精华内容
下载资源
问答
  • 深度学习中的多尺度模型设计

    千次阅读 2020-10-20 11:35:38
    图像金字塔多尺度-==-类似下抽样 大家好,这是专栏《AI不惑境》的第七篇文章,讲述计算机视觉中的多尺度问题。   进入到不惑境界,就是向高手迈进的开始了,在这个境界需要自己独立思考。如果说学习是一个...

    图像金字塔多尺度-==-类似下抽样

    大家好,这是专栏《AI不惑境》的第七篇文章,讲述计算机视觉中的多尺度问题。

     

    进入到不惑境界,就是向高手迈进的开始了,在这个境界需要自己独立思考。如果说学习是一个从模仿,到追随,到创造的过程,那么到这个阶段,应该跃过了模仿和追随的阶段,进入了创造的阶段。从这个境界开始,讲述的问题可能不再有答案,更多的是激发大家一起来思考。

     

    作者&编辑 | 言有三 

     

     

     

    在计算机视觉中,尺度始终是一个大问题,小物体与超大尺度物体往往都会严重影响性能。

     

     

     

     

     

    1 什么是多尺度

     

    1.1 什么是多尺度

     

    所谓多尺度,实际上就是对信号的不同粒度的采样,通常在不同的尺度下我们可以观察到不同的特征,从而完成不同的任务。

     

    640?wx_fmt=jpeg

     

    如上两个图是同样的一维信号在不同采样频率下的结果,这是一条精度曲线。通常来说粒度更小/更密集的采样可以看到更多的细节,粒度更大/更稀疏的采样可以看到整体的趋势,不过此处由于使用了不同的颜色,曲线本身也存在较大的波动,所以粒度更小的右图反而能更直观的看到各个曲线的整体性能比较结果。

     

    640?wx_fmt=png

     

    如上展示了3个尺度的图像,如果要完成的任务只是判断图中是否有前景,那么12×8的图像尺度就足够了。如果要完成的任务是识别图中的水果种类,那么64×48的尺度也能勉强完成。如果要完成的任务是后期合成该图像的景深,则需要更高分辨率的图像,比如640×480。

     

    1.2 图像金字塔

     

    很多时候多尺度的信号实际上已经包含了不同的特征,为了获取更加强大的特征表达,在传统图像处理算法中,有一个很重要的概念,即图像金字塔和高斯金字塔。

     

    图像金字塔,即一组不同分辨率的图像,如下图,

     

    640?wx_fmt=png

     

    采样的方式可以是不重叠或者重叠的,如果是不重叠的,采样尺度因子为2,那就是每增加一层,行列分辨率为原来的1/2。

     

    当然,为了满足采样定理,每一个采样层还需要配合平滑滤波器,因此更常用的就是高斯金字塔,每一层内用了不同的平滑参数,在经典的图像算子SIFT中被使用。

     

    640?wx_fmt=jpeg

     

    不过这不是本文要聚焦的内容,请大家去自行了解尺度空间理论,接下来聚焦深度学习中的多尺度模型设计。

     

     

     

     

     

     

    2 计算机视觉中的多尺度模型架构

     

    卷积神经网络通过逐层抽象的方式来提取目标的特征,其中一个重要的概念就是感受野。如果感受野太小,则只能观察到局部的特征,如果感受野太大,则获取了过多的无效信息,因此研究人员一直都在设计各种各样的多尺度模型架构,主要是图像金字塔和特征金字塔两种方案,但是具体的网络结构可以分为以下几种:(1) 多尺度输入。(2) 多尺度特征融合。(3) 多尺度特征预测融合。(4) 以上方法的组合。

     

    2.1 多尺度输入网络

     

    顾名思义,就是使用多个尺度的图像输入(图像金字塔),然后将其结果进行融合,传统的人脸检测算法V-J框架就采用了这样的思路。

     

    深度学习中模型以MTCNN[1]人脸检测算法为代表,其流程如下,在第一步检测PNet中就使用了多个分辨率的输入,各个分辨率的预测结果(检测框)一起作为RNet的输入。

     

    640?wx_fmt=png

     

    值得一提的是,多尺度模型集成的方案在提高分类任务模型性能方面是不可或缺的,许多的模型仅仅采用多个尺度的预测结果进行平均值融合,就能在ImageNet等任务中提升2%以上的性能。

     

    2.2 多尺度特征融合网络

     

    多尺度特征融合网络常见的有两种,第一种是并行多分支网络,第二种是串行的跳层连接结构都是在不同的感受野下进行特征提取

     

    (1) 并行多分支结构

     

     

    比如Inception网络中的Inception基本模块,包括有四个并行的分支结构,分别是1×1卷积,3×3卷积,5×5卷积,3×3最大池化,最后对四个通道进行组合。

     

    640?wx_fmt=png

     

    除了更高卷积核大小,还可以使用带孔卷积来控制感受野。在图像分割网络Deeplab V3[2]和目标检测网络trident networks[3]中都使用了这样的策略,网络结构如下图:

     

    640?wx_fmt=png

     

    640?wx_fmt=png

     

    还有一种比不同大小的卷积核和带孔卷积计算代价更低的控制感受野的方法,即直接使用不同大小的池化操作,被PSPNet[4]采用。

     

    640?wx_fmt=png

     

    值得注意的是,这样的多分支结构对于模型压缩也是有益处的,以Big-little Net[5]为代表,它采用不同的尺度对信息进行处理。

     

    640?wx_fmt=png

     

    对于分辨率大的分支,使用更少的卷积通道,对于分辨率小的分支,使用更多的卷积通道,这样的方案能够更加充分地使用通道信息。

     

     

    (2) 串行多分支结构

     

    串行的多尺度特征结构以FCN[6],U-Net为代表,需要通过跳层连接来实现特征组合,这样的结构在图像分割/目标检测任务中是非常常见的。

     

    640?wx_fmt=png

     

    从上面这些模型可以看出,并行的结构能够在同一层级获取不同感受野的特征,经过融合后传递到下一层,可以更加灵活地平衡计算量和模型能力。串行的结构将不同抽象层级的特征进行融合,对于边界敏感的图像分割任务是不可缺少的。

     

     

    2.3 多尺度特征预测融合

     

    即在不同的特征尺度进行预测,最后将结果进行融合,以目标检测中的SSD[7]为代表。

     

    SSD在不同stride不同大小的特征图上进行预测。低层特征图stride较小,尺寸较大,感受野较小,期望能检测到小目标。高层特征图stride较大,尺寸较小,感受野较大,期望能检测到大目标。

     

    640?wx_fmt=png

     

    类似的思想还有SSH[8],从分辨率较大的特征图开始分为多个分支,然后各个分支单独预测不同尺度大小的目标。

     

    640?wx_fmt=png

     

    在多个特征通道进行预测的思想与多个输入的方案其实是异曲同工的,但是它的计算效率更高。

     

     

     

    2.4 多尺度特征和预测融合

     

    既然可以将不同尺度的特征进行融合,也可以在不同的尺度进行预测,为何不同时将这两种机制一起使用呢?这样的结构以目标检测中的FPN[9]为代表。

     

    640?wx_fmt=png

     

    即将高层的特征添加到相邻的低层组合成新的特征,每一层单独进行预测。当然,也可以反过来将低层的特征也添加到高层,比如PAN[10]。

     

    640?wx_fmt=png

     

    当然,对于不同尺度的特征图的融合,还可以基于学习的融合方案。

     

     

     

     

     

     

    3 后话

     

    上面说了这么多的方法,相信动手能力强的同学一定可以基于这些方法进行排列组合和拓展。另外,对于某些领域中的专用技巧,比如目标检测中的不同尺度的Anchor设计,不同尺度的训练技巧,在这里没有讲述。

     

    以上就是多尺度的常用设计方法,从图像分辨率的控制,到卷积核,池化的大小和不同的方案,到不同特征的融合,现在有很多相关的研究,本文不一一详述,作为计算机视觉中的老大难问题,我们会持续关注,相关自动架构搜索的研究也已经出现[11]。

     

    更多相关模型的解读,我们会在有三AI知识星球中进行剖析,每日两篇网络结构解读,感兴趣的可以来。

     

    【知识星球】超3万字的网络结构解读,学习必备

     

     

    640?wx_fmt=jpeg

     

     

     

    参考文献

    [1] Zhang K, Zhang Z, Li Z, et al. Joint face detection and alignment using multitask cascaded convolutional networks[J]. IEEE Signal Processing Letters, 2016, 23(10): 1499-1503.

    [2] Chen L C, Papandreou G, Schroff F, et al. Rethinking atrous convolution for semantic image segmentation[J]. arXiv preprint arXiv:1706.05587, 2017.

    [3] Li Y, Chen Y, Wang N, et al. Scale-aware trident networks for object detection[J]. arXiv preprint arXiv:1901.01892, 2019.

    [4] Zhao H, Shi J, Qi X, et al. Pyramid scene parsing network[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 2881-2890.

    [5] Chen C F, Fan Q, Mallinar N, et al. Big-little net: An efficient multi-scale feature representation for visual and speech recognition[J]. arXiv preprint arXiv:1807.03848, 2018.

    [6]Long J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 3431-3440.

    [7] Liu W, Anguelov D, Erhan D, et al. Ssd: Single shot multibox detector[C]//European conference on computer vision. Springer, Cham, 2016: 21-37.

    [8] Najibi M, Samangouei P, Chellappa R, et al. Ssh: Single stage headless face detector[C]//Proceedings of the IEEE International Conference on Computer Vision. 2017: 4875-4884.

    [9] Lin T Y, Dollár P, Girshick R, et al. Feature pyramid networks for object detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 2117-2125.

    [10] Liu S, Qi L, Qin H, et al. Path aggregation network for instance segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 8759-8768.

    [11] Ghiasi G, Lin T Y, Le Q V. Nas-fpn: Learning scalable feature pyramid architecture for object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019: 7036-7045.

     

     

     

     

    总结

     

     

     

     

     

     

     

    多尺度不仅对检测和分割不同尺度的目标很重要,对于提高模型的参数使用效率也非常关键,是必须深刻理解和掌握的方法。

     

    下期预告:深度学习中的Attention机制。

     

     

     

     

     

     

    有三AI夏季划

     

     

     

     

    640?wx_fmt=png

     

    640?wx_fmt=png

     

    暑期正浓,有三AI夏季划进行中,相比春季划内容更难更全,且更加贴近工业界实战,目标是系统性成长为中级CV算法工程师。这一次的报名周期会持续到国庆,请有需要的同学持续关注,点击图片阅读详细信息。

     

     

     

    转载文章请后台联系

    侵权必究

     

     

     

    640?wx_fmt=png

     

     

     

     

     

    640?wx_fmt=png

     

     

    640?wx_fmt=png

     

     

     

     

     

     

    往期修行境界

     

     

     

     

     

     

     

     

    展开全文
  • 基于多尺度模型的复合材料层合板性能预测,谢桂兰,赵锦枭,基于均匀化方法,建立风机叶片复合材料层合板多尺度模型。从碳纳米管增强环氧树脂单胞入手,最终得到含纳米薄层的复合材料层合板
  • 多尺度模型哈密顿表述及约束条件和相关准则的设定以及发展相应算法是其核心问题。本文简要介绍了材料科学中尺度一层次耦合中的基本问题,给出尺度分析方法的一般描述;同时概述相关的处理方案。关于多尺度模型...
  • 与SAR复图像分辨单元相干平均形成尺度图像序列建立多尺度模型不同,本文对SAR对数检测图像小波变换形成尺度图像序列建立MAR模型。通过实例辨识了SAR图像中自然杂波(草地)与人造物(战略目标)模型,应用该模型推导...
  • 高分子稀溶液的结构流变学模型是复杂流体多尺度模型的重要基础,其多年来的成就难掩其近线性、近平衡的局限和数学上的不足.介绍了研究高分子稀溶液微宏观(尺度)模型的新进展,包括确定性和随机性2种形式的本构...
  • 首先基于现场环境振动试验结果和两阶段响应面方法对初始多尺度模型进行修正,并将修正后模型定为原始未损伤状态;进而,利用多尺度模型修正方法对结构不同部位不同程度的损伤进行识别,并探讨了模态曲率损伤指标和...
  • 大家好,这是专栏《AI不惑境》的第七篇文章,讲述计算机视觉中的多尺度问题。进入到不惑境界,就是向高手迈进的开始了,在这个境界需要自己独立思考。如果说学习是一个从模仿,到追...

     

     

     

     

    大家好,这是专栏《AI不惑境》的第七篇文章,讲述计算机视觉中的多尺度问题。

     

    进入到不惑境界,就是向高手迈进的开始了,在这个境界需要自己独立思考。如果说学习是一个从模仿,到追随,到创造的过程,那么到这个阶段,应该跃过了模仿和追随的阶段,进入了创造的阶段。从这个境界开始,讲述的问题可能不再有答案,更多的是激发大家一起来思考。

     

    作者&编辑 | 言有三 

     

     

     

    在计算机视觉中,尺度始终是一个大问题,小物体与超大尺度物体往往都会严重影响性能。

     

     

     

     

     

    1 什么是多尺度

     

    1.1 什么是多尺度

     

    所谓多尺度,实际上就是对信号的不同粒度的采样,通常在不同的尺度下我们可以观察到不同的特征,从而完成不同的任务。

     

    640?wx_fmt=jpeg

     

    如上两个图是同样的一维信号在不同采样频率下的结果,这是一条精度曲线。通常来说粒度更小/更密集的采样可以看到更多的细节,粒度更大/更稀疏的采样可以看到整体的趋势,不过此处由于使用了不同的颜色,曲线本身也存在较大的波动,所以粒度更小的右图反而能更直观的看到各个曲线的整体性能比较结果。

     

    640?wx_fmt=png

     

    如上展示了3个尺度的图像,如果要完成的任务只是判断图中是否有前景,那么12×8的图像尺度就足够了。如果要完成的任务是识别图中的水果种类,那么64×48的尺度也能勉强完成。如果要完成的任务是后期合成该图像的景深,则需要更高分辨率的图像,比如640×480。

     

    1.2 图像金字塔

     

    很多时候多尺度的信号实际上已经包含了不同的特征,为了获取更加强大的特征表达,在传统图像处理算法中,有一个很重要的概念,即图像金字塔和高斯金字塔。

     

    图像金字塔,即一组不同分辨率的图像,如下图,

     

    640?wx_fmt=png

     

    采样的方式可以是不重叠或者重叠的,如果是不重叠的,采样尺度因子为2,那就是每增加一层,行列分辨率为原来的1/2。

     

    当然,为了满足采样定理,每一个采样层还需要配合平滑滤波器,因此更常用的就是高斯金字塔,每一层内用了不同的平滑参数,在经典的图像算子SIFT中被使用。

     

    640?wx_fmt=jpeg

     

    不过这不是本文要聚焦的内容,请大家去自行了解尺度空间理论,接下来聚焦深度学习中的多尺度模型设计。

     

     

     

     

     

     

    2 计算机视觉中的多尺度模型架构

     

    卷积神经网络通过逐层抽象的方式来提取目标的特征,其中一个重要的概念就是感受野。如果感受野太小,则只能观察到局部的特征,如果感受野太大,则获取了过多的无效信息,因此研究人员一直都在设计各种各样的多尺度模型架构,主要是图像金字塔和特征金字塔两种方案,但是具体的网络结构可以分为以下几种:(1) 多尺度输入。(2) 多尺度特征融合。(3) 多尺度特征预测融合。(4) 以上方法的组合。

     

    2.1 多尺度输入网络

     

    顾名思义,就是使用多个尺度的图像输入(图像金字塔),然后将其结果进行融合,传统的人脸检测算法V-J框架就采用了这样的思路。

     

    深度学习中模型以MTCNN[1]人脸检测算法为代表,其流程如下,在第一步检测PNet中就使用了多个分辨率的输入,各个分辨率的预测结果(检测框)一起作为RNet的输入。

     

    640?wx_fmt=png

     

    值得一提的是,多尺度模型集成的方案在提高分类任务模型性能方面是不可或缺的,许多的模型仅仅采用多个尺度的预测结果进行平均值融合,就能在ImageNet等任务中提升2%以上的性能。

     

    2.2 多尺度特征融合网络

     

    多尺度特征融合网络常见的有两种,第一种是并行多分支网络,第二种是串行的跳层连接结构都是在不同的感受野下进行特征提取

     

    (1) 并行多分支结构

     

     

    比如Inception网络中的Inception基本模块,包括有四个并行的分支结构,分别是1×1卷积,3×3卷积,5×5卷积,3×3最大池化,最后对四个通道进行组合。

     

    640?wx_fmt=png

     

    除了更高卷积核大小,还可以使用带孔卷积来控制感受野。在图像分割网络Deeplab V3[2]和目标检测网络trident networks[3]中都使用了这样的策略,网络结构如下图:

     

    640?wx_fmt=png

     

    640?wx_fmt=png

     

    还有一种比不同大小的卷积核和带孔卷积计算代价更低的控制感受野的方法,即直接使用不同大小的池化操作,被PSPNet[4]采用。

     

    640?wx_fmt=png

     

    值得注意的是,这样的多分支结构对于模型压缩也是有益处的,以Big-little Net[5]为代表,它采用不同的尺度对信息进行处理。

     

    640?wx_fmt=png

     

    对于分辨率大的分支,使用更少的卷积通道,对于分辨率小的分支,使用更多的卷积通道,这样的方案能够更加充分地使用通道信息。

     

     

    (2) 串行多分支结构

     

    串行的多尺度特征结构以FCN[6],U-Net为代表,需要通过跳层连接来实现特征组合,这样的结构在图像分割/目标检测任务中是非常常见的。

     

    640?wx_fmt=png

     

    从上面这些模型可以看出,并行的结构能够在同一层级获取不同感受野的特征,经过融合后传递到下一层,可以更加灵活地平衡计算量和模型能力。串行的结构将不同抽象层级的特征进行融合,对于边界敏感的图像分割任务是不可缺少的。

     

     

    2.3 多尺度特征预测融合

     

    即在不同的特征尺度进行预测,最后将结果进行融合,以目标检测中的SSD[7]为代表。

     

    SSD在不同stride不同大小的特征图上进行预测。低层特征图stride较小,尺寸较大,感受野较小,期望能检测到小目标。高层特征图stride较大,尺寸较小,感受野较大,期望能检测到大目标。

     

    640?wx_fmt=png

     

    类似的思想还有SSH[8],从分辨率较大的特征图开始分为多个分支,然后各个分支单独预测不同尺度大小的目标。

     

    640?wx_fmt=png

     

    在多个特征通道进行预测的思想与多个输入的方案其实是异曲同工的,但是它的计算效率更高。

     

     

     

    2.4 多尺度特征和预测融合

     

    既然可以将不同尺度的特征进行融合,也可以在不同的尺度进行预测,为何不同时将这两种机制一起使用呢?这样的结构以目标检测中的FPN[9]为代表。

     

    640?wx_fmt=png

     

    即将高层的特征添加到相邻的低层组合成新的特征,每一层单独进行预测。当然,也可以反过来将低层的特征也添加到高层,比如PAN[10]。

     

    640?wx_fmt=png

     

    当然,对于不同尺度的特征图的融合,还可以基于学习的融合方案。

     

     

     

     

     

     

    3 后话

     

    上面说了这么多的方法,相信动手能力强的同学一定可以基于这些方法进行排列组合和拓展。另外,对于某些领域中的专用技巧,比如目标检测中的不同尺度的Anchor设计,不同尺度的训练技巧,在这里没有讲述。

     

    以上就是多尺度的常用设计方法,从图像分辨率的控制,到卷积核,池化的大小和不同的方案,到不同特征的融合,现在有很多相关的研究,本文不一一详述,作为计算机视觉中的老大难问题,我们会持续关注,相关自动架构搜索的研究也已经出现[11]。

     

    更多相关模型的解读,我们会在有三AI知识星球中进行剖析,每日两篇网络结构解读,感兴趣的可以来。

     

    【知识星球】超3万字的网络结构解读,学习必备

     

     

    640?wx_fmt=jpeg

     

     

     

    参考文献

    [1] Zhang K, Zhang Z, Li Z, et al. Joint face detection and alignment using multitask cascaded convolutional networks[J]. IEEE Signal Processing Letters, 2016, 23(10): 1499-1503.

    [2] Chen L C, Papandreou G, Schroff F, et al. Rethinking atrous convolution for semantic image segmentation[J]. arXiv preprint arXiv:1706.05587, 2017.

    [3] Li Y, Chen Y, Wang N, et al. Scale-aware trident networks for object detection[J]. arXiv preprint arXiv:1901.01892, 2019.

    [4] Zhao H, Shi J, Qi X, et al. Pyramid scene parsing network[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 2881-2890.

    [5] Chen C F, Fan Q, Mallinar N, et al. Big-little net: An efficient multi-scale feature representation for visual and speech recognition[J]. arXiv preprint arXiv:1807.03848, 2018.

    [6]Long J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 3431-3440.

    [7] Liu W, Anguelov D, Erhan D, et al. Ssd: Single shot multibox detector[C]//European conference on computer vision. Springer, Cham, 2016: 21-37.

    [8] Najibi M, Samangouei P, Chellappa R, et al. Ssh: Single stage headless face detector[C]//Proceedings of the IEEE International Conference on Computer Vision. 2017: 4875-4884.

    [9] Lin T Y, Dollár P, Girshick R, et al. Feature pyramid networks for object detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 2117-2125.

    [10] Liu S, Qi L, Qin H, et al. Path aggregation network for instance segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 8759-8768.

    [11] Ghiasi G, Lin T Y, Le Q V. Nas-fpn: Learning scalable feature pyramid architecture for object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019: 7036-7045.

     

     

     

     

    总结

     

     

     

     

     

     

     

    多尺度不仅对检测和分割不同尺度的目标很重要,对于提高模型的参数使用效率也非常关键,是必须深刻理解和掌握的方法。

     

    下期预告:深度学习中的Attention机制。

     

     

     

     

     

     

    有三AI夏季划

     

     

     

     

    640?wx_fmt=png

     

    640?wx_fmt=png

     

    暑期正浓,有三AI夏季划进行中,相比春季划内容更难更全,且更加贴近工业界实战,目标是系统性成长为中级CV算法工程师。这一次的报名周期会持续到国庆,请有需要的同学持续关注,点击图片阅读详细信息。

     

     

     

    转载文章请后台联系

    侵权必究

     

     

     

    640?wx_fmt=png

     

     

     

     

     

    640?wx_fmt=png

     

     

    640?wx_fmt=png

     

     

     

     

     

     

    往期修行境界

     

     

     

     

     

     

     

     

    展开全文
  • 该代码实现了MPI Magdeburg开发的甲型流感病毒和有缺陷的干扰颗粒共感染的多尺度模型。 当前模型版本记录在[1]中。 细胞内和细胞外模型的详细描述分别在[2]和[3]中提供。 此处提供的代码允许用不同的MOI和MODIP...
  • 雷达 海面 散射模型
  • 通过用户初始化过程获取基本识别参数,结合视频跟踪的过程实时获取用户手势区域,在该区域内采用矩描绘子与多尺度模型相结合的方法进行特征提取,对于提取出的特征采用分类识别规则,实现对手势1~10的正确识别。...
  • 基于多尺度模型的高压输电塔损伤模拟与失效模式分析,刘春城,孙铭,为了研究大跨越输电钢管塔关键节点和局部细节构造在不同荷载条件下由于损伤结果导致结构失效的原因,应用数值分析软件,通过对不
  • 基于多尺度模型的钢节点抗震性能分析,来少平,吴晓涵,本文采用通用有限元软件ABAQUS通过有限元微观模型与宏观模型之间的界面连接方法分析研究,在验证不同尺度模型间的变形协调连接方法
  • 针对含孔洞镁合金材料的宏观力学性能、变形破坏机理,采用多尺度方法建立了准确的镁合金体胞有限元模型,并利用所发展的多尺度本构模型,结合有限元方法获得了在宏观拉伸载荷下材料的局部和宏观特性。多尺度方法分析...
  • 基于线性多尺度模型的计算机网络数据流量预测.pdf
  • 植物整合生物学中心(诺丁汉大学)的核心项目旨在基于高等植物拟南芥模型建立植物根的多尺度模型
  • 与国际期刊《热与质传递》(International Journal of Heat and Mass Transfer),第175卷,2021年8月的期刊文章“使用半分析模型研究多尺度PCM复合材料中的瞬态传热研究”中使用的模型相关的MATLAB代码。...
  • 这些文件与研究行人动力学建模的 BEng 论文报告一起使用。 该代码以多尺度方法生成模拟在二维空间域中自由分布的行人的动画。
  • 这些文件与研究行人动力学建模的 BEng 论文报告一起使用。 这些文件的功能是根据碰撞计数调整模拟较高中等密度情况的第二个新多尺度模型中的参数。
  • 使用基于深度学习的端到端去...引入多尺度感受野结构,该结构由4个尺度的平均池化层和上采样层组成,从而提取更输入图像的上下文特征信息。在GOPRO数据集和Kohler数据集,两种网络改进方法均取得了较好的图像重建效果。
  • SDSM统计降尺度模型,用于将GCM全球气候模式数据或CMIP5数据提高空间分辨率,使其使用于区域研究,在未来气候变化研究中广泛应用。
  • 算法在原始SSD模型的基础上, 利用卷积神经网络自动提取多尺度特征图, 构建了一种有效的卷积特征图融合模块, 同时引入轻量级的压缩型双线性融合方法, 丰富上下文信息。进一步结合通道注意机制, 自适应地学习特征图各...
  • 软件介绍: SDSM-DC V5.2基于统计降尺度,能快速建立大气环流模式与地区气候要素的统计关系,能够对大尺度GCM数据降尺度处理。版本有点老,但仍然可以运行在WIN7操作系统上。
  • 用matlab编程模拟实现大尺度衰落模型
  • 其次,将多尺度模型与原迁移学习模型进行加权集成,增强模型泛化性能;最后,结合预测类可信度调整分割图中相应类像素的可信度,规避假正例分割区域。在VOC 2012验证集上的平均交并比为58.8%,测试集上的平均交并比...
  • 为提高卷积神经网络对图像多尺度变化的感知能力,增加网络的尺度不变性,提出一种基于多尺度卷积特征融合的台风等级分类模型。在卷积神经网络中添加多尺度感知层,对卷积特征进行多尺度感知并进行级联。将多尺度正则化...
  • 针对现有方法对复杂图像目标自动提取性能欠佳等不足,提出了一种新的利用多尺度语义模型的目标自动提取方法。首先,采用多尺度分割得到的图像块作为目标提取的候选区域;然后,利用语义模型获取目标的语义分布信息;...
  • 通过实例分析了动态断裂过程所固有的... 此外,还提出了计及尺度效应的广义断裂模型,该模型可以用于预测准脆 性非均质材料的多尺度断裂,并证明此模型基于实验室尺度的实验数据可以预测更高尺度(真实尺度)的 宏观断裂.
  • 建立了能够反映高功率连续激光辐照碳纤维增强复合材料(CFRP)层合...将多尺度模型获得的热-力学性能参数与热力耦合数值模型相结合, 模拟了高功率连续激光引起的烧蚀、热解及层间开裂行为, 模拟结果与实验结果吻合较好。
  • 多尺度 Retinex 算法实现。 多尺度retinex算法实现,用的是matlab,测试通过,里面的三个参数可以自己设置 MSR
  • 针对高比例风电接入下电网电压快速、频繁波动的问题,提出了基于模型预测控制(MPC)的时间尺度电网无功电压优化控制方法。在日前优化安排离散无功补偿设备的基础上,日内采用基于MPC的滚动优化及校正控制思路,利用...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 75,792
精华内容 30,316
关键字:

多尺度模型