全部
图书
期刊
学位论文
会议论文
报纸
图片
视频
新闻
关键词
- 面向航空发动机涡轮叶片表面缺陷的Swin-DCUnet分割及评估方法
- 作者： 何振华 刘桂雄 黎文富 来源： 电子测量技术 年份： 2025 文献类型 ： 期刊 关键词： 缺陷评估 语义分割 U 航空发动机涡轮叶片 Net
- 描述： 面向航空发动机涡轮叶片表面缺陷的Swin-DCUnet分割及评估方法
- 面向航空发动机涡轮叶片表面缺陷的Swin-DCUnet分割及评估方法
- 作者： 何振华 刘桂雄 黎文富 来源： 电子测量技术 年份： 2025 文献类型 ： 期刊 关键词： 缺陷评估 语义分割 U 航空发动机涡轮叶片 Net
- 描述： 面向航空发动机涡轮叶片表面缺陷的Swin-DCUnet分割及评估方法
- 基于高分辨率航拍影像和LiDAR数据的建筑物平面轮廓提取
- 作者： 王猛 来源： 广州大学 年份： 2020 文献类型 ： 学位论文 关键词： 残差学习 形态学滤波 建筑物提取 U Net
- 描述： 基于高分辨率航拍影像和LiDAR数据的建筑物平面轮廓提取
- 基于高分辨率航拍影像和LiDAR数据的建筑物平面轮廓提取
- 作者： 王猛 来源： 广州大学 年份： 2020 文献类型 ： 学位论文 关键词： 残差学习 形态学滤波 建筑物提取 U Net
- 描述： 基于高分辨率航拍影像和LiDAR数据的建筑物平面轮廓提取
- 基于深度学习域适应的飞机结冰图像气泡提取方法
- 作者： 赵红梅 彭博 周志宏 易贤 来源： 南京航空航天大学学报 年份： 2024 文献类型 ： 期刊 关键词： 气泡提取 U Attention 图像分割 域适应 动态结冰 Net
- 描述： 针对采用深度学习方法提取结冰显微图像中的气泡需要大量标注数据，但人工标注气泡任务较为困难的问题，提出了一种基于风格迁移网络CycleGAN和图像分割网络Attention U-Net的域适应提取方法。该方法通过程序模拟气泡形态生成的图像为源域，结冰显微图像为目标域，通过CycleGAN将源域图像转为目标域风格，采用风格转换后的源域数据集训练Attention U-Net网络。通过对比实验对无标注结冰图像和少量标注图像两种情况进行验证。实验结果表明，在无标注图像的情况下，可实现无监督的结冰显微图像的气泡提取；在只有少量标注图像的情况下，该方法可实现更精确的气泡提取。
- 基于U-Net的半航空瞬变电磁降噪方法及应用
- 作者： 刘东 冯浩 王用鑫 周小生 姚宇洪 孙怀凤 来源： 煤田地质与勘探 年份： 2025 文献类型 ： 期刊 关键词： 半航空瞬变电磁法 复杂噪声 U 深度学习 Net 降噪
- 描述： 基于U-Net的半航空瞬变电磁降噪方法及应用
- 航空轴承滚珠总成检测方法的研究
- 作者： 宋玉杰 来源： 哈尔滨理工大学 年份： 2022 文献类型 ： 学位论文 关键词： Net+++ RANSAC 航空轴承 语义分割 U 空洞卷积
- 描述： 航空轴承滚珠总成检测方法的研究
- 航空轴承滚珠总成检测方法的研究
- 作者： 宋玉杰 来源： 哈尔滨理工大学 年份： 2022 文献类型 ： 学位论文 关键词： Net+++ RANSAC 航空轴承 语义分割 U 空洞卷积
- 描述： 航空轴承滚珠总成检测方法的研究
- CNN with New Spatial Pyramid Pooling and Advanced Filter-Based Techniques: Revolutionizing Traffic Monitoring via Aerial Images
- 作者： Irfan Javid Rozaida Ghazali Waddah Saeed Tuba Batool Ebrahim Al Wajih 来源： Sustainability 年份： 2023 文献类型 ： 期刊 关键词： semantic Kalman categorization recognition extended vehicle filter pooling U and pyramid segmentation spatial Net
- 描述： The escalation in vehicular traffic, in conjunction with global population growth, has precipitated heightened road congestion, augmented air pollution, and a rise in vehicular accidents. Over the past decade, the global vehicular count has witnessed a substantial surge. In this context, traffic monitoring emerges as a paramount challenge, especially within developing nations. This research introduces an innovative system for vehicle detection and categorization aimed at intelligent traffic monitoring. The system utilizes a convolutional neural network-based U-Net model for the segmentation of aerial images. After segmentation, the outputs are further analyzed for vehicle identification. This vehicle detection utilizes an advanced spatial pyramid pooling (ASPP) mechanism which refines the spatial partitions of the image and captures intricate details, enhancing the accuracy and precision of the detection process. Detected vehicles are then categorized into distinct subcategories. For the effective management and control of high-density traffic flow, the extended Kalman filter (EKF) technique is employed, thereby reducing the reliance on human oversight. In experimental evaluations, our proposed model exhibits exemplary vehicle detection capabilities across the German Aerospace Center (DLR3K) and the Vehicle Detection in Aerial Imagery (VEDAI) datasets. Potential applications of the system encompass vehicle identification in traffic streams, traffic congestion assessment, intersection traffic density analysis, differentiation of vehicle types, and pedestrian pathway determination.