该文章是中文版，英文版Research on Multi-source Data Fusion Method Based on Bayesian Estimation，2017年EI已检索

一种融合多源数据的网络安全态势评估模型.pdf

University1652-基线 该存储库包含数据集链接和我们的论文。 我们收集了全球72所大学的1652座建筑物。 感谢您的关注。 任务1：无人机视图目标定位。 （无人机->卫星）给定一个无人机视图图像或视频，该任务旨在找到最相似的卫星视图图像，以在卫星视图中定位目标建筑物。 任务2：无人机导航。 （卫星->无人机）鉴于一个卫星视图图像，该无人机打算找到它经过的最相关的位置（无人机视图图像）。 根据其飞行历史，可以将无人机导航回目标位置。 目录 关于数据集 数据集拆分如下： 分裂 #imgs ＃建筑物 #universities 训练 50,218 701 33 Query_drone 37,855 701 39 Query_satellite 701 701 39 Query_ground 2,579 701 39 Gallery_dro

多源融合-导航定位-目标跟踪，方面的方面的权威参考书籍，值得细看

图像分割任务中，传统的基于人工设计特征方法工作量大、复杂度高、分割精度较低，现有的基于全卷积神经网络（fully convolutional networks，FCN）的方法在分割边缘上不够精细。为了提高图像分割算法的分割精度，提出基于多源融合的全卷积神级网络模型，输入图片经过Sobel算子提取边缘特征获得特征矩阵，与RGB和灰度图像一起作为输入，将传统全卷积网络拓展成具有多种输入源的分割模型。在PASCAL VOC2012图像分割数据集上进行实验验证，结果显示该模型提高了图像分割的精度，具有良好的实时性和鲁棒性。

基于多源信息的继电保护故障信息智能分析系统研发.pdf

多源数据融合的协同过滤算法研究

2021数学建模五一赛《消防救援问题》二等奖论文

针对森林复杂冠层结构和林分高密度下遥感树种识别精度不高的问题,将能够提取高维数据立体特征的三维卷积神经网络(3D-CNN)引入到遥感影像树种识别中,并利用残差网络(ResNet)对其进行改进,提出三维残差卷积神经网络(3D-RCNN),以减小网络深度带来的误差,降低退化现象的影响。联合高分五号高光谱数据(GF-5 AHIS)和高分六号高空间分辨率数据(GF-6 PMS),辅以森林资源数据和外业调查数据构建样本集。结合3D-RCNN思想构建树种识别模型。实验结果表明:相较于传统3D-CNN,3D-RCNN将模型网络从12层增加到18层,能够深化网络结构,缓解网络退化;联合GF-5 AHIS和GF-6 PMS,3D-RCNN能够有效地识别北亚热带森林树种,且识别精度(91.72%)要优于传统3D-CNN(85.65%)和支持向量机算法(85.22%)。

#资源达人分享计划#