【摘 要】
：
近年来，图正则化NMF算法（graph regularization nonnegative matrix factorization， GNMF）作为非负矩阵分解（nonnegative matrix factorization，NMF）的一个重要拓展，受到了研究人员的广泛关注。然而，GNMF方法仍存在一些不足之处：①GNMF算法并没有考虑数据的低秩结构；②在GNMF算法中，其拉普拉斯图是使用K
论文部分内容阅读
近年来，图正则化NMF算法（graph regularization nonnegative matrix factorization， GNMF）作为非负矩阵分解（nonnegative matrix factorization，NMF）的一个重要拓展，受到了研究人员的广泛关注。然而，GNMF方法仍存在一些不足之处：①GNMF算法并没有考虑数据的低秩结构；②在GNMF算法中，其拉普拉斯图是使用K近邻（K nearest neighbor，KNN）方法预先定义的，而KNN方法无法总是获得最优图解，从
其他文献
城市化发展带来热岛效应，影响区域气候变化，地表温度可以反映地表增温程度，更能直接影响人类居住舒适度。运用Landsat8 TIRS热红外遥感数据和气象数据反演地表温度，以建筑数据、遥感影像为基础，通过GIS空间分析、决策树分类等方法划分局地气候区，从区域角度定量分析不同类型气候区地表温度分异规律。结果表明：（1）北京、天津、石家庄密集型建筑分别占比27.54%、21.95%、25.09%，且以中低
小样本学习的分类结果依赖于模型对样本特征的表达能力，为了进一步挖掘图像所表达的语义信息，提出一种多级度量网络的小样本学习方法。首先，将输入图像的特征向量放入嵌入模块进行特征提取；其次，将经过第二层卷积及第三层卷积得到的特征描述子分别进行图像-类的度量以获得图像关系得分，对第四层卷积得到的特征向量进行全连接并将其做图像-图像的度量从而得到图像从属概率；最后，通过交叉验证对2个图像关系得分以及1个图像
利用CYGNSS数据估计地表土壤水分(SM)近年来获得了极大的关注，但效率和精度有待进一步提升。本文提出了一种预分类策略，结合人工智能算法(AI)，利用CYGNSS数据预测土壤水分。此策略能够在人工智能算法的基础上进一步的提高土壤水分预测的精确度，具有较好的普适性和易用性。本文使用了2018全年中国地区的实地土壤水分数据作为地面真实参考数据进行建模以及预测。结果证实预测土壤水分与参考真实数据具有良
生活于珊瑚礁区的大型海藻可以与珊瑚一起为礁栖生物提供食物和栖息地，它们在维护珊瑚礁生态系统生物多样性中起着极为重要的作用。本论文比较研究了生活于我国南海中沙大环礁区的四种优势海藻，即两种红藻—厚膜藻(Grateloupia ellipitica)和粉枝藻(Liagora samaensis)、两种绿藻—钙扇藻(Udotea flabellum)和仙掌藻(Halimeda discoidea)的生化
由于目标多尺度性质、高层语义信息不足等原因，造成现有算法很难在目标边界取得非常准确的分类精度。为此，本文提出了一种基于多层次特征融合的语义分割算法。在解码阶段，本文设计了三个特征提取分支，分别为空间细节分支、语义补充分支和上下文信息分支。空间细节分支采用浅层较高分辨率特征图来生成最终分割图，主要用于保留大量空间细节信息。语义补充分支用于增加更多的高层语义抽象信息。上下文信息分支主要负责提取多尺度全
针对现有目标检测算法难以在果园复杂环境下对苹果花朵生长状态进行高精度检测的问题，提出一种改进YOLOv5的苹果花朵生长状态检测方法，对花蕾、半开、全开、凋落四类苹果树开花期花朵生长状态进行检测。该方法首先对跨阶段局部网络模块进行改进，并调整模块数量，结合协同注意力模块设计主干网络，提高模型检测性能并减少参数。其次，结合新的检测尺度与基于拆分的卷积运算设计特征融合网络，提升网络特征融合能力，最后选用
场景文本检测有助于机器理解图像内容，在智能交通、场景理解和智能导航等领域应用广泛。现有的场景文本检测算法未充分利用高层语义信息和空间信息，限制了模型对复杂背景像素的分类能力和对不同尺度的文本实例的检测和定位能力。为了解决上述问题，提出了一种基于增强特征金字塔网络的场景文本检测算法。该算法包括比率不变特征增强（Ratio Invariant Feature Enhanced， RIFE）模块和重建空
为了提升行人多目标跟踪的速度同时维持跟踪的精度，提出了一种多特征融合的端到端链式行人多目标跟踪网络。网络中将目标检测、特征提取与数据关联集成到一个统一的框架中，以连续两帧图片组成一个节点作为输入，直接回归出节点之间相同目标的边界框对，利用相邻节点之间公共帧的强相似性，仅使用交并比匹配来进行数据关联以提高跟踪速度。同时网络中采用了多特征融合的双向特征金字塔，并在金字塔网络中采用改进可变形卷积，增加了
场景图像通常由背景信息和前景目标对象构成，用于场景识别任务的卷积神经网络（CNN）通常需要根据场景中关键目标的特征，甚至结合目标之间的位置关系来识别出场景所属类别。针对场景图像中较小尺寸的关键目标特征随着网络层次加深而逐渐消失从而导致场景识别错误的问题，提出了一种基于多级特征融合与注意力模块的场景识别方法。首先，将深度神经网络ResNet-18的特征提取部分划分出5个分支，然后将5个分支输出的多级
为解决传统铁路轨道养护中人工巡检等工作的低效率和准确率不足等问题，提出一种改进的YOLOv3-tiny轻量级轨道紧固件检测算法。首先，其网络结构通过在深度和点方向的卷积来降低网络的计算复杂度；其次，采用具有反向残差的线性瓶颈结构设计主干网络，并在检测层采用深度可分离卷积提取紧固件的深度特征；然后，增加1个尺度在3个尺度上预测，从而有效提取紧固件的特征；最后，对目标框坐标定位过程的损失函数进行优化。