搜索结果: 1-15 共查到“工学 卷积神经网络”相关记录32条 . 查询时间(0.273 秒)
海洋遥感中卷积神经网络应用—海洋所发表AI海洋学文章（图）
神经网络应用 海洋遥感 观测
2024/1/12
2024年1月4日，中国科学院海洋所李晓峰研究团队详细总结了卷积神经网络架构（CNN）在海洋遥感中的应用，研究成果在IEEE Geoscience and Remote Sensing Magazine（影响因子13.925）发表。过去40年里，遥感技术的不断发展极大地推动了海洋观测的进展，使海洋数据进入了大数据时代。高效、准确地处理和分析海洋大数据，以解决基于这些数据的实际问题，已成为一项重大挑...
由于点云的非结构性和无序性,目前已有的点云分类网络在精度上仍然需要进一步提高.通过考虑局部结构的构建、全局特征聚合和损失函数改进三个方面,构造一个有效的点云分类网络.首先,针对点云的非结构性,通过学习中心点特征与近邻点特征之间的关系,为不规则的近邻点分配不同的权重,以此构建局部结构;然后,使用注意力思想,提出加权平均池化(Weighted average pooling,WAP),通过自注意力方式...
针对矿井电网消弧线圈接地系统单相接地故障选线方法准确率和可靠性不高的问题,提出基于卷积神经网络多判据融合的选线方法。主要分析了深度学习模型——卷积神经网络的结构与原理,通过快速傅里叶变换和小波变换从故障信息中提取5次谐波分量、小波分析模极大值、衰减直流分量和高频暂态分量作为原始输入数据,并利用改进LeNet-5模型强大的学习能力和泛化能力对其进行融合。基于Matlab软件搭建井下电网仿真模型,结果...
随着未来空间大型工程的陆续实施，迫切需要智能化的方法和技术实现航天活动的自主规划、自主控制、自主故障检测和处理等，为航天系统小型化、轻量化、智能化、低功耗需求提供技术支撑。卷积神经网络作为人工智能模型中最重要的经典结构，具有局部连接、权值共享、空间或时间上的下采样等优势，是我国天基遥感数据精准获取、在轨海量数据快速处理与应用向更强、更快发展的重要选择。值得注意的是，卷积神经网络FPGA加速器的空间...
中国科学院声学研究所专利：一种基于卷积神经网络的车辆违章停车检测方法
全波形反演（FWI）是一种非线性拟合观测地震记录从而获得高清晰速度模型的最优化算法。FWI能够通过拟合浅层初至波和反射波获得较准确的浅层速度模型。但是，FWI通常无法通过拟合深层反射波获得较准确的深层速度模型（包括背景速度和反射界面信息），因为模型梯度中的反射界面信息（偏移成分）比背景速度信息（层析成像成分）更加显著。因此，FWI主要更新深层反射界面而不是深层背景速度，而背景速度的误差会降低反射界...
科研亮点：基于深度卷积神经网络的地震预警震级估算研究（图）
地震预警震级 地震预警 工程力学研究所
2022/5/25
震级估计是地震预警中的重要工作之一，可靠的预警信息和破坏区域的预测都依赖于准确的震级估计。目前，地震预警震级估计主要采用频率、振幅或能量参数与震级的线性统计关系。然而，单个参数得到的震级估计结果离散性较大。因此，地震预警震级估计的准确性仍需提高。为了改进P波到达后震级估计的准确性，本文使用深度卷积神经网络建立了用于震级估计的模型（DCNN-M模型）。
针对无刷直流电机驱动系统功率开关管故障诊断存在由于特征提取效果差而导致识别准确率低等问题，提出一种基于二维卷积神经网络2D-CNN（two-dimensional convolution neural network）自适应特征提取的故障检测方法，避免人工提取特征的复杂性及不确定性。以相电流作为故障敏感信号进行FFT预处理，并将一维数据转换为矩阵形式作为2D-CNN的输入数据，然后利用Adam优化...
基于卦限卷积神经网络的3D点云分析
深度学习 点云 卦限卷积神经网络 局部几何特征
2024/1/18
基于深度学习的三维点云数据分析技术得到了越来越广泛的关注,然而点云数据的不规则性使得高效提取点云中的局部结构信息仍然是一大研究难点.本文提出了一种能够作用于局部空间邻域的卦限卷积神经网络(Octant convolutional neural network,Octant-CNN),它由卦限卷积模块和下采样模块组成.针对输入点云,卦限卷积模块在每个点的近邻空间中定位8个卦限内的最近邻点,接着通过多...
针对现有的单幅图像去雾问题,提出了一种基于并联卷积神经网络的单幅图像去雾算法,以端对端的方式实现图像去雾.首先,使用雾天RGB图像YUV变换的Y、U和V分量构建并联卷积神经网络,自适应获得雾霾特征;网络结构由两个子网络组成,较深的网络预测清晰图像的亮度通道,较浅的网络预测色度通道和饱和度通道.最后,采用递归双边滤波,对去雾后的图像进行滤波,可以得到更加清晰的无雾图像。
侧扫声呐海底沉船图像识别是水下障碍物核查和失事船只搜救中的一项重要工作。针对传统侧扫声呐图像人工判读存在效率低、耗时长、资源消耗大及主观不确定性强和过分依赖经验等问题，本文尝试引入卷积神经网络的方法，同时考虑到侧扫声呐沉船图像属于小样本数据集，提出一种基于迁移学习的卷积神经网络侧扫声呐沉船图像自动识别方法。通过归一化处理、图像增强等方式扩充样本数据，并以4∶1的比例划分训练集和测试集，同时参照经典...
海底底质分类对于海洋资源开发与利用、海洋科学研究等多方面具有重要意义。目前，多波束探测是实现大范围海底底质分类的有效手段之一，通常基于多波束反向散射强度提取角度响应（AR）特征及反向散射图像特征进行底质分类。由于特征来源较单一，分类器结构简单，往往分类精度不高。为此，本文提出了一种基于深层卷积神经网络（CNN）的多波束海底底质分类方法。除反向散射强度特征外，还利用地形特征，将特征向量转换为波形图，...
针对目前基于机器视觉的机织物密度自动检测时织物检测视野小、精度低、品种适应性差的问题,提出一种基于多尺度卷积神经网络的检测方法。首先设计了一套离线图像采集系统连续采集织物图像,并建立一个包含详细织物参数的织物图像数据集;然后采用一种具有不同大小局部感受野的多尺度卷积神经网络适应不同大小的织物结构特征,定位纱线位置;最后利用霍夫变换及灰度投影方法处理网络模型所预测的纱线位置图,计算织物经纬密度,并对...
在样本数据稀缺的情况下,为快速准确地获取古代汉服的关键尺寸数据,提出一种基于卷积神经网络的汉服尺寸测量方案。首先搭建1个二阶段卷积神经网络模型GlobalNet-RefineNet进行关键点检测,通过2次迁移学习和反复迭代训练提高关键点识别准确率;再利用算法得到坐标点的像素距离,结合博物馆或发掘报告中给出的汉服平铺图和至少1个真实测量尺寸,通过比例映射得到全衣的尺寸数据。以汉服上衣为例进行实验验证...
提出了一种卷积神经网络模型来预测Gd2O3/6061Al中子屏蔽材料的力学性能。以Gd2O3/6061Al中子屏蔽材料的EBSD微观形貌及其相应的拉伸性能作为数据集来训练及验证卷积神经网络模型。结果表明：使用多个显微图像，不需任何人工图像处理，卷积神经网络可得到良好的训练结果，其性能优于传统的测试方法；卷积神经网络捕捉到晶粒的存在和晶粒的一些统计信息；晶粒数目和晶粒大小之间具有很强的相关性。