【摘 要】
：
近年来,随着全球汽车保有量的增加和路面的不断扩建,路面裂缝检测受到了广泛的关注.虽然许多裂缝检测器模型已经被提出,但也存在一些问题,例如:一些宽度较细的裂缝可能未被检测而出现裂缝断裂的现象;边缘信息可能会在过滤或池化过程中丢失.本文以SegNet为基础框架,编码层设计了一种连续注意力机制,并且在特征图通过解码层之前添加了卷积金字塔结构,以减少裂缝检测中的断裂,获得更完整的边缘信息.与相关方法相比,
【机 构】
：
南京邮电大学自动化学院、人工智能学院
【基金项目】
：
南京邮电大学自然科学基金(NY220057)。
论文部分内容阅读
近年来,随着全球汽车保有量的增加和路面的不断扩建,路面裂缝检测受到了广泛的关注.虽然许多裂缝检测器模型已经被提出,但也存在一些问题,例如:一些宽度较细的裂缝可能未被检测而出现裂缝断裂的现象;边缘信息可能会在过滤或池化过程中丢失.本文以SegNet为基础框架,编码层设计了一种连续注意力机制,并且在特征图通过解码层之前添加了卷积金字塔结构,以减少裂缝检测中的断裂,获得更完整的边缘信息.与相关方法相比,Precision、Recall和F1-measure三个指标分别提高了2.47%、8.21%和6.87
其他文献
AIS (Automatic Identification System)是一种船舶的自动识别系统,可以提供船舶的时间戳、经纬度、航向角度、速度等数据信息.本文针对船舶航行轨迹多维度的特点以及对船舶轨迹预测的精确度和实时性的需求,提出了一种基于图像检测和匹配的计算轨迹相似度的方法.该方法首先将所有渔船轨迹数据进行可视化,再通过ORB(Oriented FAST and Rotated BRIEF)
目的:探究基于PACS平台PBL结合CBL教学法在放射科规培带教中的应用价值.方法:选取蚌埠医学院第二附属医院放射科规培学员24人,随机分为两组,分别采用传统教学法与基于PACS平
社区检测(community detection)任务一直是数据挖掘领域的一个研究热点,近年来,深度学习和图链接数据呈现出多样化和复杂化的发展趋势,层次(Hierarchical)社区检测逐渐成为研究的焦点.层次社区检测任务的目标是,在将同质图中相似的节点聚集到社区中的同时,学习社区之间的层次结构关系,以更好的理解图数据结构.社区间层次关系的引入给社区检测算法带来了更复杂的建模挑战.针对该任务,已经有一些有效的启发式的方法被提出,但是受限于社区分布形态的简单假设和离散的优化学习方式,它们无法描述更复杂的图
目的:研究急诊护理优化小组在改善胸痛中心护理质量上的具体应用效果.方法:于本院胸痛中心2020年5月份到2021年5月份入院接受治疗的胸痛患者中选取62例,将其随机划分为对照组
在软件开发的过程中,开发人员经常会检索合适的API来完成编程任务.为了提高软件开发效率,大量API推荐方法及工具应运而生.然而,这些方法大多数都没有考虑用户交互信息.本文提出了一个基于客户端/服务器架构的API推荐工具,将其以插件的形式集成到VS Code IDE中.本工具使用现有的API推荐工具生成初始API推荐列表,结合用户反馈信息,利用排序学习和主动学习技术对API推荐列表进行重新排序,实现
在无线传感器网络中,传感器的能量时有限的,如果传感器的能量耗尽,那么无线传感网络的鲁棒性和寿命就会大大降低.因此,提出了基于模糊强化学习和果蝇优化的数据聚合机制,以最大限度地延长网络寿命,并进行高效数据聚合.首先,网格聚类用于簇的形成和簇头的选择,接着评估各个网格簇所有可能的数据聚合节点,然后采用模糊强化学习选取最佳数据聚合节点,最后利用果蝇优化算法动态定位整个无线传感网络的数据汇聚节点.仿真结果表明,提出的数据聚合方案在能耗和网络鲁棒性方面优于对比方案.
目的:探析重症监护护理在急诊呼吸衰竭患者气道护理中的应用效果.方法:在本院急诊接治的所有呼吸衰竭患者中,选择2020年5月至2020年11月间诊治的80例患者作为研究对象,应用随
针对基于传统机器学习遥感图像场景分类无法快速有效提取图像特征造成分类结果不准确的问题,提出一种基于注意力残差网络的遥感图像场景分类的方法,以残差网络为基准模型,在通道和空间两个维度上建立注意力模块,实验过程中对参数进行合理有效的设置,调整网络层数优化模型,达到对UC Merced Land-Use数据集的有效分类.实验结果表明,与基于卷积神经网络结构的遥感图像场景分类方法相比,该方法达到了98.1
中心静脉导管(centralvenouscatheter;CVcath.;CVC)和外周中心静脉导管(PeripherallyInsertedCentralCatheter,PICC)的使用正变得越来越普遍,两种深静脉留置导管均可减轻反复
函数自动命名技术旨在为输入的源代码自动生成目标函数名,增强程序代码的可读性以及加速软件开发进程,是软件工程领域中一项重要的研究任务.现有基于机器学习的技术主要是通过序列模型对源代码进行编码,进而自动生成函数名,但存在长程依赖问题和代码结构编码问题.为了更好的提取程序中的结构信息和语义信息,本文提出了一个基于图卷积(Graph Convolutional Network,GCN)的神经网络模型—TrGCN(a Transformer and GCN based automatic method naming