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
- 基于深度学习的航空电子元器件的二次筛选
- 作者： 刘金石 来源： 中国新技术新产品 年份： 2025 文献类型 ： 期刊 关键词： 二次筛选 深度学习 航空电子元器件
- 描述： 基于深度学习的航空电子元器件的二次筛选
- 基于融合级联多尺度特征和注意力的航空发动机试验转子系统故障诊断方法
- 作者： 曾慧 张芹 来源： 机械设计与研究 年份： 2025 文献类型 ： 期刊 关键词： 注意力机制 特征融合 故障诊断 深度学习
- 描述： 基于融合级联多尺度特征和注意力的航空发动机试验转子系统故障诊断方法
- 通航飞机维修文本故障数据的分词方法研究
- 作者： 付尧明 陈余杰 侯宽新 蒋正 来源： 计算机仿真 年份： 2025 文献类型 ： 期刊 关键词： 中文分词 维修数据 通用航空 深度学习
- 描述： 通航飞机维修文本故障数据的分词方法研究
- SAR图像飞机目标检测识别进展
- 作者： 郭倩 王海鹏 徐丰 来源： 雷达学报 年份： 2020 文献类型 ： 期刊 关键词： 飞机识别 合成孔径雷达 散射信息 深度学习 飞机检测
- 描述： 的散射机制及面临的技术难点，阐述了SAR飞机目标检测识别的系统流程、技术路线和关键科学问题，对基于传统与基于深度学习两个方面的飞机目标检测识别的研究进展进行了归纳总结，并讨论了各类方法的特点及存在
- 基于深度学习的离场航空器滑行时间预测（英文）
- 作者： 李楠 焦庆宇 朱新华 王少聪 来源： Transactions of Nanjing University of Aeronautics and Astronautics 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络 场面运行 滑行时间 深度学习 航空运输
- 描述： 起飞排序队列和给出准确的撤轮挡时间具有重要的作用。本文提出一种基于时间-空间-环境数据的深度学习模型(Spatio-temporal-environment deep learning model
- 基于编解码网络的航空影像像素级建筑物提取
- 作者： 陈凯强 高鑫 闫梦龙 张跃 孙显 来源： 遥感学报 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络 建筑物提取 深度学习 遥感 航空影像
- 描述： 建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN (Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE (Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。
- 基于编解码网络的航空影像像素级建筑物提取
- 作者： 陈凯强 高鑫 闫梦龙 张跃 孙显 来源： 遥感学报 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络 建筑物提取 深度学习 遥感 航空影像
- 描述： 建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN (Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE (Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。
- 基于编解码网络的航空影像像素级建筑物提取
- 作者： 陈凯强 高鑫 闫梦龙 张跃 孙显 来源： 遥感学报 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络 建筑物提取 深度学习 遥感 航空影像
- 描述： 建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN (Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE (Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。