公共文化服务平台

共 6 条记录，以下是 1-6

全选清除导出

排序方式：

用于超分辨率重建的深度网络递进学习方法被引量：6: 2020年; 本文针对深度学习在单幅图像超分辨率方面难以恢复高频纹理细节的问题,提出了一种基于递进学习的超分辨率算法.该算法首先采用灰度共生矩阵提取图像纹理特征,然后利用基于密度峰值的聚类方法实现对整个训练集的分类,其中每个训练子集具有相似的纹理复杂度.针对传统的递进学习方法会出现对已掌握知识"遗忘"的问题,本文根据网络模型在各个训练子集上的拟合情况,实时调整当前训练样本在各个子集上的概率分布,从而实现快速收敛,并获得更好的纹理细节复原效果.将本文提出的递进学习用于DRCN、VDSR、SRCNN等超分辨率网络的训练,实验结果表明超分辨率网络收敛速度得到提升,同时网络对复杂纹理等细节较多的图像也获得了较好的视觉恢复效果,峰值信噪比则平均获得0.158 dB、0.18 dB、0.092 dB的提升.; 张毅锋刘袁刘袁程旭; 关键词：超分辨率共生矩阵

2相早期后除极诱发时空湍流的抑制方法: 2015年; 针对心肌细胞膜电位振荡的早期后除极(EAD)诱发的湍流,提出了恒定电场和周期电场两种湍流消除方法并对其效果进行了比较。基于LR91单细胞模型构建了一块包含400×400个细胞格点的二维组织,并通过将K+电流门控变量时常数和Ca2+电流最大电导分别增大4和2倍的方法在组织中心设置了一块由20×20个格点构成的具有EAD特征的区域。利用垂直场法诱导螺旋波斑图,并在EAD的作用下碎裂出现湍流即室颤。通过在反应扩散方程中引入电场项建立除颤模型,并引入膜电位的全局偏导数判别湍流的抑制效果。计算机仿真结果表明:恒定电场法抑制湍流的时间小于50ms,周期场法需历时200ms,但两种方法电场的实际作用时间无显著差异;尽管周期场法产生的总热能是恒定电场法的2.3倍,但周期场法一个周期产生的热能仅为恒定电场法的一半。因此,恒定电场法具有消除湍流快、总热能低的特点,但周期场法由于电场断续式地施加,更有利于减小热的持续积累对心肌的损伤。; 张虹赵丹刘袁; 关键词：早期后除极除颤电场计算机仿真

基于深度特征的目标跟踪算法被引量：6: 2017年; 针对跟踪过程中运动目标的鲁棒性问题,提出了一种基于深度特征的跟踪算法.首先,利用仿射变换对每一帧图像进行归一化处理.然后,利用深度去噪自编码器提取归一化图像的特征.由于提取的特征维数巨大,为了提高计算效率,提出了一种高效的基于稀疏表示的降维方法,通过投影矩阵将高维特征投影到低维空间,进而结合粒子滤波方法完成目标跟踪.最后,将初始帧的目标信息融入到目标表观更新过程中,降低了跟踪过程中目标发生漂移的风险.实验结果表明,所提出的视觉跟踪算法在6段视频序列上获得了较高的准确度,能够在遮挡、光照变化、尺度变化和目标快速运动的条件下稳定地跟踪目标.; 程旭张毅锋刘袁崔锦实周琳; 关键词：视觉跟踪

基于特征点与多网络联合训练的表情识别被引量：7: 2019年; 由于表情图片序列比单张表情图片的信息更丰富,因此基于前者的表情识别容易取得更好的实验效果.针对表情图片序列,提出一种仅基于人脸特征点信息和联合训练2个深度神经网络进行表情识别的方法.首先基于长度不定的图片序列抽取各帧之间差异最大化的子集;其次提取该子集中所有图片的特征点坐标进行预处理;再将坐标分别输入微观深度网络(MIC-NN)与宏观深度网络(MAC-NN)进行独立训练;最后基于惩罚MIC-NN与MAC-NN间差异的损失函数联合训练二者后,使用融合网络(FUS-NN)作为最终预测模型.在CK+,Oulu-CASIA,MMI这3个数据集中的实验结果表明,FUS-NN取得了优于绝大部分已知方法 1%～15%的识别率,仅在MMI数据集中落后于最优模型2%;相比之下,该网络的时间复杂度远远小于效果相近的模型,取得了更好的识别效果与计算资源的平衡.; 夏添张毅锋刘袁; 关键词：表情识别融合网络

基于基完备化理论和嵌入多层感知机的深度网络结构设计被引量：3: 2018年; 为了进一步改善经典卷积神经网络的识别性能,首先证明了跨层传输实质上是基的完备化过程,然后基于多类型特征提取结构、嵌入多层感知机以及跨层传输结构提出一种新型深度卷积网络——期望网络.经分析发现,期望网络中的多类型特征提取结构可提取不同类型的特征,嵌入多层感知机可生成期望图并标定不同类型特征的权重,跨层传输结构可缓解网络性能退化的问题.仿真实验结果表明,在数据集CIFAR-10、数据集CIFAR-100和数据集SVHN上,相比于ResNet网络、深度监督网络和Highw ay网络等经典深度卷积网络,期望网络的误识别率均有不同程度的下降.; 张毅锋蒋程程旭刘袁

三维不规则窦房结电生理模型的建立及其图形实现: 2017年; 针对窦房结三维电生理建模复杂、仿真运算量大等问题,提出了一种有效的解决方法。首先利用建模软件建立右心房三维不规则立体模型,再利用网格划分软件剖分为四面体网格,最后根据网格的位置赋予窦房结和心房细胞属性建立电生理模型。数值解算时采用算子分裂法和有限体积法,分别对反应-扩散方程和单纯描述电扩布的微分方程进行了处理,同时利用高性能图形处理单元(GPU)在CUDA(compute unified device architecture)编程环境下实现程序的并行加速。另外,从减少CPU和GPU间的数据交换频率、参量存储方式等多方面对程序加以优化。计算结果表明,所建模型无论是单细胞动作电位还是膜电位的传导均符合正常的电生理特征。通过与串行程序及基于4核8线程CPU编写的共享内存式OpenMP并行程序进行比较,基于GPU的CUDA程序可将运行耗时减少90%以上,CPU和GPU间的数据交换仅占总耗时的3%,且组织模型越大,网格划分越细致,GPU的加速效果愈显著。; 张虹刘袁刘炀金印彬; 关键词：图形处理单元并行计算窦房结有限体积法

全选清除导出

共1页<1>

刘袁