由于电力线绝缘子的故障导致输电系统的故障,因此广泛使用基于空中平台的绝缘子检查系统。 绝缘子缺陷检测是针对航空图像中的复杂背景执行的,这提出了一个有趣但具有挑战性的问题。基于手工特征或浅层学习技术的传统方法只能在特定的检测条件下(例如何时)定位绝缘子并检测故障。在某些对象范围或特定照明条件下,具有足够的先验知识,背景干扰小。 本文讨论了使用航空图像自动检测绝缘子缺陷,准确定位从实际检查环境捕获的输入图像中出现的绝缘子缺陷的方法。我们提出了一种新颖的深度卷积神经网络(CNN)。级联体系结构,用于执行定位和检测。绝缘子中的缺陷。 级联网络使用基于区域提议网络的CNN将缺陷检查转换为两级目标检测问题。 为了解决实际检查环境中缺陷图像的稀缺性,还提出了一种数据增强方法,该方法包括以下四个操作:1)仿射变换; 2)仿射变换; 2)仿射变换。 2)绝缘子分割和背景融合; 3)高斯模糊; 4)亮度转换。 使用标准绝缘子数据集,缺陷检测精度和建议方法的召回率分别为0.91和0.96,并且可以成功检测到各种条件下的绝缘子缺陷。 实验结果表明,该方法符合绝缘子缺陷检测的鲁棒性和准确性要求。
2022-05-05 02:08:54 1.25MB Aerial image;convolutional neural network;data
1
ICCV2015 tutorial convolutional feature maps Kaiming He ICCV 2015 CNN 卷积神经网络 目标检测 教程 何凯明
2022-04-29 16:36:51 2.25MB 目标检测 教程 CNN 深度学习
1
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
2022-04-25 19:17:32 1.05MB 研究论文
1
2019最新医学图像融合的文章,使用了卷积稀疏理论和形态学成分分析理论。
2022-04-03 20:39:10 1.17MB 图像融合
1
matlab代码abs 卷积神经织物 介绍 在我们的工作中,我们提出了一种嵌入数量呈指数级的 CNN 架构的“结构”。 结构避免了指定、训练和测试单个网络的繁琐过程,以便找到好的架构。 该结构绕过了 CNN 架构的 10 个超参数中的 8 个,并且只有 2 个超参数。 我们的 arXiv 技术报告中提供了该系统的详细描述:[出现在 NIPS16]。 收集的资源可在我们的 . 引文 如果您在出版物中使用此代码,请引用我们的论文。 @InProceedings{saxena2016convolutional, title={Convolutional Neural Fabrics}, author={Saxena, Shreyas and Verbeek, Jakob}, BookTitle={NIPS}, year={2016} } 系统要求 该软件在 Fedora 21 版(64 位)上进行了测试。 MATLAB(在 64 位 Linux 上用 2013b 测试) caffe () 的先决条件。 入门 代码:我们基于 caffe 的实现是 - 的修改版本。 其他平台需要重新编译caff
2022-03-31 20:31:02 6.38MB 系统开源
1
Convolutional Neural Networks for Small-footprint Keyword Spotting
2022-03-24 13:34:32 1.09MB cnn
1
细分数据集 确保使用--recurse-submodules签出,有一个子模块'tools'用于常见的点滴)它会加载一个包含图像和遮罩的文件夹,其中包含配置文件(像素值对应于类)。 可在以下上进行训练的示例数据集: : 或者可以从import /文件夹中的脚本中导入COCO / Pascal VOC数据集中的类/图像。 查看训练或测试集和蒙版注释: python -m dataset.view --input /path/to/dataset --train (or --test) 对检查图像的预处理很有用。 查看遮罩文件 python view_labels.py some/file.jpg.mask 训练模型: python main.py --lr 0.1 --batch_size 4 --input /path/to/dataset --model "unet --
1
Denoise Convolutional neural network(DnCNN)代码的tensorflow实现,内含完整代码,可以直接使用
2022-03-22 13:03:15 16.11MB DnCNN TF
1
fastMRI可再现基准 该存储库的想法是要有一种方法可以在fastMRI数据集单线圈磁道上针对现有的重建算法快速对新解决方案进行基准测试。 迄今为止,已实现或适用于fastMRI数据集的重建算法包括: 零填充重建 ,使用 使用的基于小波的重构(即用贪婪的FISTA解决基于L1的分析公式优化问题) 网络 ,适用于MRI重建 ,一种模块化的展开重建算法,您可以在其中插入最佳的降噪器。 ,一种用于非笛卡尔采集的展开式重建算法,具有密度补偿。 所有神经网络都通过Keras API在TensorFlow中实现。 较旧的(不要认为这是我论文的开始)是使用功能性API进行编码的。 最新的版本在子类API中进行了编码,并且更加模块化。 对于LORAKS重建,由于A / D过采样,您将无法重建正确的fastMRI数据。 重建设置 主要的重建设置是具有随机和“定期采样”的笛卡尔单线圈和多线
1
pro_gan_pytorch 包包含 ProGAN 的实现。 论文题为“渐进式增长的 GAN 以提高质量、稳定性和变化”。 链接 -> 训练示例 -> :star: [新] 预训练模型: 请找下预训练模型saved_models/在目录 :star: [新]演示: 存储库现在在samples/目录下包含一个潜在空间插值动画演示。 只需从上面提到的 drive_link 下载所有预训练的权重,并将它们放在demo.py脚本旁边的samples/目录中。 请注意,在demo.py脚本的开头有一些demo.py参数,以便您可以使用它。 该演示加载随机点的图像,然后在它们之间进行线性插值以生成平滑的动画。 你需要有一个好的 GPU(至少 GTX 1070)才能在演示中看到强大的 FPS。 然而,可以优化演示以并行生成图像(目前它是完全顺序的)。 为了在 Generator 中加载权重,该过程是 P
1