您的检索：
学者姓名：肖创柏
精炼检索结果：
年份
成果类型
收录类型
来源
综合
合作者
语言
清除所有精炼条件
摘要 ：
双加权Lp范数RPCA模型及其在椒盐去噪中的应用
关键词 ：
稀疏 稀疏 低秩 低秩 非局部自相似性 非局部自相似性 图像去噪 图像去噪 鲁棒主成分分析 鲁棒主成分分析
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 董惠雯 , 禹晶 , 郭乐宁 et al. 双加权Lp范数RPCA模型及其在椒盐去噪中的应用 [J]. | 董惠雯 , 2021 , 36 (1) : 133-146 . |
| MLA | 董惠雯 et al. "双加权Lp范数RPCA模型及其在椒盐去噪中的应用" . | 董惠雯 36 . 1 (2021) : 133-146 . |
| APA | 董惠雯 , 禹晶 , 郭乐宁 , 肖创柏 , 数据采集与处理 . 双加权Lp范数RPCA模型及其在椒盐去噪中的应用 . | 董惠雯 , 2021 , 36 (1) , 133-146 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
目的 视频目标检测旨在序列图像中定位运动目标,并为各个目标分配指定的类别标签.视频目标检测存在目标模糊和多目标遮挡等问题,现有的大部分视频目标检测方法是在静态图像目标检测的基础上,通过考虑时空一致性来提高运动目标检测的准确率,但由于运动目标存在遮挡、模糊等现象,目前视频目标检测的鲁棒性不高.为此,本文提出了一种单阶段多框检测(single shot multibox detector,SSD)与时空特征融合的视频目标检测模型.方法 在单阶段目标检测的SSD模型框架下,利用光流网络估计当前帧与近邻帧之间的光流场,结合多个近邻帧的特征对当前帧的特征进行运动补偿,并利用特征金字塔网络提取多尺度特征用于检测不同尺寸的目标,最后通过高低层特征融合增强低层特征的语义信息.结果 实验结果表明,本文模型在ImageNet VID(Imagelvet for video object detetion)数据集上的mAP(mean average precision)为72.0％,相对于TCN(temporal convolutional networks)模型、TPN+LSTM(tubelet proposal network and long short term memory network)模型和SSD+孪生网络模型,分别提高了24.5％、3.6％和2.5％,在不同结构网络模型上的分离实验进一步验证了本文模型的有效性.结论 本文模型利用视频特有的时间相关性和空间相关性,通过时空特征融合提高了视频目标检测的准确率,较好地解决了视频目标检测中目标漏检和误检的问题.
关键词 ：
光流 光流 目标检测 目标检测 单阶段多框检测 单阶段多框检测 特征融合 特征融合 特征金字塔网络 特征金字塔网络
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 尉婉青 , 禹晶 , 柏鳗晏 et al. SSD与时空特征融合的视频目标检测 [J]. | 中国图象图形学报 , 2021 , 26 (3) : 542-555 . |
| MLA | 尉婉青 et al. "SSD与时空特征融合的视频目标检测" . | 中国图象图形学报 26 . 3 (2021) : 542-555 . |
| APA | 尉婉青 , 禹晶 , 柏鳗晏 , 肖创柏 . SSD与时空特征融合的视频目标检测 . | 中国图象图形学报 , 2021 , 26 (3) , 542-555 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
SSD与时空特征融合的视频目标检测
关键词 ：
目标检测 目标检测 特征融合 特征融合 光流 光流 单阶段多框检测 单阶段多框检测 特征金字塔网络 特征金字塔网络
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 尉婉青 , 禹晶 , 柏鳗晏 et al. SSD与时空特征融合的视频目标检测 [J]. | 尉婉青 , 2021 , 26 (3) : 542-555 . |
| MLA | 尉婉青 et al. "SSD与时空特征融合的视频目标检测" . | 尉婉青 26 . 3 (2021) : 542-555 . |
| APA | 尉婉青 , 禹晶 , 柏鳗晏 , 肖创柏 , 中国图象图形学报 . SSD与时空特征融合的视频目标检测 . | 尉婉青 , 2021 , 26 (3) , 542-555 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
基于深度强化学习的舰载机在线调度方法研究
关键词 ：
舰载机出动回收 舰载机出动回收 在线调度 在线调度 深度强化学习 深度强化学习 多目标决策 多目标决策
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 于彤彤 , 董婷婷 , 肖创柏 et al. 基于深度强化学习的舰载机在线调度方法研究 [J]. | 于彤彤 , 2021 , 31 (4) : 367-377 . |
| MLA | 于彤彤 et al. "基于深度强化学习的舰载机在线调度方法研究" . | 于彤彤 31 . 4 (2021) : 367-377 . |
| APA | 于彤彤 , 董婷婷 , 肖创柏 , 高技术通讯 . 基于深度强化学习的舰载机在线调度方法研究 . | 于彤彤 , 2021 , 31 (4) , 367-377 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
目的 卷积神经网络广泛应用于目标检测中,视频目标检测的任务是在序列图像中对运动目标进行分类和定位.现有的大部分视频目标检测方法在静态图像目标检测器的基础上,利用视频特有的时间相关性来解决运动目标遮挡、模糊等现象导致的漏检和误检问题.方法 本文提出一种双光流网络指导的视频目标检测模型,在两阶段目标检测的框架下,对于不同间距的近邻帧,利用两种不同的光流网络估计光流场进行多帧图像特征融合,对于与当前帧间距较小的近邻帧,利用小位移运动估计的光流网络估计光流场,对于间距较大的近邻帧,利用大位移运动估计的光流网络估计光流场,并在光流的指导下融合多个近邻帧的特征来补偿当前帧的特征.结果 实验结果表明,本文模型的mAP(mean average precision)为76.4％,相比于TCN(temporal convolutional networks)模型、TPN+LSTM(tubelet proposal network and long short term memory network)模型、D(&T loss)模型和FGFA(flow-guided feature aggregation)模型分别提高了28.9％、8.0％、0.6％和0.2％.结论 本文模型利用视频特有的时间相关性,通过双光流网络能够准确地从近邻帧补偿当前帧的特征,提高了视频目标检测的准确率,较好地解决了视频目标检测中目标漏检和误检的问题.
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 尉婉青 , 禹晶 , 史薪琪 et al. 双光流网络指导的视频目标检测 [J]. | 中国图象图形学报 , 2021 , 26 (10) : 2473-2484 . |
| MLA | 尉婉青 et al. "双光流网络指导的视频目标检测" . | 中国图象图形学报 26 . 10 (2021) : 2473-2484 . |
| APA | 尉婉青 , 禹晶 , 史薪琪 , 肖创柏 . 双光流网络指导的视频目标检测 . | 中国图象图形学报 , 2021 , 26 (10) , 2473-2484 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
基于Faster R-CNN的缝隙检测与提取算法
关键词 ：
卷积神经网络 卷积神经网络 快速区域卷积神经网络 快速区域卷积神经网络 深度学习 深度学习 缝隙提取 缝隙提取 缝隙检测 缝隙检测 视觉几何组 视觉几何组
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 肖创柏 , 柏鳗晏 , 禹晶 et al. 基于Faster R-CNN的缝隙检测与提取算法 [J]. | 肖创柏 , 2021 , 47 (2) : 135-146 . |
| MLA | 肖创柏 et al. "基于Faster R-CNN的缝隙检测与提取算法" . | 肖创柏 47 . 2 (2021) : 135-146 . |
| APA | 肖创柏 , 柏鳗晏 , 禹晶 , 北京工业大学学报 . 基于Faster R-CNN的缝隙检测与提取算法 . | 肖创柏 , 2021 , 47 (2) , 135-146 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
基于跨尺度字典学习的图像盲解卷积算法
关键词 ：
字典学习 字典学习 盲解卷积 盲解卷积 稀疏表示 稀疏表示 自相似性 自相似性 跨尺度 跨尺度
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 彭天奇 , 禹晶 , 郭乐宁 et al. 基于跨尺度字典学习的图像盲解卷积算法 [J]. | 彭天奇 , 2021 , 29 (2) : 338-348 . |
| MLA | 彭天奇 et al. "基于跨尺度字典学习的图像盲解卷积算法" . | 彭天奇 29 . 2 (2021) : 338-348 . |
| APA | 彭天奇 , 禹晶 , 郭乐宁 , 肖创柏 , 光学精密工程 . 基于跨尺度字典学习的图像盲解卷积算法 . | 彭天奇 , 2021 , 29 (2) , 338-348 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
在模糊核未知情况下利用模糊图像对清晰图像进行复原称为图像盲解卷积问题,这是一个欠定逆问题,现有的大部分算法通过引入模糊核和清晰图像的先验知识来约束问题的解空间。本文提出了一种基于跨尺度字典学习的图像盲解卷积算法,采用降采样图像训练稀疏表示的字典,并将图像纹理区域在该字典下的稀疏表示作为正则化约束引入盲解卷积目标函数中。图像降采样过程减弱了图像的模糊程度,且图像中存在冗余的跨尺度相似块,利用更清晰的图像块训练字典能够更好地对清晰图像进行稀疏表示,减小稀疏表示误差;同时,由于在纹理区域清晰图像的稀疏表示误差小于模糊图像的稀疏表示误差,在该字典下对图像中的纹理块进行稀疏表示,使重建图像偏向清晰图像。...
关键词 ：
字典学习 字典学习 盲解卷积 盲解卷积 稀疏表示 稀疏表示 自相似性 自相似性 跨尺度 跨尺度
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 彭天奇 , 禹晶 , 郭乐宁 et al. 基于跨尺度字典学习的图像盲解卷积算法 [J]. | 光学精密工程 , 2021 , 29 (02) : 338-348 . |
| MLA | 彭天奇 et al. "基于跨尺度字典学习的图像盲解卷积算法" . | 光学精密工程 29 . 02 (2021) : 338-348 . |
| APA | 彭天奇 , 禹晶 , 郭乐宁 , 肖创柏 . 基于跨尺度字典学习的图像盲解卷积算法 . | 光学精密工程 , 2021 , 29 (02) , 338-348 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
为了使快速区域卷积神经网络(faster region-based convolutional neural network, Faster R-CNN)适用于小尺寸结构缝隙目标检测的应用,提出了一种基于Faster R-CNN的缝隙检测与提取算法,保留了小尺寸结构目标的细节信息,并提升了检测准确率.该算法分为缝隙检测和缝隙提取2个阶段.首先,在faster R-CNN的目标检测框架下,选取ImageNet数据集上的视觉几何组(visual geometry group, VGG)网络预训练模型作为特征提取网络,调整网络模型使其适应具有小尺寸结构的缝隙目标,并通过缝隙检测网络的训练确定最优的网...
关键词 ：
卷积神经网络 卷积神经网络 快速区域卷积神经网络 快速区域卷积神经网络 深度学习 深度学习 缝隙提取 缝隙提取 缝隙检测 缝隙检测 视觉几何组 视觉几何组
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 肖创柏 , 柏鳗晏 , 禹晶 . 基于Faster R-CNN的缝隙检测与提取算法 [J]. | 北京工业大学学报 , 2021 , 47 (02) : 135-146 . |
| MLA | 肖创柏 et al. "基于Faster R-CNN的缝隙检测与提取算法" . | 北京工业大学学报 47 . 02 (2021) : 135-146 . |
| APA | 肖创柏 , 柏鳗晏 , 禹晶 . 基于Faster R-CNN的缝隙检测与提取算法 . | 北京工业大学学报 , 2021 , 47 (02) , 135-146 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了基于归纳表示学习网络的光谱和空间图高光谱图像分类方法，属于高光谱图像分类领域。首先，根据高光谱图像的光谱‑空间信息，得到节点之间的距离，根据最近邻算法，进而得到节点的邻接关系。之后将处理好的数据输入到设计好的GraphSAGE网络当中，进行训练，测试。本发明主要是利用高光谱图像的光谱‑空间信息以及归纳式的学习方法GraphSAGE来进行高光谱图像分类。从而解决GCN进行高光谱图像分类时面临的计算开销问题，并且分类结果有了极大的提升。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 杨攀 , 同磊 , 禹晶 et al. 基于归纳表示学习网络的光谱和空间图高光谱图像分类方法 : CN202110182141.X[P]. | 2021-02-09 . |
| MLA | 杨攀 et al. "基于归纳表示学习网络的光谱和空间图高光谱图像分类方法" : CN202110182141.X. | 2021-02-09 . |
| APA | 杨攀 , 同磊 , 禹晶 , 肖创柏 . 基于归纳表示学习网络的光谱和空间图高光谱图像分类方法 : CN202110182141.X. | 2021-02-09 . |
| 导入链接 | NoteExpress RIS BibTex |
导出
| 数据： |
选中 到 |
| 格式： |
