平移不变性
平移不变性的相关文献在1989年到2022年内共计123篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、数学
等领域,其中期刊论文114篇、会议论文2篇、专利文献18656篇;相关期刊80种,包括乐山师范学院学报、吉林大学学报(工学版)、中国图象图形学报等;
相关会议2种,包括2011海洋和综合地球物理发展研讨会、2009年先进光学技术及其应用研讨会等;平移不变性的相关文献由297位作者贡献,包括柴奇、陈广秋、高印寒等。
平移不变性—发文量
专利文献>
论文:18656篇
占比:99.38%
总计:18772篇
平移不变性
-研究学者
- 柴奇
- 陈广秋
- 高印寒
- 张彦博
- 杨伟
- 杨杰
- 柴昱洲
- 胡英杰
- 覃锡忠
- 贾振红
- 陈清江
- 魏冰蔗
- 任彪
- 何正嘉
- 余连生
- 党建武
- 刘军
- 刘哲
- 刘广文
- 刘斌
- 刘涛
- 刘继红
- 吐尔洪江·阿布都克力木
- 周岩
- 宋瑞晶
- 张周锁
- 张登福
- 徐华楠
- 成礼智
- 文贡坚
- 易正俊
- 李俊峰
- 李其申
- 李养成
- 李华锋
- 李智勇
- 江泽涛
- 王黎明
- 程光权
- 练秋生
- 薛群
- 赵喜玲
- 郭善昕
- 陈凯
- 陈劲松
- 陈彬强
- 马东辉
- 高仕龙
- 黄允浒
- CUI JunZhi
-
-
樊太和;
李洋
-
-
摘要:
证明了紧承下方图度量不是平移不变的.对紧承下方图度量的代数运算的连续性进行了讨论.证明了关于紧承下方图度量,模糊数空间只能是嵌入到拓扑向量空间当中,但不嵌入赋范线性空间当中.并与关于上确界度量的结果进行了比较.最后,给出了一个紧承下方图度量的下界.
-
-
马启星;
曾庆军;
胡健阳
-
-
摘要:
提出一种基于非下采样轮廓波变换(NSCT)结合模糊域的噪声抑制和目标增强方法。使用NSCT将含噪声呐图像分解为不同的频率和方向响应子带,利用V-Bayes估计理论推导了模型的相应非线性二元阈值函数对NSCT系数的子带进行去噪。结合领域信息和空间信息构造模糊特征,再构建出模糊隶属度收缩函数对降噪后的NSCT分量执行二次降噪,最后以重建降噪后的声呐图像数据,使用综合数据和效果图示例来证明所提出的方法能够有效的去除声呐图像噪声,且优于基于小波变换的阈值去噪方法。
-
-
邵闻睿;
汪远;
张羽菲;
范雨昕
-
-
摘要:
DenseNet是图像处理领域的一个经典模型,该模型通过在每一层进行通道连接实现了前后层之间的密切信息交流,其在图像分类相关领域展现出了优越的性能。本文对DenseNet模型进行修改,通过对模型中池化层的修改来防止建模过程中的下采样对网络平移不变性的破坏。同时在DenseNet模型的每一层引入非局部算子来完成对图像长程依赖的建模,从而提高图像分类精确度。本文在Cifar10数据集上对改进后的DenseNet模型进行了训练,实验结果表明池化层的修改和非局部算子的引入不仅使得模型的参数量下降,同时使得模型的图像分类准确率增加,提升了DenseNet模型的性能。
-
-
张蕾
-
-
摘要:
为了改善对多聚焦图像融合的视觉效果和时效性.借助非下抽样剪切波(NSST)变换的平移不变性和较强的方向选择性,提出改进的融合策略.通过NSST变换对源图像进行分解,获得与源图像大小相同但尺度不同的低频子带和高频子带,再采用改进平均梯度的策略对低频子带进行融合,对高频子带则利用改进的自适应PCNN策略进行融合.对融合后的高低频子带进行NSST逆变换,重构出整体更自然明亮和细节纹理更清晰的融合图像.仿真结果表明:改进融合策略较好地提取出了源图像的细节信息,在主观视觉和五种客观评价指标上均优于其他几种比较算法,且由于NSST引入了快速傅里叶变换,明显提高了运算的时效性.
-
-
朱庆东;
伊锋;
许伟;
高志新;
徐冉
-
-
摘要:
局部放电(Partial Discharge,PD)会使电气设备绝缘性能下降,影响电气设备的正常运行,威胁电力系统的安全稳定性.因此,需要对关键电气设备进行PD在线监测.然而,现场测量得到的PD信号往往会被白噪声污染,所以PD去噪非常必要.提出使用共同因子法来构成双树复小波,同时利用邻近小波系数阈值法对PD信号进行去噪.最后,通过对基准数据进行计算验证,并与传统的去噪方法的结果进行对比,证明本文所提方法的有效性和优越性.
-
-
丁贵鹏;
陶钢;
李英超;
庞春桥;
王小峰;
段桂茹
-
-
摘要:
为克服传统融合方法对灰度相关性较弱的红外与可见光图像融合存在的不足,提出一种基于非下采样轮廓波变换(NSCT)与引导滤波器的融合方法.利用NSCT对源图像进行多尺度多方向分解,分离出包含在不同频带内的特征信息,得到一个低频近似图像和多个高频方向细节图像;局域窗口加权平均能量和改进拉普拉斯能量分别作为低频近似图像的活性测度,构造显著特征图对近似图像进行加权平均,以解决能量保持和细节提取两个关键问题;在方向细节图像中,基于活性测度取大规则获得决策映射图,将源图像作为引导图、决策映射图作为输入图像进行引导滤波,得到权重分配图,对方向细节图像进行加权平均,降低噪声的敏感度.对融合后的近似图像和方向细节图像进行NSCT逆变换,得到最后的融合图像.采用多组红外与可见光图像进行融合实验,并对融合结果进行客观评价.实验结果表明,该融合方法在主观和客观评价上均优于已有文献的一些典型融合方法,如基于两尺度分解的引导滤波融合方法、NSCT域内稀疏表示融合方法、基于像素显著性的交叉双边滤波融合方法、基于深度学习的卷积神经网络融合方法、基于显著性检测的双尺度融合方法,可获得更好的融合效果.
-
-
龚再兰
-
-
摘要:
在处理和分析非最小相位系统、非高斯过程和非线性系统的一种重要方法是双谱分析法,双谱的重要特征是高阶谱能够反映出其信号的相位信息,除了线性相位以外,双谱包含了全部的信号信息,且双谱分析法中雷达信号的双谱具有平移不变性,因此双谱分析法有效的应用在雷达信号源指纹特征提取中。虽然双谱在理论可以完全抑制任何对称分布的非高斯噪声和高斯噪声,但是直接应用双谱分析作为识别雷达信号源的特征向量,不仅有很大的信息冗余,而且还需要有足够大的目标模板库。
-
-
宋杰;
于裕;
骆起峰
-
-
摘要:
针对当前基于深度学习的边缘检测技术产生的边缘线条杂乱且模糊等问题,提出了一种基于RCF的端到端的跨层融合多尺度特征的边缘检测(CFF)模型.该模型使用RCF作为基线,在主干网络中加入CBAM,采用具有平移不变性的下采样技术,并且去除了主干网络中的部分下采样操作,以保留图像的细节信息,同时使用扩张卷积技术增大模型感受野.此外,采用跨层融合特征图的方式,使得高低层特征能够充分融合.为了平衡各阶段损失和融合损失之间的关系,以及避免出现多尺度特征融合之后低层细节过度丢失的现象,对每个损失添加了一个权重.在伯克利分割数据集(BSDS500)和PASCAL VOL Context数据集上进行了训练,在测试时使用图像金字塔技术提高边缘图像的质量.实验结果表明,CFF模型提取的轮廓比基线网络更加清晰,能够解决边缘模糊问题.在BSDS500基准上进行的评估表明,该模型将最佳数据集规模(ODS)和最佳图像比例(OIS)指标分别提高到0.818和0.839.
-
-
顾正强;
张严;
张冰尘
-
-
摘要:
使用卷积神经网络去实现合成孔径雷达(synthetic aperture radar,SAR)自动目标识别(auto target recogmtion,ATR)成为了近年来的热点,但实际使用中存在的一个隐患问题是平移不变性的丢失,随着目标位置移动,系统输出也随之改变,从而造成错误识别.针对上述问题,提出了一种落实在模型层面的解决方法,通过对算法的改进,实现提升SAR ATR系统平移不变性,而无需数据增强.提出的模块易于移植到现有SAR ATR骨干网络中,且通过实测兼容良好,引入后不影响识别准确率,达到了与原网络近似相等甚至更高的精度.结果 表明,所提出的算法不仅提升了系统的平移不变性,同时提升了系统的抗干扰能力.
-
-
刘斌;
辛迦楠;
谌文江;
肖惠勇
-
-
摘要:
针对拉普拉斯塔形(LP)变换在图像融合中具有高频信息损失严重且缺乏平移不变性的问题,利用不可分小波具有平移不变性和能够准确描述图像细节信息的特点,提出一种新的非采样不可分拉普拉斯金字塔构造方法,并将该构造方法应用于多光谱图像融合中.首先,构造六通道不可分低通滤波器,利用该滤波器构造多光谱图像和全色图像的非采样不可分小波塔形分解,进而对图像进行非采样不可分拉普拉斯塔形分解;然后,针对不同的分解层采用不同的融合规则进行融合;最后,根据不可分拉普拉斯重构算法进行重构,即可得到融合后的图像.实验结果表明,与离散小波变换(DWT)的融合方法、基于Contourlet变换(CT)的融合方法以及基于直方图中轴化(MHE)的融合方法对比,所提方法在保持原全色图像空间分辨率的评价指标空间相关系数上分别提高了1.84%、1.56%和11.06%,在光谱信息保持程度的评价指标相对整体维数综合误差上分别降低了49.26%、48.15%和89.19%.该方法所得图像在获得好的光谱信息的同时有效地提高了空间分辨率,较好地保留了图像的边缘信息与结构信息.
-
-
-
- 罗伯特·博世有限公司
- 公开公告日期:2021-12-31
-
摘要:
在相对于对象大小的等变性或不变性下在图像中识别对象。用于在至少一个输入图像(3)中识别至少一个对象(2a‑2c)的方法(100),具有步骤:·通过第一卷积神经网络CNN(4a)将对象(2a‑2c)的原稿图像(1)处理成至少一个原稿特征图(5、5a‑5c)(110);·通过第二卷积神经网络CNN(4b)将输入图像(3)处理成至少一个输入特征图(6,6a‑6c)(120);·将至少一个原稿特征图(5、5a‑5c)与至少一个输入特征图(6、6a‑6c)进行比较(130);·从比较(130)的结果(130a)中评估(140)是否以及必要时在哪个位置(2a'‑2c')处在输入图像(3)中包含对象(2a‑2c),其中卷积神经网络(4a、4b)分别包含多个卷积层(7a、7b),并且其中卷积层(7a、7b)中的至少一个至少部分地由至少两个滤波器(8a‑8c)构成,所述滤波器能通过缩放运算相互转化。
-
-
-
-
-
-
-
-