您的检索：
学者姓名：王立春
精炼检索结果：
年份
成果类型
收录类型
来源
综合
曾用名
合作者
语言
清除所有精炼条件
摘要 ：
一种基于点空洞方向卷积的点云语义分割方法适用于计算机视觉领域。它是一种交替使用点空洞方向卷积模块，边缘保持池化模块和边缘保持非池化模块的分层编解码网络。点空洞方向编码单元能通过改变空洞率来对邻域点进行等效稀疏采样，同时考虑了局部邻域点的方向信息和距离信息，可以在编码八个方向特征信息的同时任意的扩大其感受野，从而更全面地捕捉局部邻域信息。然后，将多个点空洞方向编码单元堆叠在一起组成点空洞方向卷积模块，该模块具有尺度感知能力和可移植性。边缘保持池化模块和边缘保持非池化模块用来保留边缘特征，恢复点云的高维特征，提高点云语义分割精度。该方法包括点云的局部邻域选择与特征提取，以获得更好的语义分割性能。
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 | 王少帆 , 刘蓥 , 王立春 et al. 一种基于点空洞方向卷积的点云语义分割方法 : CN202210400811.5[P]. | 2022-04-17 . |
| MLA | 王少帆 et al. "一种基于点空洞方向卷积的点云语义分割方法" : CN202210400811.5. | 2022-04-17 . |
| APA | 王少帆 , 刘蓥 , 王立春 , 孙艳丰 , 尹宝才 . 一种基于点空洞方向卷积的点云语义分割方法 : CN202210400811.5. | 2022-04-17 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
一种用于场景图生成的自适应上下文建模方法及装置，可以根据场景内容自适应地序列化其中的物体，从而改善生成的场景图的效果。方法包括：(1)使用经过预训练的目标检测器对输入图像进行目标检测，输出一系列物体提议，选择置信度较高的前80个，将其视为该场景中存在的物体；(2)将细化后的语义标签映射为200维的向量表示，然后将其与物体的视觉特征以及上下文特征拼接起来作为物体的完整特征表示，将图像中n个物体的特征O分别输入物体选择位置分支和位置选择物体分支，衡量物体与其在链式结构中的位置的匹配程度，计算得到物体与位置的匹配分数矩阵，对物体的序列化问题看作指派问题来求解；(3)上下文信息融合以及关系预测。
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 | 王立春 , 徐凯 , 尹宝才 . 一种用于场景图生成的自适应上下文建模方法及装置 : CN202211008807.0[P]. | 2022-08-22 . |
| MLA | 王立春 et al. "一种用于场景图生成的自适应上下文建模方法及装置" : CN202211008807.0. | 2022-08-22 . |
| APA | 王立春 , 徐凯 , 尹宝才 . 一种用于场景图生成的自适应上下文建模方法及装置 : CN202211008807.0. | 2022-08-22 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了一种无监督领域自适应语义分割方法，基于源域图像训练神经网络；利用已训练网络计算目标域图像伪标签；利用源域图像和有伪标签的目标域图像重训练网络，进一步提高伪标签准确性，优化网络的泛化能力。本方法通过利用自训练方法，利用已训练网络提取高置信度的目标域伪标签，弥补了目标域缺少监督信息的缺点，与其他方法相比，丰富了目标域数据的信息，提升网络对目标域数据的学习能力；本方法着重考虑了基于类别的域间差异，针对源域和目标域的预测进行类相关性度量，约束两个域的类相关性一致，减小了两个域类级别的域间差异，提高了网络的泛化能力，本发明的性能优于其他无监督领域自适应语义分割方法。
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 | 王立春 , 高宁 , 王少帆 et al. 一种无监督领域自适应语义分割方法 : CN202110026447.6[P]. | 2021-01-08 . |
| MLA | 王立春 et al. "一种无监督领域自适应语义分割方法" : CN202110026447.6. | 2021-01-08 . |
| APA | 王立春 , 高宁 , 王少帆 , 孔德慧 , 李敬华 , 尹宝才 . 一种无监督领域自适应语义分割方法 : CN202110026447.6. | 2021-01-08 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明涉及一种基于深度学习的多视角立体视觉三维场景重建方法，现有的基于深度学习的重建方法，通过提取图像最后一层的特征以生成3D代价体，没有很好地利用浅层特征，这将丢失不同尺度的信息。而且，这些方法在深度图细化时，只考虑了参考图像本身对深度细化的效果，忽略了相邻图像的深度对深度图预测的贡献。为了解决上述问题，我们提出了多尺度特征提取与融合网络以及基于帧间相关性的深度图细化网络，来提升场景的预测精度和完整性。与现有的基于深度学习的方法相比，我们的方法能够更好地学习输入图像的上下文特征，重建出目标场景被遮挡和缺失的区域，能够更完整地恢复场景的三维信息，实现高精度的三维场景重建。
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 | 孔德慧 , 林瑞 , 王少帆 et al. 一种基于深度学习的多视角立体视觉三维场景重建方法 : CN202110072362.1[P]. | 2021-01-19 . |
| MLA | 孔德慧 et al. "一种基于深度学习的多视角立体视觉三维场景重建方法" : CN202110072362.1. | 2021-01-19 . |
| APA | 孔德慧 , 林瑞 , 王少帆 , 李敬华 , 王立春 . 一种基于深度学习的多视角立体视觉三维场景重建方法 : CN202110072362.1. | 2021-01-19 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
针对理工科课程在教学内容、方式上实施"润物细无声"式课程思政的难度,以计算机图形学为例,提出课程思政建设总体思路,在阐述具体课程思政建设过程及结果的基础上,凝练总体建设原则,给出一般化的理工科课程思政建设策略,为在理工科院校更广泛、更有效地开展课程思政建设提供思路。
关键词 ：
内涵与外延 内涵与外延 理工科课程思政建设 理工科课程思政建设 科学方法论 科学方法论 计算机图形学 计算机图形学 课程思政 课程思政
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 | 孔德慧 , 李敬华 , 王立春 et al. 基于计算机图形学教学实践的理工科课程思政建设研究 [J]. | 计算机教育 , 2021 , (09) : 15-18 . |
| MLA | 孔德慧 et al. "基于计算机图形学教学实践的理工科课程思政建设研究" . | 计算机教育 09 (2021) : 15-18 . |
| APA | 孔德慧 , 李敬华 , 王立春 , 张勇 , 孙艳丰 . 基于计算机图形学教学实践的理工科课程思政建设研究 . | 计算机教育 , 2021 , (09) , 15-18 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
基于出租车OD数据的非常态居民出行模式挖掘方法属于智能交通和数据挖掘领域。为了能够更好的挖掘出租车乘客出行规律，同时更深入的挖掘居民出行中存在的非常态模式，本发明提出了一种基于高维度稀疏张量分解的方法，即通过组织包括时间、经纬度、功能区属性等多维度信息为张量模型，对其进行低秩稀疏分解。为此，需要解决的关键技术问题包括：对研究区域划分功能区并把对应数据归到相应功能区内；组织时间、经纬度、功能区属性等对应数据构成张量模型；对张量模型做低秩稀疏分解，分别提取低秩模型和稀疏模型并做Tucker分解；对分解得到的基底矩阵做可视化，直观的展现乘客出行模式。
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 | 王立春 , 张彬 , 王少帆 et al. 基于出租车OD数据的非常态居民出行模式挖掘方法 : CN202110120448.7[P]. | 2021-01-28 . |
| MLA | 王立春 et al. "基于出租车OD数据的非常态居民出行模式挖掘方法" : CN202110120448.7. | 2021-01-28 . |
| APA | 王立春 , 张彬 , 王少帆 , 孔德慧 , 尹宝才 . 基于出租车OD数据的非常态居民出行模式挖掘方法 : CN202110120448.7. | 2021-01-28 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
Multi-view human action recognition remains a challenging problem due to large view changes. In this article, we propose a transfer learning-based framework called transferable dictionary learning and view adaptation (TDVA) model for multi-view human action recognition. In the transferable dictionary learning phase, TDVA learns a set of view-specific transferable dictionaries enabling the same actions from different views to share the same sparse representations, which can transfer features of actions from different views to an intermediate domain. In the view adaptation phase, TDVA comprehensively analyzes global, local, and individual characteristics of samples, and jointly learns balanced distribution adaptation, locality preservation, and discrimination preservation, aiming at transferring sparse features of actions of different views from the intermediate domain to a common domain. In other words, TDVA progressively bridges the distribution gap among actions from various views by these two phases. Experimental results on IXMAS, ACT4(2), and NUCLA action datasets demonstrate that TDVA outperforms state-of-the-art methods.
关键词 ：
Action recognition Action recognition multi-view multi-view sparse representation sparse representation transfer learning transfer learning
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 | Sun, Bin , Kong, Dehui , Wang, Shaofan et al. Joint Transferable Dictionary Learning and View Adaptation for Multi-view Human Action Recognition [J]. | ACM TRANSACTIONS ON KNOWLEDGE DISCOVERY FROM DATA , 2021 , 15 (2) . |
| MLA | Sun, Bin et al. "Joint Transferable Dictionary Learning and View Adaptation for Multi-view Human Action Recognition" . | ACM TRANSACTIONS ON KNOWLEDGE DISCOVERY FROM DATA 15 . 2 (2021) . |
| APA | Sun, Bin , Kong, Dehui , Wang, Shaofan , Wang, Lichun , Yin, Baocai . Joint Transferable Dictionary Learning and View Adaptation for Multi-view Human Action Recognition . | ACM TRANSACTIONS ON KNOWLEDGE DISCOVERY FROM DATA , 2021 , 15 (2) . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
Sparse representation is a powerful tool in many visual applications since images can be represented effectively and efficiently with a dictionary. Conventional dictionary learning methods usually treat each training sample equally, which would lead to the degradation of recognition performance when the samples from same category distribute dispersedly. This is because the dictionary focuses more on easy samples (known as highly clustered samples), and those hard samples (known as widely distributed samples) are easily ignored. As a result, the test samples which exhibit high dissimilarities to most of intra-category samples tend to be misclassified. To circumvent this issue, this paper proposes a simple and effective hardness-aware dictionary learning (HADL) method, which considers training samples discriminatively based on the AdaBoost mechanism. Different from learning one optimal dictionary, HADL learns a set of dictionaries and corresponding sub-classifiers jointly in an iterative fashion. In each iteration, HADL learns a dictionary and a sub-classifier, and updates the weights based on the classification errors given by current sub-classifier. Those correctly classified samples are assigned with small weights while those incorrectly classified samples are assigned with large weights. Through the iterated learning procedure, the hard samples are associated with different dictionaries. Finally, HADL combines the learned sub-classifiers linearly to form a strong classifier, which improves the overall recognition accuracy effectively. Experiments on well-known benchmarks show that HADL achieves promising classification results.
关键词 ：
Dictionaries Dictionaries Training Training classification classification Boosting Boosting Visualization Visualization AdaBoost AdaBoost dictionary learning dictionary learning Task analysis Task analysis Face recognition Face recognition Sparse representation Sparse representation
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 | Wang, Lichun , Li, Shuang , Wang, Shaofan et al. Hardness-Aware Dictionary Learning: Boosting Dictionary for Recognition [J]. | IEEE TRANSACTIONS ON MULTIMEDIA , 2021 , 23 : 2857-2867 . |
| MLA | Wang, Lichun et al. "Hardness-Aware Dictionary Learning: Boosting Dictionary for Recognition" . | IEEE TRANSACTIONS ON MULTIMEDIA 23 (2021) : 2857-2867 . |
| APA | Wang, Lichun , Li, Shuang , Wang, Shaofan , Kong, Dehui , Yin, Baocai . Hardness-Aware Dictionary Learning: Boosting Dictionary for Recognition . | IEEE TRANSACTIONS ON MULTIMEDIA , 2021 , 23 , 2857-2867 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明涉及一种基于3D‑Ghost模块的多模态训练单模态测试的动态手势识别方法，用于解决多模态训练单模态测试的动态手势识别问题，具体利用RGB数据和深度数据训练整体网络，整体网络采用并行双通道协作学习的结构，旨在通过不同模态网络之间传递知识来改善学习过程，通道m用于通过RGB数据识别动态手势，通道n用于通过深度数据识别动态手势；训练完成后，将RGB数据输入通道m进行动态手势识别，或者将深度数据输入通道n进行动态手势识别；其中通道采用I3D网络并对其进行改进，改进之处在于增加了注意力模块，部分3D卷积层替换为3D‑Ghost模块，对所有Inception‑V1子模块进行改进。
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 | 李敬华 , 刘润泽 , 孔德慧 et al. 一种基于3D-Ghost模块的多模态训练单模态测试的动态手势识别方法 : CN202110544122.7[P]. | 2021-05-19 . |
| MLA | 李敬华 et al. "一种基于3D-Ghost模块的多模态训练单模态测试的动态手势识别方法" : CN202110544122.7. | 2021-05-19 . |
| APA | 李敬华 , 刘润泽 , 孔德慧 , 王少帆 , 王立春 , 尹宝才 . 一种基于3D-Ghost模块的多模态训练单模态测试的动态手势识别方法 : CN202110544122.7. | 2021-05-19 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了一种基尼指数引导的基于自训练的语义分割方法，本发明提出基尼指数指导的自训练方法，利用基尼指数作为选取更为准确伪标签的指标，引入更多可靠的监督信息，可靠性的伪标签进行自监督训练，基于衡量不确定性和赋予伪标签的方式在训练阶段引入正确的监督信息，减小源域和目标域的差异，提高语义标注精度。
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 | 王立春 , 胡玉杰 , 王少帆 et al. 一种基尼指数引导的基于自训练的语义分割方法 : CN202110318561.6[P]. | 2021-03-25 . |
| MLA | 王立春 et al. "一种基尼指数引导的基于自训练的语义分割方法" : CN202110318561.6. | 2021-03-25 . |
| APA | 王立春 , 胡玉杰 , 王少帆 , 孔德慧 , 李敬华 , 尹宝才 . 一种基尼指数引导的基于自训练的语义分割方法 : CN202110318561.6. | 2021-03-25 . |
| 导入链接 | NoteExpress RIS BibTex |
导出
| 数据： |
选中 到 |
| 格式： |
