CN111027626A - 基于可变形卷积网络的流场识别方法 - Google Patents
基于可变形卷积网络的流场识别方法 Download PDFInfo
- Publication number
- CN111027626A CN111027626A CN201911263125.2A CN201911263125A CN111027626A CN 111027626 A CN111027626 A CN 111027626A CN 201911263125 A CN201911263125 A CN 201911263125A CN 111027626 A CN111027626 A CN 111027626A
- Authority
- CN
- China
- Prior art keywords
- convolution
- network
- flow field
- training
- field identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于可变形卷积网络的流场识别方法,所述通过已有数据集对预训练网络进行预训练;将预训练网络的全连接层更换成卷积层,通过迁移学习思想,将预训练后获得的权重参数迁移到流场识别模型中;通过所述流场识别模型对图像进行逐像素分类实现流场识别。本发明首先,利用预训练网络对已有数据集进行图像深层特征提取,并不断迭代学习,自动调整网络参数;其次,将预训练网络的全连接层更换成卷积层,并利用迁移学习思想,将预训练得到的权重参数迁移到识别模型中;最后,在网络中引入可变形卷积提取图像特征,并通过密集预测对图像进行逐像素分类,实现流场识别。
Description
技术领域
本发明属于流场识别领域,具体涉及一种基于可变形卷积网络的流场识别方法。
背景技术
流场数据是记录流体质点运动情况的数据,描述的是流体运动的空间分布。其中速度、压强、温度等物理量可能发生变化,比如空间下某个地方由于速度、压强变化而发生畸变,易形成例如涡流等复杂且具有不规则形状的特征结构,而这些特征结构是研究人员所关注的重点信息,在空气动力学、流场观测、火焰燃烧以及风洞实验等研究领域发挥着重要作用,例如可基于空气动力学(流体力学的分支)原理进行飞行器的飞行模拟计算,以替代部分风洞试验和飞行试验,降低研究和实验成本。
在科学技术不断发展的现在,产生的流场数据的复杂度越来越高,对于流场数据的计算精度不断提高,相应的对这些流场数据的分析和处理操作也越来越复杂,为流场数据特征结构的提取带来巨大的挑战。因此对流场数据进行探索与研究,具有非常重要的现实意义。
发明内容
有鉴于此,本发明的主要目的在于提供一种基于可变形卷积网络的流场识别方法。
为达到上述目的,本发明的技术方案是这样实现的:
本发明实施例提供一种基于可变形卷积网络的流场识别方法,该方法为:
所述通过已有数据集对预训练网络进行预训练;
将预训练网络的全连接层更换成卷积层,通过迁移学习思想,将预训练后获得的权重参数迁移到流场识别模型中;
通过所述流场识别模型对图像进行逐像素分类实现流场识别。
上述方案中,所述通过已有数据集对预训练网络进行预训练,具体为:通过预训练网络对已有数据集进行图像深层特征提取,并不断迭代学习,自动调整网络参数;即,以卷积网络作为预训练模型,在已有数据集上进行训练,通过正向传播提取图像多层次特征,通过反向传播实现迭代学习与调整参数。
上述方案中,所述通过已有数据集对预训练网络进行预训练,具体为:在正向传播过程中,将图片输入预训练网络,经过网络的卷积层和池化层,分别进行卷积与最大池化操作,分别与大小为3×3的卷积核、以步长为1进行卷积,与大小为2×2的卷积核、以步长为2进行最大池化,通过卷积与池化操作提取不同层次的图像特征,浅层卷积网络提取的是图像的浅层细节特征,随着网络的加深,卷积层获得图像的深度特征图,提取了深层语义信息;在反向传播过程中,通过梯度下降法,即对参数求偏导更新权重参数,并反向将参数回传,实现不断迭代学习,自动调整网络参数。
上述方案中,所述将预训练网络的全连接层更换成卷积层,通过迁移学习思想,将预训练后获得的权重参数迁移到流场识别模型中,具体为:假设卷积网络最后一层卷积结束后得到n×n的深层特征图,通过x个n×n的卷积核、以步长为1进行卷积,得到1×x的一维向量,表示x个类别的概率;而在全卷积网络中,前面的卷积操作不变,将最后的全连接层转换为x个卷积核大小为(1,1)的卷积层;通过迁移学习思想,将预训练模型的网络参数与微调后的全卷积网络迁移至流场识别模型中,进一步训练。
上述方案中,所述通过所述流场识别模型对图像进行逐像素分类实现流场识别,具体为:通过可变形卷积提取图像特征,通过密集预测对提取的图像特征进行逐像素分类,实现流场识别。
上述方案中,所述通过可变形卷积提取图像特征,具体为:规则的二维卷积使用规则网格Gg在输入特征图上进行采样,并采用双线性差值法W对采样值总和进行加权,网格Gg定义了感受野大小;而可变形卷积使用位移{ΔPn|n=1,...,Ng}增强网格Gg,表示可变形卷积在不规则且位移像素位置Pn+ΔPn上进行采样,其中Ng=|Gg|,即可变形卷积与规则卷积的网格数相同,对于输出特征图I的每个像素点位置P0可用式(1)表示:
其中,x表示输入的特征图,Pn是Gg中位置枚举;
其中,P=P0+Pn+ΔPn,表示可变形卷积对特征图做卷积操作的像素点位置,即Gg中位置枚举,q表示输入特征图的所有像素点位置,W(Pn)=D(q,P)是二维的双线性插值核函数,可分成两个一维核函数,如
D(q,P)=D1(qx,Px)·D1(qy,Py) (3)
其中,D1(a,b)=max(0,1-|a-b|),即D(q,P)=max(0,1-|qx-Px|)·max(0,1-|qy-Py|);根据双线性差值逐层计算特征图提取图像特征。
上述方案中,所述通过密集预测对提取的图像特征进行逐像素分类,实现流场识别,具体为:在正向传播时,通过可变性卷积网络得到特征图,并经过softmax层在输出端得到每个像素点的预测值,即密集预测,其显示了每个像素的所属类别;在反向传播时,通过梯度下降调整参数值降低损失函数,修正密集预测结果,最终实现流场识别。
上述方案中,所述通过密集预测对提取的图像特征进行逐像素分类,实现流场识别,具体为:假设可变形卷积网络最后一层得到d个h×w大小特征图,其中h和w是空间维度,即图像的长宽分别为h和w个像素,每个像素点xij处的值为Ix,按式(4)计算每幅特征图的各个像素点的概率值,得到密集预测结果:
其中,Ix表示特征图的每个像素点值,I'x表示密集预测,即各像素点的预测概率值,若网络识别出该像素点属于流场,则概率值越接近1,反之越接近0,并根据式(5)计算损失函数:
其中,yx表示实际的概率值,I'x表示预测的概率值,损失函数越小,表明密集预测对真实结果的拟合程度越好,因此通过梯度下降进行反向传播,即对式(5)中参数求偏导的方式调整权重参数以降低损失函数值,并将参数回传,以迭代训练,修正密集预测结果,最终实现流场识别。
与现有技术相比,本发明首先,利用预训练网络对已有数据集进行图像深层特征提取,并不断迭代学习,自动调整网络参数;其次,将预训练网络的全连接层更换成卷积层,并利用迁移学习思想,将预训练得到的权重参数迁移到识别模型中;最后,在网络中引入可变形卷积提取图像特征,并通过密集预测对图像进行逐像素分类,实现流场识别。
附图说明
图1为本发明的流程图;
图2为本发明的基于可变形卷积网络结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种基于可变形卷积网络的流场识别方法,如图1所示,该方法具体通过以下步骤实现:
步骤101:所述通过已有数据集对预训练网络进行预训练;
具体地,以卷积网络作为预训练模型,在已有数据集上进行训练,通过正向传播提取图像多层次特征,通过反向传播实现迭代学习与调整参数。
通过预训练网络对已有数据集进行图像深层特征提取,并不断迭代学习,自动调整网络参数;即,以卷积网络作为预训练模型,在已有数据集上进行训练,通过正向传播提取图像多层次特征,通过反向传播实现迭代学习与调整参数。
在正向传播过程中,将图片输入预训练网络,经过网络的卷积层和池化层,分别进行卷积与最大池化操作,分别与大小为3×3的卷积核、以步长为1进行卷积,与大小为2×2的卷积核、以步长为2进行最大池化,通过卷积与池化操作提取不同层次的图像特征,浅层卷积网络提取的是图像的浅层细节特征,随着网络的加深,卷积层获得图像的深度特征图,提取了深层语义信息;在反向传播过程中,通过梯度下降法,即对参数求偏导更新权重参数,并反向将参数回传,实现不断迭代学习,自动调整网络参数。
步骤102:将预训练网络的全连接层更换成卷积层,通过迁移学习思想,将预训练后获得的权重参数迁移到流场识别模型中;
具体地,卷积神经网络中前面是卷积层,后面连接维度不同的全连接层,使得最后输出一个一维向量,而全卷积网络保留卷积网络中的卷积层,将后端的全连接层也改为卷积层。
假设卷积网络最后一层卷积结束后得到n×n的深层特征图,通过x个n×n的卷积核、以步长为1进行卷积,得到1×x的一维向量,表示x个类别的概率;而在全卷积网络中,前面的卷积操作不变,将最后的全连接层转换为x个卷积核大小为(1,1)的卷积层;通过迁移学习思想,将预训练模型的网络参数与微调后的全卷积网络迁移至流体识别模型中,进一步训练。
步骤103:通过所述流场识别模型对图像进行逐像素分类实现流场识别。
具体地,通过可变形卷积提取图像特征,通过密集预测对提取的图像特征进行逐像素分类,实现流场识别。
通过在每个卷积核的采样点位置增加一个偏移变量,通过该变量实现在当前位置附近随意采样,使之不局限于之前的规则格点,让网络可以适应目标的几何形变。
规则的二维卷积使用规则网格Gg在输入特征图上进行采样,并采用双线性差值法W对采样值总和进行加权,网格Gg定义了感受野大小;而可变形卷积使用位移{ΔPn|n=1,...,Ng}增强网格Gg,表示可变形卷积在不规则且位移像素位置Pn+ΔPn上进行采样,其中Ng=|Gg|,即可变形卷积与规则卷积的网格数相同,对于输出特征图I的每个像素点位置P0可用式(1)表示:
其中,x表示输入的特征图,Pn是Gg中位置枚举;
其中,P=P0+Pn+ΔPn,表示可变形卷积对特征图做卷积操作的像素点位置,即Gg中位置枚举,q表示输入特征图的所有像素点位置,W(Pn)=D(q,P)是二维的双线性插值核函数,可分成两个一维核函数,如
D(q,P)=D1(qx,Px)·D1(qy,Py) (3)
其中,D1(a,b)=max(0,1-|a-b|),即D(q,P)=max(0,1-|qx-Px|)·max(0,1-|qy-Py|);根据双线性差值逐层计算特征图提取图像特征。
在正向传播时,通过可变性卷积网络得到特征图,并经过softmax层在输出端得到每个像素点的预测值,即密集预测,其显示了每个像素的所属类别;在反向传播时,通过梯度下降调整参数值降低损失函数,修正密集预测结果,最终实现流场识别。
假设可变形卷积网络最后一层得到d个h×w大小特征图,其中h和w是空间维度,即图像的长宽分别为h和w个像素,每个像素点xij处的值为Ix,按式(4)计算每幅特征图的各个像素点的概率值,得到密集预测结果:
其中,Ix表示特征图的每个像素点值,I'x表示密集预测,即各像素点的预测概率值,若网络识别出该像素点属于流场,则概率值越接近1,反之越接近0,并根据式(5)计算损失函数:
其中,yx表示实际的概率值,I'x表示预测的概率值,损失函数越小,表明密集预测对真实结果的拟合程度越好,因此通过梯度下降进行反向传播,即对式(5)中参数求偏导的方式调整权重参数以降低损失函数值,并将参数回传,以迭代训练,修正密集预测结果,最终实现流场识别。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (8)
1.一种基于可变形卷积网络的流场识别方法,其特征在于,该方法为:
所述通过已有数据集对预训练网络进行预训练;
将预训练网络的全连接层更换成卷积层,通过迁移学习思想,将预训练后获得的权重参数迁移到流场识别模型中;
通过所述流场识别模型对图像进行逐像素分类实现流场识别。
2.根据权利要求1所述的基于可变形卷积网络的流场识别方法,其特征在于,所述通过已有数据集对预训练网络进行预训练,具体为:通过预训练网络对已有数据集进行图像深层特征提取,并不断迭代学习,自动调整网络参数;即,以卷积网络作为预训练模型,在已有数据集上进行训练,通过正向传播提取图像多层次特征,通过反向传播实现迭代学习与调整参数。
3.根据权利要求3所述的基于可变形卷积网络的流场识别方法,其特征在于,所述通过已有数据集对预训练网络进行预训练,具体为:在正向传播过程中,将图片输入预训练网络,经过网络的卷积层和池化层,分别进行卷积与最大池化操作,分别与大小为3×3的卷积核、以步长为1进行卷积,与大小为2×2的卷积核、以步长为2进行最大池化,通过卷积与池化操作提取不同层次的图像特征,浅层卷积网络提取的是图像的浅层细节特征,随着网络的加深,卷积层获得图像的深度特征图,提取了深层语义信息;在反向传播过程中,通过梯度下降法,即对参数求偏导更新权重参数,并反向将参数回传,实现不断迭代学习,自动调整网络参数。
4.根据权利要求1-3任意一项所述的基于可变形卷积网络的流场识别方法,其特征在于,所述将预训练网络的全连接层更换成卷积层,通过迁移学习思想,将预训练后获得的权重参数迁移到流场识别模型中,具体为:假设卷积网络最后一层卷积结束后得到n×n的深层特征图,通过x个n×n的卷积核、以步长为1进行卷积,得到1×x的一维向量,表示x个类别的概率;而在全卷积网络中,前面的卷积操作不变,将最后的全连接层转换为x个卷积核大小为(1,1)的卷积层;通过迁移学习思想,将预训练模型的网络参数与微调后的全卷积网络迁移至流场识别模型中,进一步训练。
5.根据权利要求4所述的基于可变形卷积网络的流场识别方法,其特征在于,所述通过所述流场识别模型对图像进行逐像素分类实现流场识别,具体为:通过可变形卷积提取图像特征,通过密集预测对提取的图像特征进行逐像素分类,实现流场识别。
6.根据权利要求5所述的基于可变形卷积网络的流场识别方法,其特征在于,所述通过可变形卷积提取图像特征,具体为:规则的二维卷积使用规则网格Gg在输入特征图上进行采样,并采用双线性差值法W对采样值总和进行加权,网格Gg定义了感受野大小;而可变形卷积使用位移{ΔPn|n=1,...,Ng}增强网格Gg,表示可变形卷积在不规则且位移像素位置Pn+ΔPn上进行采样,其中Ng=|Gg|,即可变形卷积与规则卷积的网格数相同,对于输出特征图I的每个像素点位置P0可用式(1)表示:
其中,x表示输入的特征图,Pn是Gg中位置枚举;
其中,P=P0+Pn+ΔPn,表示可变形卷积对特征图做卷积操作的像素点位置,即Gg中位置枚举,q表示输入特征图的所有像素点位置,W(Pn)=D(q,P)是二维的双线性插值核函数,可分成两个一维核函数,如
D(q,P)=D1(qx,Px)·D1(qy,Py) (3)
其中,D1(a,b)=max(0,1-|a-b|),即D(q,P)=max(0,1-|qx-Px|)·max(0,1-|qy-Py|);根据双线性差值逐层计算特征图提取图像特征。
7.根据权利要求6所述的基于可变形卷积网络的流场识别方法,其特征在于,所述通过密集预测对提取的图像特征进行逐像素分类,实现流场识别,具体为:在正向传播时,通过可变性卷积网络得到特征图,并经过softmax层在输出端得到每个像素点的预测值,即密集预测,其显示了每个像素的所属类别;在反向传播时,通过梯度下降调整参数值降低损失函数,修正密集预测结果,最终实现流场识别。
8.根据权利要求7所述的基于可变形卷积网络的流场识别方法,其特征在于,所述通过密集预测对提取的图像特征进行逐像素分类,实现流场识别,具体为:假设可变形卷积网络最后一层得到d个h×w大小特征图,其中h和w是空间维度,即图像的长宽分别为h和w个像素,每个像素点xij处的值为Ix,按式(4)计算每幅特征图的各个像素点的概率值,得到密集预测结果:
其中,Ix表示特征图的每个像素点值,I'x表示密集预测,即各像素点的预测概率值,若网络识别出该像素点属于流场,则概率值越接近1,反之越接近0,并根据式(5)计算损失函数:
其中,yx表示实际的概率值,I'x表示预测的概率值,损失函数越小,表明密集预测对真实结果的拟合程度越好,因此通过梯度下降进行反向传播,即对式(5)中参数求偏导的方式调整权重参数以降低损失函数值,并将参数回传,以迭代训练,修正密集预测结果,最终实现流场识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911263125.2A CN111027626B (zh) | 2019-12-11 | 基于可变形卷积网络的流场识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911263125.2A CN111027626B (zh) | 2019-12-11 | 基于可变形卷积网络的流场识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111027626A true CN111027626A (zh) | 2020-04-17 |
CN111027626B CN111027626B (zh) | 2023-04-07 |
Family
ID=
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111524358A (zh) * | 2020-05-22 | 2020-08-11 | 云南大学 | 一种区域辐射性交通流量预测方法 |
CN112487996A (zh) * | 2020-12-02 | 2021-03-12 | 重庆邮电大学 | 基于DenseNet121网络的驾驶行为识别方法 |
CN112949770A (zh) * | 2021-04-08 | 2021-06-11 | 深圳市医诺智能科技发展有限公司 | 一种医学图像的识别与分类的方法及终端 |
CN113139577A (zh) * | 2021-03-22 | 2021-07-20 | 广东省科学院智能制造研究所 | 一种基于可变形卷积网络的深度学习图像分类方法及系统 |
CN113421194A (zh) * | 2021-06-04 | 2021-09-21 | 贵州省地质矿产勘查开发局 | 一种根据布格重力异常图像提取隐伏断层的方法 |
CN113822201A (zh) * | 2021-09-24 | 2021-12-21 | 大连海事大学 | 基于流场速度分量时程的水下物体外形识别的深度学习方法 |
WO2021253666A1 (zh) * | 2020-06-19 | 2021-12-23 | 广东浪潮智慧计算技术有限公司 | 一种流场数据可视化方法、装置、设备及存储介质 |
CN114140699A (zh) * | 2021-11-25 | 2022-03-04 | 苏州大学 | 基于在线局部Fisher矢量机的SAR图像目标识别方法及系统 |
WO2022151154A1 (zh) * | 2021-01-14 | 2022-07-21 | 大连理工大学 | 一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法 |
CN115311530A (zh) * | 2022-07-15 | 2022-11-08 | 哈尔滨工业大学 | 一种基于深度卷积自编码器的流场特征提取方法 |
CN115455838A (zh) * | 2022-09-26 | 2022-12-09 | 大连海事大学 | 一种面向时程数据的高空间分辨率流场重构方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111524358A (zh) * | 2020-05-22 | 2020-08-11 | 云南大学 | 一种区域辐射性交通流量预测方法 |
WO2021253666A1 (zh) * | 2020-06-19 | 2021-12-23 | 广东浪潮智慧计算技术有限公司 | 一种流场数据可视化方法、装置、设备及存储介质 |
CN112487996A (zh) * | 2020-12-02 | 2021-03-12 | 重庆邮电大学 | 基于DenseNet121网络的驾驶行为识别方法 |
WO2022151154A1 (zh) * | 2021-01-14 | 2022-07-21 | 大连理工大学 | 一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法 |
CN113139577A (zh) * | 2021-03-22 | 2021-07-20 | 广东省科学院智能制造研究所 | 一种基于可变形卷积网络的深度学习图像分类方法及系统 |
CN113139577B (zh) * | 2021-03-22 | 2024-02-23 | 广东省科学院智能制造研究所 | 一种基于可变形卷积网络的深度学习图像分类方法及系统 |
CN112949770A (zh) * | 2021-04-08 | 2021-06-11 | 深圳市医诺智能科技发展有限公司 | 一种医学图像的识别与分类的方法及终端 |
CN112949770B (zh) * | 2021-04-08 | 2023-12-26 | 深圳市医诺智能科技发展有限公司 | 一种医学图像的识别与分类的方法及终端 |
CN113421194A (zh) * | 2021-06-04 | 2021-09-21 | 贵州省地质矿产勘查开发局 | 一种根据布格重力异常图像提取隐伏断层的方法 |
CN113822201B (zh) * | 2021-09-24 | 2023-01-06 | 大连海事大学 | 基于流场速度分量时程的水下物体外形识别的深度学习方法 |
CN113822201A (zh) * | 2021-09-24 | 2021-12-21 | 大连海事大学 | 基于流场速度分量时程的水下物体外形识别的深度学习方法 |
CN114140699A (zh) * | 2021-11-25 | 2022-03-04 | 苏州大学 | 基于在线局部Fisher矢量机的SAR图像目标识别方法及系统 |
CN115311530A (zh) * | 2022-07-15 | 2022-11-08 | 哈尔滨工业大学 | 一种基于深度卷积自编码器的流场特征提取方法 |
CN115311530B (zh) * | 2022-07-15 | 2023-08-29 | 哈尔滨工业大学 | 一种基于深度卷积自编码器的流场特征提取方法 |
CN115455838A (zh) * | 2022-09-26 | 2022-12-09 | 大连海事大学 | 一种面向时程数据的高空间分辨率流场重构方法 |
CN115455838B (zh) * | 2022-09-26 | 2023-09-01 | 大连海事大学 | 一种面向时程数据的高空间分辨率流场重构方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210551B (zh) | 一种基于自适应主体敏感的视觉目标跟踪方法 | |
CN112766199B (zh) | 基于自适应多尺度特征提取模型的高光谱图像分类方法 | |
CN108711141B (zh) | 利用改进的生成式对抗网络的运动模糊图像盲复原方法 | |
CN109934282B (zh) | 一种基于sagan样本扩充和辅助信息的sar目标分类方法 | |
CN107092870B (zh) | 一种高分辨率影像语义信息提取方法 | |
CN111666836A (zh) | M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法 | |
CN109029363A (zh) | 一种基于深度学习的目标测距方法 | |
CN112446381B (zh) | 一种利用全卷积网络驱动的基于测地线活动轮廓的混合语义分割方法 | |
CN106228185A (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
CN110334584B (zh) | 一种基于区域全卷积网络的手势识别方法 | |
CN104794455B (zh) | 一种东巴象形文字识别方法 | |
CN111861906A (zh) | 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 | |
CN110097047B (zh) | 一种基于深度学习采用单线激光雷达的车辆检测方法 | |
CN113298032A (zh) | 基于深度学习的无人机视角图像的车辆目标检测方法 | |
CN113705331B (zh) | 一种基于四元特征金字塔网络的sar船只检测方法 | |
CN111028238A (zh) | 一种基于机器人视觉的复杂异形曲面三维分割方法及系统 | |
CN111192240B (zh) | 一种基于随机接入记忆的遥感图像目标检测方法 | |
CN113392244A (zh) | 一种基于深度度量学习的三维模型检索方法及系统 | |
CN112036419A (zh) | 一种基于VGG-Attention模型的SAR图像部件解译方法 | |
CN116563682A (zh) | 一种基于深度霍夫网络的注意力方案和条带卷积语义线检测的方法 | |
CN113989672B (zh) | 一种基于平衡学习的sar图像船只检测方法 | |
CN114120359A (zh) | 一种基于堆叠沙漏网络的群养猪体尺测量方法 | |
CN113989612A (zh) | 基于注意力及生成对抗网络的遥感影像目标检测方法 | |
CN111027626B (zh) | 基于可变形卷积网络的流场识别方法 | |
CN106778579A (zh) | 一种基于累计属性的头部姿态估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |