通过深度学习模型对室内楼道环境的视觉信息进行处理，帮助移动机器人在室内楼道环境下自主行走。为达到这个目的，将楼道环境对象分为路、门、窗户、消防栓、门把手和背景六类，通过图像的语义分割实现对象识别。在对楼道环境的六类对象进行分割的实验中发现，由于门把手比起其他对象小很多，影响了对它的识别效果；将六分类模型改为“5 2”分类模型，解决了这个问题。分类模型的基础是全卷积神经（FCN）网络，可以初步实现图像的分割。为了提高FCN网络的分割效果，从三个方面进行了实验研究：a）取出FCN网络的多个中间特征层，进行多层特征融合；b）考虑到移动机器人行走过程中视觉信息的时间序列特点，将递归神经网络（RNN）的结构纳入到FCN网络中，构成时间递归的t-LSTM网络；c）考虑到二维图像相邻像素之间的依赖关系，构成空间递归的s-LSTM网络。这些措施都有效地提高了图像的分割效果，实验结果表明，多层融合加s-LSTM的结构从分割效果和计算时间方面达到综合指标最佳。
2022-06-05 04:03:41
1.24MB
1
代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析代码 RQA对离散时间序列进行递归图分析
2022-06-04 14:05:37
1.16MB
题目：编写递归算法，将二叉树中所有结点的左右子树相互交换 - READ.doc
2022-05-31 14:06:01
25KB
递归下降法的优缺点：
优点：
①最主要一点是编写速度快；
②由于分析器和文法的紧密对应性，容易保证语法分析器的正确性。至少使得错误都变得简单和易于发现。
缺点：
在句法分析期间高深度的递归调用影响了分析器的效率，许多时间要花费在递归子程序的连接上。
2022-05-30 23:30:11
830KB
1