Toggle navigation
首页
期刊介绍
期刊简介
历史沿革
收录情况
获奖情况
引用指标
编委会
期刊在线
文章推荐
过刊浏览
专辑专刊
下载排行
阅读排行
投稿指南
组稿方向
投稿须知
论文模板
常见问题
署名变更申请
单位变更申请
版权转让协议
中图分类号
引言书写要求
参考文献著录格式
插图与表格规范
英文摘要书写要求
收费标准
学术诚信
联系我们
编辑部联系方式
位置示意图
期刊订阅办法
广告合作
English
期刊
出版年
关键词
结果中检索
(((翁理国[Author]) AND 1[Journal]) AND year[Order])
AND
OR
NOT
文题
作者
作者单位
关键词
摘要
分类号
DOI
Please wait a minute...
选择:
导出引用
EndNote
Ris
BibTeX
显示/隐藏图片
Select
1.
基于深度卷积长短时神经网络的视频帧预测
张德正, 翁理国, 夏旻, 曹辉
计算机应用 2019, 39 (
6
): 1657-1662. DOI:
10.11772/j.issn.1001-9081.2018122551
摘要
(
440
)
PDF
(1005KB)(
301
)
可视化
收藏
针对视频帧预测中难以准确预测空间结构信息细节的问题,通过对卷积长短时记忆(LSTM)神经网络的改进,提出了一种深度卷积长短时神经网络的方法。首先,将输入序列图像输入到两个不同通道的深度卷积LSTM网络组成的编码网络中,由编码网络学习输入序列图像的位置信息变化特征和空间结构信息变化特征;然后,将学习到的变化特征输入到与编码网络通道数对应的解码网络中,由解码网络输出预测的下一张图;最后,将这张图输入回解码网络中,预测接下来的一张图,循环预先设定的次后输出全部的预测图。与卷积LSTM神经网络相比,在Moving-MNIST数据集上的实验中,相同训练步数下所提方法不仅保留了位置信息预测准确的特点,而且空间结构信息细节表征能力更强。同时,将卷积门控循环单元(GRU)神经网络的卷积层加深后,该方法在空间结构信息细节表征上也取得了提升,检验了该方法思想的通用性。
参考文献
|
相关文章
|
多维度评价
Select
2.
基于多维多粒度级联森林的高原地区云雪分类
翁理国, 刘万安, 施必成, 夏旻
计算机应用 2018, 38 (
8
): 2218-2223. DOI:
10.11772/j.issn.1001-9081.2018010218
摘要
(
806
)
PDF
(1085KB)(
472
)
可视化
收藏
针对传统算法如支持向量机(SVM)、随机森林不能充分利用卫星图像的纹理特征和光学参数的问题,提出一种基于多维多粒度级联森林(M-gcForest)的方法进行准确又快速的云雪识别。首先,根据单光谱和多光谱图像之间的差异性,选择SVM、随机森林、卷积神经网络(CNN)、多粒度级联森林(gcForest)在单光谱卫星图像上进行云雪识别;然后,通过定量分析各算法在单光谱图像上的性能,选择CNN和M-gcForest进行多光谱云雪识别;最后,利用改进的M-gcForest对HJ-1A/1B多光谱卫星图像进行预测。实验结果表明,与CNN相比,M-gcForest在多光谱数据集上的测试准确率提升了0.32%,训练耗时减少了91.2%,测试耗时减少了53.7%。因此,该算法在实时而准确的雪灾监测任务中具有实用性。
参考文献
|
相关文章
|
多维度评价