱监督与半监督学习、集成学习和元学习等均可被运用到水土保持措施提取中。[结论 ...
田培, 任益伶, 陈妍
doaj
大数据在现代计算机视觉和自然语言处理的交叉领域，数字说话人脸生成技术已经成为一个越来越重要的研究主题。数字说话人脸生成技术专注于依据预定的文本或音频序列生成逼真的人脸图像。近年来，深度学习方法，如卷积神经网络、生成对抗性网络以及神经渲染场在此领域已经表现出了显著的应用价值。这些方法不仅引起了学术界的广泛关注，而且在工业界得以实际应用，用于解决图像处理和计算机视觉方面的具体问题。尽管已经取得了一定的进展，实际应用这些方法仍然面临诸多挑战。综合分析和评估深度学习方法在数字说话人脸生成方面的具体实现 ...
张冰源, 张旭龙, 王健宗, 程宁, 肖京
doaj +1 more source
[Review on ultrasonographic diagnosis of thyroid diseases based on deep learning]. [PDF]
Sheng Wu Yi Xue Gong Cheng Xue Za Zhi, 2023 Qi F, Qiu M, Wei G.
europepmc +1 more source
[Advances in heart failure clinical research based on deep learning]. [PDF]
Sheng Wu Yi Xue Gong Cheng Xue Za Zhi, 2023 Lei Y, Liu S, Wu Y, Li C, Liu J.
europepmc +1 more source
[Application of Deep Learning Algorithm in the Grading Assessment of Corneal Fluorescein Staining]. [PDF]
Sichuan Da Xue Xue Bao Yi Xue Ban, 2023 Zhao Y, Zhang X, Yang B, Liu L.
europepmc +1 more source
Zhendong Ceshi yu Zhenduan针对单一传感器数据在复杂工程系统的故障诊断中难以全面获取机械设备的状态信息、且易受工况变化干扰的问题，提出了一种基于卷积神经网络（convolutional neural network，简称CNN）的多模态数据融合轴承故障诊断方法。首先，构建小波滤波器组，对振动信号和声发射信号自适应选择时频变换尺度区间，进行连续小波变换生成时频图样本；其次，搭建深度学习诊断模型，设计多尺度模块、密集耦合模块以及融合与决策模块，提取不同模态数据的故障特征，并引入相似性约束学习联合特征信息；最后 ...
doaj +1 more source
Prediction of pulp exposure risk of carious pulpitis based on deep learning. [PDF]
Hua Xi Kou Qiang Yi Xue Za Zhi, 2023 Wang L, Wu F, Xiao M, Chen YX, Wu L.
europepmc +1 more source
Zhendong Ceshi yu Zhenduan针对深度学习方法未明确学习变量间关系结构、系统异常难以准确检测的问题，提出一种深度图网络驱动的核电系统多级异常检测方法。首先，利用无监督图对比学习方法挖掘系统变量时间序列间相关性，构建与核电系统物理结构匹配的可解释性图结构；其次，基于变分图自编码器重构系统图结构，以重构误差来表征系统运行状态，从系统层面防止非线性突发行为带来的安全性问题；然后，通过半监督图卷积节点分类模型识别系统内部各变量运行状态，实现测点级异常检测；最后，以PCTranACP100仿真机2种基准事故工况数据 ...
doaj +1 more source