LabVIEW可以實(shí)現(xiàn)深度學(xué)習(xí)嘛，今天我們一起來(lái)看看使用LabVIEW 實(shí)現(xiàn)物體識(shí)別、圖像分割、文字識(shí)別、人臉識(shí)別等深度視覺(jué)
2023-08-11 16:02:21
758 
來(lái)源： 易百納技術(shù)社區(qū)， 作者： 稗子釀的酒 人工智能技術(shù)在圖像識(shí)別領(lǐng)域取得了顯著進(jìn)展，其中基于深度學(xué)習(xí)的圖像分類(lèi)方法在貓狗圖像識(shí)別中表現(xiàn)出色。本文將介紹使用深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)貓狗圖像分類(lèi)的方法，具體
2023-08-15 10:38:301621 
。人臉驗(yàn)證/識(shí)別的難題在于需要進(jìn)行小樣本學(xué)習(xí)。通常情況下，數(shù)據(jù)集中每人只有對(duì)應(yīng)的一張圖像，這稱(chēng)為一次學(xué)習(xí)(one-shot learning)。兩種基本思路 當(dāng)作分類(lèi)問(wèn)題(需要面對(duì)非常多的類(lèi)別數(shù))，或者
2019-07-21 13:00:00
來(lái)源：易百納技術(shù)社區(qū)
基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割與病變識(shí)別隨著人工智能技術(shù)的不斷發(fā)展，其在醫(yī)療領(lǐng)域的應(yīng)用越來(lái)越受到關(guān)注。其中，基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割與病變識(shí)別技術(shù)在臨床診斷、治療規(guī)劃
2023-09-04 11:11:23
目標(biāo)識(shí)別 YOLO 學(xué)習(xí)筆記（一）
2020-05-12 15:05:34
CV：基于深度學(xué)習(xí)實(shí)現(xiàn)目標(biāo)檢測(cè)之GUI界面產(chǎn)品設(shè)計(jì)并實(shí)現(xiàn)圖片識(shí)別、視頻識(shí)別、攝像頭識(shí)別
2018-12-21 10:31:47
各位好！我是一名學(xué)生，先階段在準(zhǔn)備競(jìng)賽，需要RCS目標(biāo)識(shí)別技術(shù)，實(shí)現(xiàn)海上油污檢測(cè)。請(qǐng)問(wèn)有沒(méi)有地方采購(gòu)現(xiàn)成產(chǎn)品，或是自己制作是如何制作，謝謝！或是有其他什么方法可以實(shí)現(xiàn)海上油污檢測(cè)?
2015-01-27 15:50:02
` 本帖最后由 wcl86 于 2021-5-28 19:37 編輯
通過(guò)labview深度學(xué)習(xí)標(biāo)注工具對(duì)樣本進(jìn)行標(biāo)注，兩類(lèi)NG進(jìn)行標(biāo)注，標(biāo)注完成后擴(kuò)展樣本數(shù)量級(jí)，以少量樣本獲得較好的標(biāo)注訓(xùn)練
2021-05-27 22:25:13
傳統(tǒng)的視覺(jué)算法受打光以及圖像的邊緣對(duì)比度影響，無(wú)法做到人眼的分辨效果，而且人具有學(xué)習(xí)能力，經(jīng)過(guò)大量樣本的學(xué)習(xí)，人就可以找到不同物體之間的細(xì)微差別，從而分辨出物體的類(lèi)別。CNN就是模擬人的大腦
2020-07-23 20:33:10
傳統(tǒng)視覺(jué)對(duì)于缺陷檢測(cè)有先天性的不足，當(dāng)缺陷區(qū)域與正常區(qū)域灰度接近，沒(méi)有明確的邊界曲線(xiàn)時(shí)，往往無(wú)法將缺陷檢測(cè)出來(lái)，而深度學(xué)習(xí)就像一個(gè)天然的特征提取器一樣，通過(guò)樣本學(xué)習(xí)，能自適應(yīng)提取出圖像最能體現(xiàn)缺陷
2020-08-16 17:29:24
項(xiàng)目名稱(chēng)：基于本平臺(tái)開(kāi)源圖像識(shí)別與應(yīng)用試用計(jì)劃：申請(qǐng)理由本人有多年的學(xué)習(xí)和開(kāi)發(fā)經(jīng)驗(yàn)，曾參與國(guó)內(nèi)開(kāi)源軟件的開(kāi)發(fā)，對(duì)計(jì)算機(jī)圖像標(biāo)定技術(shù)，圖像識(shí)別，基于標(biāo)識(shí)的跟蹤注冊(cè)技術(shù)有過(guò)深入的學(xué)習(xí)和探索。想借助發(fā)燒友
2020-11-19 09:45:40
項(xiàng)目名稱(chēng)：智能目標(biāo)識(shí)別試用計(jì)劃：通過(guò)攝像頭采集視頻，利用海思芯片進(jìn)行處理和目標(biāo)識(shí)別。計(jì)劃年內(nèi)完成。
2020-11-19 20:46:19
圖像采集，F(xiàn)PGA做圖像處理，主要采取opencv對(duì)圖像進(jìn)行處理，ok210可做平時(shí)擴(kuò)展項(xiàng)目，例如植入APP中，如果cortex-A8足夠強(qiáng)大可考慮換下樹(shù)莓派原理：運(yùn)動(dòng)目標(biāo)識(shí)別；背景減除
2015-08-10 14:13:25
項(xiàng)目名稱(chēng)：圖像目標(biāo)識(shí)別FPGA硬件加速試用計(jì)劃：申請(qǐng)理由 本人供職于一家AI公司，現(xiàn)在在使用FPGA硬件加速相關(guān)目標(biāo)檢測(cè)算法的端側(cè)實(shí)現(xiàn)（鑒黃/司機(jī)行為識(shí)別），公司已經(jīng)有非常成熟的軟件算法以及GPU
2019-01-09 14:51:09
基于嵌入式圖像處理平臺(tái)的實(shí)時(shí)多目標(biāo)識(shí)別算法人工智能技術(shù)與咨詢(xún) 昨天本文來(lái)自《科學(xué)技術(shù)與工程》，作者王旭輝等摘 要提出了一種適用于空間觀測(cè)任務(wù)的實(shí)時(shí)多目標(biāo)識(shí)別算法，它基于DSP和FPGA組合的圖像處理
2021-12-21 07:02:06
什么是深度學(xué)習(xí)為了解釋深度學(xué)習(xí)，有必要了解神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是一種模擬人腦的神經(jīng)元和神經(jīng)網(wǎng)絡(luò)的計(jì)算模型。作為具體示例，讓我們考慮一個(gè)輸入圖像并識(shí)別圖像中對(duì)象類(lèi)別的示例。這個(gè)例子對(duì)應(yīng)機(jī)器學(xué)習(xí)中的分類(lèi)
2023-02-17 16:56:59
到的， 深度學(xué)習(xí)可以搞定。特別是在圖像分類(lèi)， 目標(biāo)檢測(cè)這些問(wèn)題上取得了顯著的提升。下圖是近幾年來(lái)深度學(xué)習(xí)在圖像分類(lèi)問(wèn)題上取得的成績(jī)。之所以提出上面的算法， 是因?yàn)檫@些算法給其他領(lǐng)域提供了很多參考和借鑒意義
2020-08-10 10:38:12
本人新手，之前從未接觸過(guò)圖像處理，現(xiàn)在因?yàn)轫?xiàng)目需要搭建一個(gè)關(guān)于圖像處理和目標(biāo)識(shí)別的MATLAB系統(tǒng)，系統(tǒng)介紹如下： 想要從圖片中將目標(biāo)提取出來(lái)并與模板庫(kù)進(jìn)行匹配對(duì)比，以確定是否為我感興趣的目標(biāo)
2016-07-10 15:05:58
檢測(cè)，檢測(cè)準(zhǔn)確性和檢測(cè)穩(wěn)定性較差、容易誤判。 基于深度學(xué)習(xí)和3D圖像處理的精密加工件外觀缺陷檢測(cè)系統(tǒng)創(chuàng)新性結(jié)合深度學(xué)習(xí)以及3D圖像處理辦法，利用非接觸式三維成像完成精密加工件的外觀缺陷檢測(cè)，解決行業(yè)
2022-03-08 13:59:00
圖像分析軟件。其中硬件負(fù)責(zé)獲取特定條件下的理想圖像，軟件負(fù)責(zé)獲取圖像中的有用信息。基于機(jī)器學(xué)習(xí)的模式識(shí)別系統(tǒng)三、深度學(xué)習(xí)在圖像處理中的應(yīng)用圖像處理技術(shù)包括圖像預(yù)處理和數(shù)據(jù)分析兩部分，圖像預(yù)處理指的是
2018-05-31 09:36:03
本文由回映電子整理分享，歡迎工程老獅們參與學(xué)習(xí)與評(píng)論 毫米波主被動(dòng)復(fù)合探測(cè)系統(tǒng)將毫米波雷達(dá)和輻射計(jì)相結(jié)合，充分利用系統(tǒng)主動(dòng)測(cè)距和目標(biāo)被動(dòng)輻射特性來(lái)完成目標(biāo)識(shí)別及定位，大大改善了毫米波探測(cè)器的性能
2021-12-30 10:36:54
1、基于RT-Thread和N32G457的嵌入式目標(biāo)識(shí)別系統(tǒng)設(shè)計(jì) 本演示示例移植蘇州大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院王宜懷教授團(tuán)隊(duì)的金葫蘆嵌入式人工智能：物體認(rèn)知系統(tǒng)中的代碼在N32G457上實(shí)現(xiàn)?？梢?b class="flag-6" style="color: red">識(shí)別單獨(dú)的英文字母A B C D原作者：tai-he
2022-11-30 11:36:05
。目前,SAR圖像分類(lèi)多是基于單通道圖像數(shù)據(jù)。多通道SAR數(shù)據(jù)極大地豐富了地物目標(biāo)信息量,利用多通道數(shù)據(jù)進(jìn)行分類(lèi),是SAR圖像分類(lèi)的重要發(fā)展方向。本文提出基于多通道分類(lèi)合成的SAR圖像分類(lèi)算法。該算法首先
2010-04-23 11:52:48
嵌入式系統(tǒng)中的目標(biāo)識(shí)別技術(shù)
2021-03-09 08:33:26
怎么實(shí)現(xiàn)基于Z85C30的動(dòng)目標(biāo)識(shí)別系統(tǒng)的串行通信設(shè)計(jì)？
2021-05-31 06:32:52
1、智能車(chē)目標(biāo)識(shí)別系統(tǒng)的實(shí)現(xiàn) 首先，簡(jiǎn)單介紹一下上面提到的各個(gè)話(huà)題的范圍 （Domain），人工智能 （Artifitial Intelligence）是最大的話(huà)題，如果用一張圖來(lái)說(shuō)明的話(huà)
2022-09-06 14:54:26
神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法卷積神經(jīng)網(wǎng)絡(luò)介紹經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)介紹章節(jié)目標(biāo)：深入了解神經(jīng)網(wǎng)絡(luò)的組成、訓(xùn)練和實(shí)現(xiàn)，掌握深度空間特征分布等關(guān)鍵概念，為深度遷移學(xué)習(xí)奠定知識(shí)基礎(chǔ)三、遷移學(xué)習(xí)基礎(chǔ)遷移學(xué)習(xí)緒論基于樣本的遷移學(xué)習(xí)
2022-04-28 18:56:07
和風(fēng)格遷移、人臉識(shí)別、圖像檢索、目標(biāo)跟蹤等。網(wǎng)絡(luò)壓縮(network compression)盡管深度神經(jīng)網(wǎng)絡(luò)取得了優(yōu)異的性能，但巨大的計(jì)算和存儲(chǔ)開(kāi)銷(xiāo)成為其部署在實(shí)際應(yīng)用中的挑戰(zhàn)。有研究表明，神經(jīng)網(wǎng)絡(luò)
2019-06-08 08:00:00
、目標(biāo)檢測(cè)、行人重識(shí)別等任務(wù)中的應(yīng)用，學(xué)習(xí)圖像/視頻風(fēng)格遷移方法，了解風(fēng)格遷移在實(shí)際生活中的應(yīng)用。七、小樣本學(xué)習(xí)、Transformer等前沿方法與應(yīng)用小樣本學(xué)習(xí)概念與基本方法介紹小樣本學(xué)習(xí)
2022-04-21 15:15:11
本文提出一種全新的圖像分割方法——連通線(xiàn)多級(jí)切割方法，并在此基礎(chǔ)上建立圖像NMI特征的目標(biāo)識(shí)別與跟蹤算法。文章給出了運(yùn)用連通線(xiàn)多級(jí)切割方法實(shí)現(xiàn)閾值求取、圖像分割、
2009-07-15 10:36:04
20 介紹了一種有目標(biāo)識(shí)別功能的圖像采集系統(tǒng)，用USB 接口芯片實(shí)現(xiàn)了數(shù)據(jù)的傳輸。闡述了系統(tǒng)的硬件、固件、設(shè)備驅(qū)動(dòng)程序和應(yīng)用軟件的設(shè)計(jì)與實(shí)現(xiàn)方法。詳細(xì)介紹了目標(biāo)識(shí)別算法
2009-08-13 08:42:4514 針對(duì)微型航天探測(cè)器在星空運(yùn)動(dòng)背景下對(duì)目標(biāo)識(shí)別的要求，提出一種基于圖像配準(zhǔn)與邊緣提取的差分算法。該算法將采集的連續(xù)兩幀圖像配準(zhǔn)后差分，將差分圖像二值
2009-08-15 15:10:2115 多極化SAR可以獲得目標(biāo)的極化散射矩陣，極化信息的開(kāi)發(fā)和利用，極大地豐富了目標(biāo)的特征參數(shù)。我們可以利用目標(biāo)散射對(duì)極化敏感的特性，對(duì)目標(biāo)進(jìn)行分類(lèi)和識(shí)別。本文對(duì)極化
2009-09-16 10:21:125 遙感圖像中不同港口的內(nèi)港區(qū)域呈現(xiàn)出不同的形狀，該文提出一種基于內(nèi)港區(qū)域的港口目標(biāo)識(shí)別方法。首先利用直方圖和形態(tài)學(xué)算子分割海域；再利用多邊形近似法提取海岸線(xiàn)上的
2009-11-17 15:22:319 針對(duì)合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)目標(biāo)檢測(cè)與識(shí)別方法對(duì)目標(biāo)方位角敏感的問(wèn)題，該文基于相關(guān)濾波器理論與核特征分析方法，提出一種對(duì)SAR 目標(biāo)方位角具有較強(qiáng)魯棒性的核
2009-11-18 14:29:2011 該文提出了一種基于小波域非負(fù)矩陣分解特征提取的合成孔徑雷達(dá)圖像目標(biāo)識(shí)別方法。該方法對(duì)圖像二維離散小波分解后提取低頻子帶圖像，用非負(fù)矩陣分解對(duì)低頻子帶圖像提取特
2009-11-21 11:58:4821 改進(jìn)分形特征是用指數(shù)小波在一個(gè)尺度上對(duì)檢測(cè)圖像濾波，針對(duì)特定大小目標(biāo)用能量關(guān)系函數(shù)求得各像素點(diǎn)的分形特征。該文研究了利用改進(jìn)分形特征對(duì)SAR圖像進(jìn)行目標(biāo)檢測(cè)的方法
2009-11-25 14:35:4120 SAR 成像的本質(zhì)是相干成像，通過(guò)對(duì)SAR 圖像進(jìn)行相干處理，可以增強(qiáng)目標(biāo)與背景之間的對(duì)比度，從而提高小目標(biāo)的檢測(cè)率。本文提出了一種新的基于SAR 圖像相干性的斑點(diǎn)噪聲濾波
2009-12-07 11:06:4314 正則化方法通過(guò)增加先驗(yàn)信息約束實(shí)現(xiàn)合成孔徑雷達(dá)(SAR)圖像的超分辨和噪聲抑制，為目標(biāo)識(shí)別提供了更高質(zhì)量的圖像信息。該文通過(guò)對(duì)基于lk 范數(shù)的SAR復(fù)圖像域正則化方法迭代過(guò)程
2010-02-10 13:58:4014 利用合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)獲取的目標(biāo)像進(jìn)行識(shí)別時(shí)，基于子空間的自動(dòng)目標(biāo)識(shí)別(Automatic Target Recognition, ATR)方法通常是對(duì)樣本數(shù)據(jù)的值空間進(jìn)行操作。當(dāng)識(shí)別相似目
2010-02-10 14:00:4719 該文提出一種基于目標(biāo)檢測(cè)的SAR 圖像匹配算法。針對(duì)SAR 圖像的特點(diǎn)，該算法先檢測(cè)SAR 圖像的強(qiáng)散射目標(biāo)，接著計(jì)算各強(qiáng)散射目標(biāo)的質(zhì)心，對(duì)主、輔圖像的質(zhì)心點(diǎn)集合進(jìn)行Delaunay 三
2010-04-24 08:49:2023 提出了一種運(yùn)動(dòng)目標(biāo)識(shí)別與跟蹤系統(tǒng)的方案，給出了系統(tǒng)的原理圖和結(jié)構(gòu)框圖。重點(diǎn)論述了圖像處理的過(guò)程和算法，包括顏色模型的選擇，圖像的預(yù)處理，圖像分割，目標(biāo)的識(shí)別及
2010-07-20 16:14:3329 介紹了一種基于$3C2440硬件平臺(tái)和移動(dòng)目標(biāo)識(shí)別技術(shù)的安防監(jiān)控系統(tǒng)的總體設(shè)計(jì)方案，在嵌入式Linux平臺(tái)下實(shí)現(xiàn)視頻數(shù)據(jù)的采集、編碼與傳輸l選擇時(shí)間差分圖像檢測(cè)移動(dòng)目標(biāo)算法，實(shí)現(xiàn)視
2011-08-25 15:35:3367 自動(dòng)目標(biāo)識(shí)別(ATR)算法通常包括自動(dòng)地對(duì)目標(biāo)進(jìn)行檢測(cè)、跟蹤、識(shí)別和選擇攻擊點(diǎn)等算法。戰(zhàn)場(chǎng)環(huán)境的復(fù)雜性和目標(biāo)類(lèi)型的不斷增長(zhǎng)使ATR算法的運(yùn)算量越來(lái)越大，因此ATR算法對(duì)微處理器的
2012-01-17 14:53:551784 
設(shè)計(jì)并實(shí)現(xiàn)了基于圖像檢索的地標(biāo)識(shí)別系統(tǒng)。該系統(tǒng)通過(guò)捕捉地標(biāo)的視覺(jué)特征，幫助游客或使用者更好地理解圖像的內(nèi)容并同時(shí)提供圖像拍攝的地理位置信息。首先根據(jù)提取的SURF特征搜
2012-07-16 17:02:0825 電子開(kāi)發(fā)機(jī)器人相關(guān)教程資料——全自主移動(dòng)足球機(jī)器人目標(biāo)識(shí)別
2016-09-06 16:42:430 基于MVDR參數(shù)譜在艦船目標(biāo)識(shí)別中的應(yīng)用_魏鑫
2017-01-07 21:28:580 融合壓縮感知和SVM的SAR變形目標(biāo)識(shí)別算法_谷雨
2017-01-08 11:07:011 紅外動(dòng)目標(biāo)識(shí)別跟蹤系統(tǒng)的實(shí)現(xiàn)方案
2017-01-12 22:13:3424 多尺度Retinex算法在自動(dòng)目標(biāo)識(shí)別中的應(yīng)用_周澤華
2017-03-19 11:29:000 基于OpenCv運(yùn)動(dòng)目標(biāo)識(shí)別技術(shù)的研究_孟介成
2017-03-17 08:00:005 基于RHT的局部有遮擋圓形目標(biāo)識(shí)別方法_顧肇瑞
2017-03-17 08:00:000 基于大視場(chǎng)星敏感器的目標(biāo)識(shí)別技術(shù)_丁國(guó)鵬
2017-03-19 19:19:350 針對(duì)具有多個(gè)特征指標(biāo)的模糊多傳感器目標(biāo)識(shí)別問(wèn)題，提出一種新的模糊多傳感器數(shù)據(jù)融合方法。該方法根據(jù)信息熵理論，引入不均衡度定義熵權(quán)矢量，通過(guò)求解數(shù)學(xué)規(guī)劃問(wèn)題，得到各目標(biāo)類(lèi)別的優(yōu)屬度，并給出目標(biāo)識(shí)別規(guī)則。實(shí)驗(yàn)結(jié)果表明，該方法能提高目標(biāo)識(shí)別結(jié)果的客觀性和可信度，具有可操作性。
2017-09-08 15:25:553 電磁場(chǎng)在目標(biāo)識(shí)別中的應(yīng)用
2017-09-15 10:01:5422 針對(duì)被局部遮擋目標(biāo)的識(shí)別困難的問(wèn)題，將目標(biāo)圖像的SIFT（ Scale Invariant Feature Transform）特征矢量作為視覺(jué)單詞，應(yīng)用視覺(jué)詞匯算法，提出了基于SIFT特征視覺(jué)詞匯
2017-11-14 11:04:145 一個(gè)參考。你最看好哪個(gè)深度學(xué)習(xí)框架呢？ 現(xiàn)在的許多機(jī)器學(xué)習(xí)框架都可以在圖像識(shí)別、手寫(xiě)識(shí)別、視頻識(shí)別、語(yǔ)音識(shí)別、目標(biāo)識(shí)別和自然語(yǔ)言處理等許多領(lǐng)域大展身手，但卻并沒(méi)有一個(gè)完美的深度神經(jīng)網(wǎng)絡(luò)能解決你的所有業(yè)務(wù)問(wèn)題。
2017-11-15 19:04:0822198 
為了能夠更好地滿(mǎn)足日益擴(kuò)大的目標(biāo)識(shí)別需求，提出了一種基于改進(jìn)KD樹(shù)與RANSC算法的目標(biāo)識(shí)別算法。通過(guò)對(duì)比改進(jìn)前后KD樹(shù)匹配算法匹配SIFT特征點(diǎn)的執(zhí)行效果，很明顯的看出改進(jìn)KD樹(shù)算法的匹配效果更佳
2017-11-16 17:45:0217 針對(duì)遙感圖像視覺(jué)對(duì)比度差、分辨率低及目標(biāo)含有不同角度旋轉(zhuǎn)的情況，在稀疏表示分類(lèi)識(shí)別的基礎(chǔ)上，提出一種基于擴(kuò)展字典稀疏表示的遙感目標(biāo)識(shí)別方法。首先將訓(xùn)練樣本和待測(cè)樣本進(jìn)行二進(jìn)小波變換增強(qiáng)，提取增強(qiáng)圖像
2017-11-17 17:18:389 在現(xiàn)代防空作戰(zhàn)中，為獲得最佳作戰(zhàn)效果，必須實(shí)時(shí)獲取戰(zhàn)場(chǎng)態(tài)勢(shì)估計(jì)，目標(biāo)識(shí)別是戰(zhàn)場(chǎng)態(tài)勢(shì)估計(jì)的重要組成部分。目標(biāo)識(shí)別技術(shù)利用多傳感器資源，通過(guò)對(duì)各個(gè)傳感器及其觀測(cè)信息的合理支配與使用，將各傳感器
2017-12-14 16:34:160 針對(duì)圖像在平移、旋轉(zhuǎn)或局部形變等復(fù)雜情況下的識(shí)別問(wèn)題，提出一種基于非監(jiān)督預(yù)訓(xùn)練和多尺度分塊的卷積神經(jīng)網(wǎng)絡(luò)（CNN）目標(biāo)識(shí)別算法。算法首先利用不合標(biāo)簽的圖像訓(xùn)練一個(gè)稀疏自動(dòng)編碼器，得到符合數(shù)據(jù)集特性
2017-12-20 15:37:250 的紋理信息。隨著SAR成像技術(shù)的完善和SAR圖像數(shù)據(jù)級(jí)數(shù)倍的增加，從大量數(shù)據(jù)以及復(fù)雜的地物場(chǎng)景中獲取并識(shí)別各類(lèi)軍事目標(biāo)的自動(dòng)目標(biāo)識(shí)別技術(shù)成為了研究熱點(diǎn)。 針對(duì)合成孔徑雷達(dá)圖像預(yù)處理魯棒性不足、特征提取及利用不充分等問(wèn)題，提出了一種基于深度置信網(wǎng)絡(luò)的合成孔徑雷
2018-01-26 14:00:413 受限和高識(shí)別率要求，提取圖像的局部方向梯度直方圖（ HOG）特征，構(gòu)建稀疏自編碼器棧對(duì)HOG特征進(jìn)行深層次編碼，設(shè)計(jì)Softmax多分類(lèi)器對(duì)所抽取的特征進(jìn)行分類(lèi)。在深度神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)過(guò)程中，引入最小化各層結(jié)構(gòu)風(fēng)險(xiǎn)和微調(diào)全網(wǎng)
2018-03-20 17:30:420 現(xiàn)階段比較受歡迎的圖像識(shí)別基礎(chǔ)算法為深度學(xué)習(xí)法，深度學(xué)習(xí)模型屬于神經(jīng)網(wǎng)絡(luò)，而神經(jīng)網(wǎng)絡(luò)的歷史可追溯至上世紀(jì)四十年代，曾經(jīng)在八九十年代流行。神經(jīng)網(wǎng)絡(luò)試圖通過(guò)模擬大腦認(rèn)知的激勵(lì)，解決各種機(jī)器學(xué)習(xí)的問(wèn)題。
2018-05-25 15:59:314678 Face ID 的興起帶動(dòng)了一波面部識(shí)別技術(shù)熱潮。本文將介紹如何使用 OpenCV、Python 和深度學(xué)習(xí)在圖像和視頻中實(shí)現(xiàn)面部識(shí)別，以基于深度識(shí)別的面部嵌入，實(shí)時(shí)執(zhí)行且達(dá)到高準(zhǔn)確度。
2018-07-17 16:20:287776 。機(jī)器之心對(duì)該論文進(jìn)行了編譯介紹。 摘要 我們通過(guò) 12 種不同類(lèi)型的圖像劣化（image degradation）方法，比較了人類(lèi)與當(dāng)前的卷積式深度神經(jīng)網(wǎng)絡(luò)（DNN）在目標(biāo)識(shí)別上的穩(wěn)健性。首先，對(duì)比三種著名的 DNN（ResNet-152、VGG-19、GoogLeNet），我們發(fā)現(xiàn)
2018-10-19 00:48:01416 基于深度學(xué)習(xí)的算法在圖像和視頻識(shí)別任務(wù)中取得了廣泛的應(yīng)用和突破性的進(jìn)展。
2018-10-27 07:28:1712567 近年來(lái)，隨著深度學(xué)習(xí)在圖像視覺(jué)領(lǐng)域的發(fā)展，一類(lèi)基于單純的深度學(xué)習(xí)模型的點(diǎn)云目標(biāo)檢測(cè)方法被提出和應(yīng)用，本文將詳細(xì)介紹其中一種模型——SqueezeSeg，并且使用ROS實(shí)現(xiàn)該模型的實(shí)時(shí)目標(biāo)檢測(cè)。
2018-11-05 16:47:2917181 近年來(lái)，隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域的廣泛應(yīng)用，基于深度學(xué)習(xí)的視頻運(yùn)動(dòng)目標(biāo)檢測(cè)受到廣大學(xué)者的青睞。這種方法的基本原理是利用大量目標(biāo)樣本數(shù)據(jù)訓(xùn)練一個(gè)基于深度神經(jīng)網(wǎng)絡(luò)的分類(lèi)器，然后通過(guò)分類(lèi)器在線(xiàn)檢測(cè)目標(biāo)
2018-11-19 16:01:4422 觀看iVeia的首席技術(shù)官M(fèi)ichael Fawcett，演示了采用Zynq Ultrascale + MPSoC的模塊上的Atlas 2Z8系統(tǒng)如何使用機(jī)器視覺(jué)和機(jī)器學(xué)習(xí)應(yīng)用程序執(zhí)行多目標(biāo)識(shí)別。
2018-11-26 06:22:002748 圖像識(shí)別技術(shù)的高價(jià)值應(yīng)用就發(fā)生在你我身邊，例如視頻監(jiān)控、自動(dòng)駕駛和智能醫(yī)療等，而這些圖像識(shí)別最新進(jìn)展的背后推動(dòng)力是深度學(xué)習(xí)。深度學(xué)習(xí)的成功主要得益于三個(gè)方面：大規(guī)模數(shù)據(jù)集的產(chǎn)生、強(qiáng)有力的模型的發(fā)展
2018-12-01 08:54:2930973 
的圖像、并根據(jù)地表特性的不同將地表分割的結(jié)果分為九大類(lèi)，包括綠地，沙漠，海洋，云和外太空等。這是首次使用深度學(xué)習(xí)在太空中進(jìn)行實(shí)時(shí)的圖像識(shí)別。
2019-01-23 10:23:234841 目標(biāo)識(shí)別、物體檢測(cè)、智能分析……隨著深度學(xué)習(xí)算法的進(jìn)步，安防技術(shù)取得了突破性進(jìn)展。深度學(xué)習(xí)被看做安防行業(yè)的革命性力量，大大加速了安防的發(fā)展過(guò)程。
2019-12-19 09:32:57495 圖像識(shí)別是指利用計(jì)算機(jī)對(duì)圖像進(jìn)行處理、分析和理解，以識(shí)別各種不同模式的目標(biāo)和對(duì)象的技術(shù)，屬于應(yīng)用深度學(xué)習(xí)算法的一種實(shí)踐應(yīng)用。
2020-03-18 11:14:31919 介紹使圖像分割的方法，包括傳統(tǒng)方法和深度學(xué)習(xí)方法，以及應(yīng)用場(chǎng)景。 基于人工智能和深度學(xué)習(xí)方法的現(xiàn)代計(jì)算機(jī)視覺(jué)技術(shù)在過(guò)去10年里取得了顯著進(jìn)展。如今，它被用于圖像分類(lèi)、人臉識(shí)別、圖像中物體的識(shí)別、視頻
2020-11-27 10:29:192859 首發(fā)：AI公園公眾號(hào)作者：Etienne編譯：ronghuaiyang導(dǎo)讀你并不總是有足夠的圖像來(lái)訓(xùn)練一個(gè)深度神經(jīng)網(wǎng)絡(luò)。下面是教你如何通過(guò)幾個(gè)樣本讓...
2020-12-14 23:28:50308 圖像匹配 應(yīng)用： 目標(biāo)識(shí)別、目標(biāo)跟蹤、超分辨率影像重建、視覺(jué)導(dǎo)航、圖像拼接、三維重建、視覺(jué)定位、場(chǎng)景深度計(jì)算 方法： 基于深度學(xué)習(xí)的特征點(diǎn)匹配算法、實(shí)時(shí)匹配算法、3維點(diǎn)云匹配算法、共面線(xiàn)點(diǎn)不變量匹配
2020-12-26 11:08:576447 基于人工智能和深度學(xué)習(xí)方法的現(xiàn)代計(jì)算機(jī)視覺(jué)技術(shù)在過(guò)去10年里取得了顯著進(jìn)展。如今，它被用于圖像分類(lèi)、人臉識(shí)別、圖像中物體的識(shí)別、視頻分析和分類(lèi)以及機(jī)器人和自動(dòng)駕駛車(chē)輛的圖像處理等應(yīng)用上。
2021-01-06 15:50:233432 深度學(xué)習(xí)作為人工智能技術(shù)的重要組成部分，被廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理等領(lǐng)域。盡管深度學(xué)習(xí)在圖像分類(lèi)和目標(biāo)檢測(cè)等任務(wù)中取得了較好性能，但是對(duì)抗攻擊的存在對(duì)深度學(xué)習(xí)模型的安全應(yīng)用構(gòu)成了潛在威脅
2021-03-12 13:45:5374 為準(zhǔn)確識(shí)別工業(yè)圖像中的目標(biāo)零件，提出一種改進(jìn)的YOLOⅤ3目標(biāo)識(shí)別算法。結(jié)合K- means聚類(lèi)與粒子群優(yōu)化算法進(jìn)行錨框計(jì)算，以降低初始點(diǎn)對(duì)聚類(lèi)結(jié)果的影響，加快算法收斂速度。同時(shí)在 YOLOV3網(wǎng)絡(luò)
2021-05-19 15:06:387 合成孔徑雷達(dá)（synthetic aperture radar，SAR）圖像進(jìn)行艦船目標(biāo)檢測(cè)是實(shí)施海洋監(jiān)視的重要手段?；?b class="flag-6" style="color: red">深度學(xué)習(xí)的目標(biāo)檢測(cè)模型在自然圖像目標(biāo)檢測(cè)任務(wù)中取得了巨大成功，但由于自然圖像與SAR圖像的差異，不能將其直接遷移到SAR圖像目標(biāo)檢測(cè)中。針對(duì)SAR圖像
2021-11-12 11:15:221474 
深度殘差網(wǎng)絡(luò)的無(wú)人機(jī)多目標(biāo)識(shí)別 人工智能技術(shù)與咨詢(xún) 來(lái)源：《圖學(xué)學(xué)報(bào)》。作者翟進(jìn)有等 摘要：傳統(tǒng)目標(biāo)識(shí)別算法中，經(jīng)典的區(qū)域建議網(wǎng)絡(luò)(RPN)在提取目標(biāo)候選區(qū)域時(shí)計(jì)算量大，時(shí)間復(fù)雜度較高，因此提出一種
2021-12-02 17:14:14936 
深度殘差網(wǎng)絡(luò)的無(wú)人機(jī)多目標(biāo)識(shí)別 人工智能技術(shù)與咨詢(xún)? 來(lái)源：《圖學(xué)學(xué)報(bào)》。作者翟進(jìn)有等 摘要： 傳統(tǒng)目標(biāo)識(shí)別算法中，經(jīng)典的區(qū)域建議網(wǎng)絡(luò)(RPN)在提取目標(biāo)候選區(qū)域時(shí)計(jì)算量大，時(shí)間復(fù)雜度較高，因此提出
2021-12-06 17:02:02445 基于三維激光點(diǎn)云的目標(biāo)識(shí)別與跟蹤研究 來(lái)源：《汽車(chē)工程》 ，作者徐國(guó)艷等 ［摘要］ 針對(duì)無(wú)人車(chē)環(huán)境感知中的障礙物檢測(cè)問(wèn)題，設(shè)計(jì)了一套基于車(chē)載激光雷達(dá)的目標(biāo)識(shí)別與跟蹤方法。為降低計(jì)算量，提高處理速度
2022-01-17 11:22:44639 一種基于偽標(biāo)簽半監(jiān)督學(xué)習(xí)的小樣本調(diào)制識(shí)別算法 來(lái)源：《西北工業(yè)大學(xué)學(xué)報(bào)》，作者史蘊(yùn)豪等 摘 要：針對(duì)有標(biāo)簽樣本較少條件下的通信信號(hào)調(diào)制識(shí)別問(wèn)題，提出了一種基于偽標(biāo)簽半監(jiān)督學(xué)習(xí)技術(shù)的小樣本調(diào)制方式分類(lèi)
2022-02-10 11:37:36627 基于三維激光點(diǎn)云的目標(biāo)識(shí)別與跟蹤研究 來(lái)源：《汽車(chē)工程》?，作者徐國(guó)艷等 ［摘要］?針對(duì)無(wú)人車(chē)環(huán)境感知中的障礙物檢測(cè)問(wèn)題，設(shè)計(jì)了一套基于車(chē)載激光雷達(dá)的目標(biāo)識(shí)別與跟蹤方法。為降低計(jì)算量，提高處理速度
2022-02-15 13:36:382594 
了一種基于時(shí)頻分析、深度學(xué)習(xí)和遷移學(xué)習(xí)融合模型的雷達(dá)信號(hào)自動(dòng)分選識(shí)別算法。首先通過(guò)引入的多重同步壓縮變換得到雷達(dá)信號(hào)的時(shí)頻圖像，然后利用灰度化、維納濾波、雙三次插值法和歸一化等手段對(duì)時(shí)頻圖像進(jìn)行預(yù)處理，最后基于遷移
2022-03-02 17:35:02913 近年來(lái)，無(wú)需人工干預(yù)的深度學(xué)習(xí)已經(jīng)成為缺陷圖像檢測(cè)與分類(lèi)的一種主流方法。本文針對(duì)室內(nèi)墻壁缺
陷缺檢測(cè)中數(shù)據(jù)集大多是小樣本的問(wèn)題，提出了相關(guān)的深度學(xué)習(xí)研究方法。首先，自制墻壁表面缺陷數(shù)據(jù)集（Wall
2022-04-24 09:44:161 如今，深度學(xué)習(xí)算法的發(fā)展越來(lái)越迅速，并且在圖像處理以及目標(biāo)對(duì)象識(shí)別方面已經(jīng)得到了較為顯著的突破，無(wú)論是對(duì)檢測(cè)對(duì)象的類(lèi)型判斷，亦或者對(duì)檢測(cè)對(duì)象所處方位的檢測(cè)，深度學(xué)習(xí)算法都取得了遠(yuǎn)超過(guò)傳統(tǒng)機(jī)器學(xué)習(xí)算法
2022-08-02 12:07:061388 R-CNN 算法在 2014 年提出，可以說(shuō)是歷史性的算法，將深度學(xué)習(xí)應(yīng)用于目標(biāo)檢測(cè)領(lǐng)域，相較于之前的目標(biāo)檢測(cè)方法，提升多達(dá) 30% 以上
2022-10-31 10:08:051143 深度學(xué)習(xí)可以學(xué)習(xí)視覺(jué)輸入的模式，以預(yù)測(cè)組成圖像的對(duì)象類(lèi)。用于圖像處理的主要深度學(xué)習(xí)架構(gòu)是卷積神經(jīng)網(wǎng)絡(luò)(CNN)，或者是特定的CNN框架，如AlexNet、VGG、Inception和ResNet。計(jì)算機(jī)視覺(jué)的深度學(xué)習(xí)模型通常在專(zhuān)門(mén)的圖形處理單元(GPU)上訓(xùn)練和執(zhí)行，以減少計(jì)算時(shí)間。
2023-05-05 11:35:28729 零樣本分類(lèi)的技術(shù)目前正處于高速發(fā)展時(shí)期， 所涉及的具體應(yīng)用已經(jīng)從最初的圖像分類(lèi)任務(wù)擴(kuò)展到了其他計(jì)算機(jī)視覺(jué)任務(wù)乃至自然語(yǔ)言處理等多個(gè)相關(guān)領(lǐng)域。 對(duì)此， 本文將其稱(chēng)為廣義零樣本分類(lèi)。 相應(yīng)地， 我們將針對(duì)圖像分類(lèi)任務(wù)的零樣本分類(lèi)任務(wù)稱(chēng)為狹義零樣本分類(lèi)。
2023-09-22 11:10:25805 
一、引言 隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，其在語(yǔ)音識(shí)別領(lǐng)域的應(yīng)用也日益廣泛。深度學(xué)習(xí)技術(shù)可以有效地提高語(yǔ)音識(shí)別的精度和效率，并且被廣泛應(yīng)用于各種應(yīng)用場(chǎng)景。本文將探討深度學(xué)習(xí)在語(yǔ)音識(shí)別中的應(yīng)用及所面臨
2023-10-10 18:14:53449 2022年4月11日，上海雷達(dá)同心學(xué)術(shù)論壇——雷達(dá)圖像解譯技術(shù)研討會(huì)成功舉辦！中國(guó)科學(xué)院空天信息創(chuàng)新研究院孫顯研究員4月11日在該研討會(huì)上做了題為《SAR目標(biāo)散射拓?fù)涮匦员碚髋c識(shí)別應(yīng)用》的學(xué)術(shù)報(bào)告。
2023-12-28 10:34:53184 
更接近于人工智能。它通過(guò)學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，對(duì)文字、圖像和聲音等數(shù)據(jù)進(jìn)行解釋。深度學(xué)習(xí)的目標(biāo)是讓機(jī)器像人一樣具有分析學(xué)習(xí)能力，能夠識(shí)別文字、圖像和聲音等數(shù)
2023-12-29 08:26:33572 
通過(guò)加強(qiáng)圖像分割，能夠提高機(jī)器視覺(jué)的圖像目標(biāo)識(shí)別的自動(dòng)化水平，使得圖像目標(biāo)識(shí)別效果更加顯著。圖像分割的方法有很多種，不同方法分別適用于不同領(lǐng)域，這里重點(diǎn)介紹以下3種分割方法。
2024-01-15 12:17:54122 文章來(lái)源：MEMS引言從20世紀(jì)80年代開(kāi)始，機(jī)器視覺(jué)技術(shù)的發(fā)展速度不斷加快，已經(jīng)走進(jìn)了人們的日常生活與工作之中。機(jī)器視覺(jué)的圖像目標(biāo)識(shí)別系統(tǒng)的自動(dòng)化程度較高，應(yīng)用范圍廣，尤其在危險(xiǎn)場(chǎng)所的運(yùn)用，采用
2024-02-23 08:26:49280 
電子發(fā)燒友App
工商網(wǎng)監(jiān)
評(píng)論