首页>
根据【关键词:卷积神经网络】搜索到相关结果 120 条
-
基于深度卷积神经网络的航空器检测与识别
-
作者:
俞汝劼
杨贞
熊惠霖
来源:
计算机应用
年份:
2017
文献类型 :
期刊
关键词:
卷积神经网络
深度学习
目标检测识别
航空器检测
-
描述:
针对军用机场大尺寸卫星图像中航空器检测识别的具体应用场景,建立了一套实时目标检测识别框架,将深度卷积神经网络应用到大尺寸图像中的航空器目标检测与识别任务中。首先,将目标检测的任务看成空间上独立
-
基于小样本多背景下的飞机图像识别研究
-
作者:
兰天
李博
杨敬宝
来源:
电脑编程技巧与维护
年份:
2021
文献类型 :
期刊
关键词:
HoG特征
卷积神经网络
飞机图像识别
-
描述:
网络进行微调、参数优化,而目前公开的飞机图像数据库十分有限,图像背景差异巨大,因此提出了一种基于小样本、多背景下使用卷积神经网络进行飞机图像识别的方法。
-
基于可变形卷积神经网络的遥感图像飞机目标检测
-
作者:
李明阳
胡显
雷宏
来源:
国外电子测量技术
年份:
2021
文献类型 :
期刊
关键词:
卷积神经网络
遥感影像
可变形卷积
飞机检测
-
描述:
遥感图像中的飞机检测在民用和军事应用中都是一个重要且富有挑战性的任务。针对现有目标检测算法在复杂场景中旋转不变性差的问题,提出了一种多尺度可变形卷积神经网络用以检测飞机目标。该方法通过将可变形卷积
-
基于可变形卷积神经网络的遥感图像飞机目标检测
-
作者:
李明阳
胡显
雷宏
来源:
国外电子测量技术
年份:
2021
文献类型 :
期刊
关键词:
卷积神经网络
遥感影像
可变形卷积
飞机检测
-
描述:
遥感图像中的飞机检测在民用和军事应用中都是一个重要且富有挑战性的任务。针对现有目标检测算法在复杂场景中旋转不变性差的问题,提出了一种多尺度可变形卷积神经网络用以检测飞机目标。该方法通过将可变形卷积
-
基于优化CNN的航空液压管路卡箍故障诊断
-
作者:
窦金鑫
薛政坤
于晓光
范玉鑫
刘忠鑫
杨同光
来源:
机床与液压
年份:
2021
文献类型 :
期刊
关键词:
液压管路卡箍
卷积神经网络
故障诊断
优化变分模态分解
-
描述:
针对航空发动机液压卡箍-管路系统具有高度复杂性,导致卡箍振动信号存在非线性、非平稳性,从而难以提取出卡箍故障状态有效信息的问题,提出一种基于优化变分模态分解(VMD)与卷积神经网络(CNN)的卡箍
-
基于维修日志的飞机设备故障原因判别方法
-
作者:
王锐光
吴际
刘超
杨海燕
来源:
软件学报
年份:
2019
文献类型 :
期刊
关键词:
维修日志
卷积神经网络
故障诊断
随机森林
-
描述:
的故障诊断基本过程;其次,在传统的文本特征提取技术的基础上,基于领域内信息,提出一种基于卷积神经网络(convolution neural network,简称CNN)的小样本文本特征提取方法,在样本量较少
-
基于维修日志的飞机设备故障原因判别方法
-
作者:
王锐光
吴际
刘超
杨海燕
来源:
软件学报
年份:
2019
文献类型 :
期刊
关键词:
维修日志
卷积神经网络
故障诊断
随机森林
-
描述:
的故障诊断基本过程;其次,在传统的文本特征提取技术的基础上,基于领域内信息,提出一种基于卷积神经网络(convolution neural network,简称CNN)的小样本文本特征提取方法,在样本量较少
-
基于卷积神经网络迁移学习的飞机目标识别
-
作者:
杨予昊
孙晶明
虞盛康
来源:
现代雷达
年份:
2020
文献类型 :
期刊
关键词:
小样本
卷积神经网络
飞机目标识别
迁移学习
-
描述:
基于卷积神经网络迁移学习的飞机目标识别
-
基于卷积神经网络的航空影像城市建筑物分割
-
作者:
刘蝶
来源:
地理空间信息
年份:
2020
文献类型 :
期刊
关键词:
建筑物
卷积神经网络
DenseNets
上采样
-
描述:
对航空影像城市建筑物的分割方法进行了研究。基于DenseNets的密集连接结构,结合池化下采样和反卷积上采样方法,提出了一种新的图像语义分割方法。实验结果表明,新方法在模型参数大小、训练时间和平均交并比方面均优于Unet。预测图像更直观地体现了新方法的优势,城市建筑物分割得较为完整。
-
基于自适应粒子群优化的不平衡航空客户数据质量优化
-
作者:
姚雨虹
杨小兵
陈欣
来源:
厦门大学学报(自然科学版)
年份:
2020
文献类型 :
期刊
关键词:
自适应粒子群
卷积神经网络
忠诚度预测
随机森林
-
描述:
多数类优化样本子集,使用卷积神经网络(CNN)提取得到的平衡数据集特征,将自动得到的特征向量作为随机森林算法(RF)的输入,构建客户忠诚度预测模型。实验结果表明,本文方法预测性能优于其他预测模型,可以更好地预测客户忠诚度情况。