修车大队一品楼qm论坛51一品茶楼论坛,栖凤楼品茶全国楼凤app软件 ,栖凤阁全国论坛入口,广州百花丛bhc论坛杭州百花坊妃子阁

oe1(光电查) - 科学论文

25 条数据
?? 中文（中国） ▾

  • [IEEE 2018年第20届国际多媒体信号处理研讨会(MMSP) - 加拿大不列颠哥伦比亚省温哥华(2018年8月29日-8月31日)] 2018 IEEE第20届国际多媒体信号处理研讨会(MMSP) - 高光谱图像分类的深度迁移学习

    摘要： 高光谱图像（HSI）包含海量样本、大量波段以及随机出现的冗余信息。对此类复杂数据进行分类具有挑战性，且分类性能通常受标注训练样本数量的显著影响。采集这类标注样本既耗时又费力，这促使人们萌生从其他既有相关图像中借用和复用标注样本的思路。因此，能够缓解现有高光谱图像与新图像之间语义差异的迁移学习方法，近年来日益受到研究关注。然而，现有针对高光谱图像的迁移学习方法主要聚焦于如何克服图像间的差异，在迁移过程中可能忽略了高层潜在特征?；谡庖还鄄欤疚奶岢隽礁鲂滤悸罚和ü菇ú⒘釉从肽勘旮吖馄资莸母卟闾卣?，进一步克服跨域差异。与现有方法不同，所提出的分类框架无需目标域的先验知识，且适用于同质与异质高光谱数据。真实高光谱图像的实验结果表明，该方法对高光谱图像分类具有重要意义。

    关键词： 监督分类，显著样本，高光谱图像，迁移学习

    更新于2025-09-23 15:23:52

  • 基于深度学习的左乳腺癌放疗中深吸气屏气（DIBH）监测表面区域选择

    摘要： 采用表面监测的深吸气屏气技术（DIBH）是左乳腺癌放疗中降低心脏剂量的常用方法。表面监测精度依赖于体表区域特征。本研究提出基于卷积神经网络（CNN）的自动感兴趣区域（ROI）选择方法，用于筛选DIBH表面监测的最优体表ROI。通过计算乳腺癌患者体表各顶点的曲率熵与法向量，构建用于ROI选择学习的特征图谱。从每位患者的体表特征图谱随机提取900个ROI，并计算对应的刚性ROI配准误差（RE）。利用从30例患者提取的2.7万个ROI及其对应RE数据，对在大型自然图像数据库ImageNet上预训练的牛津大学视觉几何组（VGG）开发的16层网络结构VGG-16进行微调。在另外10例患者上验证了训练模型的RE预测精度，平移方向均方根误差（RMSE）/平均绝对误差（MAE）分别小于1毫米/0.7毫米，旋转方向分别为0.45°/0.35°，达到满意预测效果。模型优选ROI在10例测试案例中的RE接近最小预测RE值，平移和旋转方向的平均RE差异分别小于1毫米和0.5°。该RE预测模型可用于左乳腺癌DIBH放疗（DIBH-RT）中准最优ROI的选择。

    关键词： 深吸气屏气（DIBH）、感兴趣区域（ROI）选择、迁移学习、运动监测

    更新于2025-09-23 15:21:21

  • [IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于时域迁移深度卷积神经网络的早稻制图方法

    摘要： 近年来，深度学习在遥感领域的应用使得大范围自动化制图成为可能。本文提出一种迁移学习方法：先利用2016年的中分辨率遥感数据预训练卷积神经网络（CNN），随后用2017年的少量高分辨率遥感数据进行微调。我们使用该微调模型在25个国家进行早稻制图仅耗时21分钟，总体精度达81.68%。结果表明，卷积神经网络模型能在不同时间段以极小调整实现高精度迁移。

    关键词： 中等分辨率数据、卷积神经网络、时间尺度、迁移学习

    更新于2025-09-23 15:21:21

  • [2020年IEEE国际大数据与智能计算会议(BigComp) - 韩国釜山(2020.2.19-2020.2.22)] 2020年IEEE国际大数据与智能计算会议(BigComp) - 基于长短期记忆神经网络的光伏发电预测迁移学习研究

    摘要： 数据驱动建模是光伏（PV）发电预测的研究热点之一。然而，对于一些新建的光伏电站，缺乏足够的历史数据来训练精确的模型。因此，为缺乏历史数据的光伏电站构建预测模型是一个亟待解决的问题。本文提出一种将历史太阳辐照度数据获得的知识迁移到输出预测的方法。首先基于长短期记忆神经网络（LSTM）的超参数进行优化并预训练神经元中的权重，然后用光伏输出数据对深度迁移模型进行微调。通过这种方式，可以将知识从太阳辐照度数据迁移到光伏输出数据。实验结果表明，该方法能显著降低预测误差。

    关键词： 长短期记忆、迁移学习、光伏功率预测、超参数优化、数据挖掘

    更新于2025-09-23 15:21:01

  • 基于HJ-1 A/B数据预训练卷积神经网络的复杂地貌区水稻田制图方法

    摘要： 准确及时的水稻种植面积信息对作物产量估算、全球气候变化研究和农业资源管理至关重要。本研究提出一种新颖的像素级分类方法，利用卷积神经网络（CNN）模型提取增强型植被指数（EVI）时间序列曲线的特征进行分类。该研究旨在通过中分辨率遥感影像，探索深度学习技术在复杂景观区域（水稻易与周边环境混淆）进行水稻识别的实用性。实验采用迁移学习策略微调预训练CNN模型以获取EVI曲线时序特征，同时使用传统机器学习方法支持向量机（SVM）作为对比。最终评估显示：本模型总体精度达93.60%，优于SVM的91.05%。因此基于预训练CNN模型利用时序数据估算中国南方水稻种植面积具有适用性，未来研究在作物遥感分类与深度学习技术结合方面展现出更多可能性。

    关键词： 绘制稻田地图、卷积神经网络、植被指数时间序列、复杂地形、迁移学习

    更新于2025-09-23 15:21:01

  • [智能系统与计算进展] 智能计算技术最新研究成果 第709卷（第五届ICACNI 2017会议录，第3卷）|| 基于深度卷积架构的图像识别最优方法

    摘要： 近年来，深度学习因其卓越性能在各类机器学习算法中广受青睐。这种层级化或结构化学习方法通过处理层组来建模数据中的高层抽象特征。其架构基础源于对人类大脑信息处理机制与神经响应的认知，通过堆叠多个线性/非线性运算构建而成。本文重点探讨前沿深度学习模型及多种面向实际应用的专项训练方法。针对特定问题选择最优架构颇具挑战性，在文章结尾部分，我们提出了适用于图像识别任务的最优深度卷积架构方案。

    关键词： 深度神经网络、图像识别、图像处理、迁移学习、卷积神经网络、深度学习

    更新于2025-09-23 15:21:01

  • [第三届IEEE国际电子、信息与通信技术最新趋势会议(RTEICT) - 印度班加罗尔(2018年5月18-19日)] 2018年第三届IEEE国际电子、信息与通信技术最新趋势会议(RTEICT) - 基于GSM/GPS的太阳能光伏智能垃圾监测系统

    摘要： 在实际问题中，我们常遇到以下半监督领域自适应场景：我们能完全获取通常规模庞大的源数据；目标数据分布是源数据分布经过某种未知变换后的结果；同时仅少量目标样本带有标签。目标是借助源域信息学习预测模型，使其在目标测试样本上具有良好的泛化能力。我们考虑显式的变换函数形式（尤其是将源域样本映射到目标域的线性变换），并论证通过对源域和目标域数据进行适当预处理，可行变换函数可由一组旋转矩阵表征。这自然导出了特殊正交群约束下的优化问题表述。我们提出迭代坐标下降求解器，能联合学习变换函数与模型参数，其中测地线更新确保始终满足流形约束。该框架具有足够普适性，可适配多种损失函数和预测问题。在合成数据与真实实验中的实证评估表明，本方法较现有最优技术具有竞争优势。

    关键词： 迁移学习、半监督学习、领域自适应

    更新于2025-09-23 15:19:57

  • [IEEE 2018第八届图像处理理论、工具与应用国际会议(IPTA) - 中国西安(2018.11.7-2018.11.10)] 2018第八届图像处理理论、工具与应用国际会议(IPTA) - 基于迁移学习的糖尿病视网膜病变图像分类方法

    摘要： 迄今为止，许多癌症病例已通过计算机辅助诊断（CAD）系统在早期被发现。医学图像处理领域虽已提出多种解决方法，但效果欠佳。此外，人工智能在糖尿病视网膜病变（DR）影像中的应用尚未在医院普及。DR影像的分类难度高于其他类型影像。本文采用基于Inception V3模型的迁移学习方法对DR影像进行分类，利用在ImageNet数据集上预训练的Inception V3模型权重，在自有数据集上进行微调。与其他现有方法相比，本方案获得了更高的准确率。

    关键词： DR影像、迁移学习、医学图像、计算机辅助诊断

    更新于2025-09-22 22:38:12

  • [IEEE 2019年第44届国际红外、毫米波和太赫兹波会议（IRMMW-THz）- 法国巴黎（2019年9月1日-2019年9月6日）] 2019年第44届国际红外、毫米波和太赫兹波会议（IRMMW-THz）- 毫米波频段间隙波导馈电圆极化天线

    摘要： 由于在实践中应用广泛，人脸识别已成为一个活跃的研究课题。在训练样本充足的情况下，许多机器学习方法都能实现高精度的人脸识别。然而，当训练样本不足时——尤其是极端情况下仅有一个训练样本——人脸识别就变得极具挑战性。如何解决单样本人脸识别中样本量小与高维度这两个相互矛盾的问题，对其实际可达成的识别精度和可行性至关重要。不同于基于泛化能力提升的传统全局人脸识别方法，也不同于依赖图像分割的局部人脸识别方法，本文提出了一种基于局部保持投影(LPP)特征迁移的单样本人脸识别算法。首先通过白化余弦相似度度量筛选迁移源，获取选择性样本源；其次分别将源人脸和目标人脸向量通过LPP投影到特征子空间，计算特征迁移矩阵来近似子空间中源人脸与目标人脸的映射关系；随后利用该特征迁移矩阵将训练样本的原始宏观特征迁移为目标宏观特征；最后采用最近邻分类器进行人脸识别。基于FERET、ORL和Yale等常用数据库的实验结果表明，相较于(PC)2A和Block FLDA等主流单样本人脸识别算法，本文提出的基于LPP特征迁移的单样本人脸识别算法具有显著优势。

    关键词： 单样本、特征提取、人脸识别、局部保持投影、迁移学习

    更新于2025-09-19 17:13:59

  • [2019年IEEE国际空间光学系统与应用会议(ICSOS) - 美国俄勒冈州波特兰市 (2019.10.14-2019.10.16)] 2019年IEEE国际空间光学系统与应用会议(ICSOS) - 基于反馈零差检测与分数符号测距的星间集成激光通信/测距链路

    摘要： 在实际问题中，我们常遇到以下半监督领域自适应场景：我们能完全获取通常规模庞大的源数据；目标数据分布是源数据分布经过某种未知变换后的结果；同时仅有少量目标样本带有标签。目标是借助源域信息学习预测模型，使其能在目标测试样本上良好泛化。我们考虑显式的变换函数形式（尤其是将源域样本映射到目标域的线性变换），并论证通过对源域和目标域数据进行适当预处理，可行变换函数可由一组旋转矩阵表征。这自然导出了特殊正交群约束下的优化问题表述。我们提出迭代坐标下降求解器，能联合学习变换函数与模型参数，其中测地线更新确保始终满足流形约束。该框架具有足够通用性，适用于各类损失函数和预测问题。在合成数据与真实实验中的实证评估表明，本方法较前沿技术具有竞争优势。

    关键词： 迁移学习、半监督学习、领域自适应

    更新于2025-09-19 17:13:59