【摘 要】
：
在农业生产中，植株病虫害的识别能够有效地提高农作物产量。然而，当前数据驱动的深度植株病虫害识别方法需要大量的有标签数据，导致现有方法难以很好地识别少样本的新病虫，经验难以推广。另一方面，基于深度学习的方法需要对大量的参数进行训练，难以削减计算开销。针对上述挑战，本文设计一种基于彩票迁移的稀疏网络植株病虫害识别模型。具体地，本文首先定义深度网络的彩票迁移假设，利用压缩策略构建稀疏网络，识别迁移源域的
论文部分内容阅读
在农业生产中，植株病虫害的识别能够有效地提高农作物产量。然而，当前数据驱动的深度植株病虫害识别方法需要大量的有标签数据，导致现有方法难以很好地识别少样本的新病虫，经验难以推广。另一方面，基于深度学习的方法需要对大量的参数进行训练，难以削减计算开销。针对上述挑战，本文设计一种基于彩票迁移的稀疏网络植株病虫害识别模型。具体地，本文首先定义深度网络的彩票迁移假设，利用压缩策略构建稀疏网络，识别迁移源域的本质知识，提高深度网络的迁移效率；然后，设计深度彩票迁移算法，训练植株病虫害深度识别模型，解决少样本病虫
其他文献
为探讨母质类型对土壤粒径分布非均匀性和土壤结构异质性的影响，采用激光粒度分析方法和分形理论，研究了冲积物﹑花岗岩残积物﹑第四纪红黏土及浅海沉积物四种母质类型发育土壤的颗粒组成﹑分形特征及土壤理化性质对颗粒组成及分形参数的影响。结果表明：（1）花岗岩残积物以及浅海沉积物发育的土壤粒径分布范围大，大颗粒含量高，非均匀性较小。冲积物和第四纪红黏土发育的土壤颗粒集中分布在2～200 μm的细颗粒区域，异质
针对监控视频中行人非正常行走状态的异常现象,本文提出了一个端到端的异常行为检测网络,以视频包为输入,输出异常得分.时空编码器提取视频包时空特征后,利用基于隐向量的注意力机制对包级特征进行加权处理,最后用包级池化映射出视频包得分.本文整合了四个常用的异常行为检测数据集,在整合数据集上进行算法测试并与其他异常检测算法进行对比.多项客观指标结果显示,本文算法在异常事件检测方面有着显著的优势.
The Earths surface is a complex system involving mutual interactions of its many components,including mountains,rivers,forests,farmlands,lakes and grasses.The interaction and mutual feedback of chemic
This paper considers the new approach to solving the problem of quantitative estimation of the microseism energy for underground sources that is based on the synthesis of noise interferometry and the
行人重识别(Person Re-identification, ReID)旨在跨区域、跨场景的视频中实现行人的检索及跟踪,其成果在智能监控、刑事侦查、反恐防暴等领域具有广阔的应用前景.由于真实场景下的行人图像存在光照差异大、拍摄视角不统一、物体遮挡等问题,导致从图像整体提取的全局特征易受无关因素的干扰,识别精度不高.基于局部特征的方法通过挖掘行人姿态、人体部位、视角特征等关键信息,可加强模型对人体
人类具有很强的草图识别能力. 然而, 由于草图具有稀疏性和缺少细节的特点, 目前的深度学习模型在草图分类任务上仍然面临挑战.目前的工作只是将草图看作灰度图像而忽略了不同草图类别间的形状表示差异. 本文提出一种端到端的手绘草图识别模型, 简称双模型融合网络 (Dual-Model Fusion Network, DMF-Net), 它可以通过相互学习策略获取草图的纹理和形状信息. 具体来说, 该模型
基于深度学习的非均匀运动图像去模糊方法已经获得了较好的效果.然而,现有的方法通常存在对边缘恢复不清晰的问题.因此,本文提出一种强边缘提取网络(Strong-edge Extraction Network, SEEN),用于提取非均匀运动模糊图像的强边缘以提高图像边缘复原质量.设计的强边缘提取网络由两个子网络SEEN-1和SEEN-2组成, SEEN-1实现双边滤波器的功能,用于提取滤除了细节信息后
针对低阶MRF模型难以有效表达自然图像中复杂的先验知识而造成误分割问题, 提出一种基于多节点拓扑重叠测度的高阶MRF模型的图像分割方法. 首先, 为了描述图像局部区域内多像素蕴含的复杂空间拓扑结构信息, 利用多像素拓扑重叠测度建立图像局部区域的高阶先验模型; 其次, 利用较大的局部区域包含更多的标签节点信息能力, 基于Pairwise MRF模型建立基于局部区域的部分二阶Potts先验模型, 提高
在中国,彝文古籍文献日益流失而且损毁严重,由于通晓古彝文的研究人员缺乏,使得古籍恢复工作进展十分缓慢。人工智能在图像文本领域的应用,为古籍文献的自动修复提供可能。本文设计了一种双判别器生成对抗网络(D2GAN),以还原古代彝族字符中的缺失部分。D2GAN是在深度卷积生成对抗网络的基础上,增加一个古彝文筛选判别器。通过三个阶段的训练来迭代地优化古彝文字符生成网络,以获得古彝文字符的文字生成器。根据筛
针对传统算法在不同的应用场景中需要手动调整参数，鲁棒性低等问题，本文提出了一种基于卷积神经网络的低照度图像增强算法。整个网络框架分为三个阶段：分解网络、增强网络和图像重建，首先分解网络将输入的低照度图像做分层处理，利用数据驱动的方式分解为反射分量与光照分量，然后将两部分分量输入不同网络模型中增强，最后依据Retinex原理合成最后的图像。模型训练阶段，对每个子网络不需要提供对照组训练，只需整体输入