【摘 要】
：
针对目前在零样本分类技术中公共空间嵌入方法存在的枢纽问题,即hubness问题,将提取到的视觉特征和语义特征通过典型相关分析映射至公共空间后在公共空间中添加大间隔最近邻(large margin nearest neighbor,LMNN)算法,使相同类别的样本之间的距离更加紧密,不同类别样本之间的距离尽可能远,从而有利于提高零样本分类模型的准确率。通过零样本中常用的AWA和CUB数据集进行实验,
论文部分内容阅读
针对目前在零样本分类技术中公共空间嵌入方法存在的枢纽问题,即hubness问题,将提取到的视觉特征和语义特征通过典型相关分析映射至公共空间后在公共空间中添加大间隔最近邻(large margin nearest neighbor,LMNN)算法,使相同类别的样本之间的距离更加紧密,不同类别样本之间的距离尽可能远,从而有利于提高零样本分类模型的准确率。通过零样本中常用的AWA和CUB数据集进行实验,结果显示与经典的零样本分类模型相对比,两个数据集准确率分别提高了12.1%和2.2%,证明了模型的有效性。
其他文献
为落实立德树人根本任务,把思想政治教育贯穿控制测量课程教育教学全过程,本文从3个方面阐述了控制测量课程思政建设情况,从4个方面提出了控制测量课程思政改革的措施,梳理了课程思政映射与融入点,发挥专业课程的育人功能。目前,教育部印发的《高等学校课程思政建设指导纲要》指出,课程思政要覆盖到每一位教师、每一门课程,把思想政治教育贯穿教育教学全过程,全面推进课程思政建设,切实增强课程育人实效。
A new phase unwrapping method based on dual-frequency fringe is proposed to improve both high accuracy and large measurement range of three-dimensional shape measurement by synthesizing the projected
2021年9月25—27日,中国地震学会第十七次学术大会暨中国地震科学实验场第三届学术年会在桂林隆重召开(图1)。本次大会由中国地震学会和中国地震局地球物理研究所联合主办,桂林理工大学土木与建筑工程学院承办。
无人机目标飞行过程中会向外辐射红外波段,对无人机目标辐射特性、目标温度反演的测量,成为无人机遥感探测关注的主要问题。这一情况下,利用单波段、双波段比色法,以及改进双波段比色等测量方案,首先对红外探测系统进行辐射定标,其次围绕无人机飞行目标监测中波、长波辐射强度,结合实测数据做出不同波段的精度对比分析,以及目标温度反演的精度控制、红外辐射强度的黑体校正,将目标红外辐射特性的测量误差控制在2%左右,可
目前射击训练多采用实弹训练,射击成绩需要人为查看,费用较大且不方便。为解决此问题,设计提出了一种基于机器视觉的激光打靶自动报靶系统。系统由激光发射端、中控显示端、视觉采集端构成,利用图像分割算法识别靶型区域,获取靶型位置信息,然后通过图像的HSV和RGB颜色空间数据,将激光弹点的特征值提取出来,从而识别弹点区域,通过无线模块将弹点数据发送到中控端,从而实现实时自动报靶功能。实验测试表明,系统的准确
公路护栏测量是公路管理的一项重要任务,为了提高公路护栏检测的准确率、解决传统图像处理方法检测护栏准确率低的问题,提出了一种基于深度学习算法YOLOv4的护栏检测方法。采用CSPDarkNet53作为主干网络和Mish作为激活函数,SPP和PANet结构作为特征金字塔网络进行特征提取;利用得到的特征提取中间层、中下层和底层进行预测。对500幅测试图像的护栏检测结果表明,平均检测准确率为97.24%。
针对目前对于多车道十字交通路口车流量监控和统计研究较少的问题,设计了一种全新的车流量监测系统。系统由两部分组成,第一部分是基于改进的轻量化YOLO的车辆识别模块,提出一种轻量化MobilenetVz-yolo网络;第二部分是基于几何构建的区域划分流量统计模块,通过建立匹配监控视像的坐标系,构建车道/终止线的函数,施以几何分析进行区域划分,然后接收第一部分的车辆坐标信息,并计算车辆的区域率属函数,最
针对设备多协议接入、复杂物联数据解析、多设备联动及多数据融合难题,设计并实现了一种基于静态脚本引擎的物联网开放平台。通过可配置的物联连接驱动程序,提供多网络适配服务,实现多协议接入;然后将接入数据采用静态脚本引擎实现可视化解析,并按照物模型数据标准定义,完成多数据融合存储,在此基础基于Drools规则引擎实现告警策略配置及多场景联动策略配置。经过实践论证,基于静态脚本引擎的物联网开放平台可实现,并
图像是承载信息的重要媒介之一,模糊的图像影响了信息的正确传递。针对该问题,提出了一种基于密集特征融合的超分辨率算法。算法以基于残差密集网络的图像超分辨率(residual dense network,RDN)模块为基础,通过初步特征抽取模块和密集特征提取模块得到模糊图像不同层次、不同深度的密集特征,并将所有特征融合,结合子像素卷积的方法对图像进行超分辨率放大,恢复模糊图像的细节信息。实验结果表明,
桥梁的裂缝不仅会影响整体美观,而且在很大程度上存在着安全隐患,如何有效地检测出桥梁的裂缝信息越来越受到人们的关注。基于此采用图像处理技术与深度学习相结合的方法实现了对桥梁裂缝的检测以及对裂缝信息的量化分析。首先研究适用于裂缝检测的图像预处理方法,如灰度化、平滑处理、归一化;然后通过与深度学习相结合来判断图像中是否存在裂缝;最后通过边缘检测、形态学操作对裂缝信息进行量化分析,如裂缝位置信息、裂缝区域