基于深度学习的目标识别算法性能评价
这是一篇关于自动目标识别,深度学习,性能评价,证据理论,证据推理的论文, 主要内容为近年来,深度学习大量应用到自动目标识别领域,如何综合客观评价基于不同深度网络模型的目标识别方法的性能是实际应用中急需解决的问题。随着自动目标识别技术的发展和应用,现有的基于深度学习的目标识别算法性能评价指标并不能满足当前自动目标识别技术实际应用的需求。因此,本文针对自动目标识别性能评价问题,以舰船目标识别应用为背景,开展了基于深度学习的目标识别算法性能评价相关的关键技术研究。主要完成工作如下:(1)面向自动目标识别实际应用,从准确性、实时性和模型复杂度三个维度,设计并构建了新的自动目标识别性能评价指标体系。(2)提出一种基于DS-ER的自动目标识别性能评价方法。首先,通过领域专家问卷调查,利用层次分析法AHP实现了性能评价指标体系中各指标的相对权重确定;然后,将证据推理ER方法与证据理论DS相结合,通过多性能评价指标联合信度矩阵和证据理论特征进行各指标信息合成,计算得到自动目标识别算法性能的总置信度;最后,通过加权方法,计算得到最终的性能评价结果。该方法具有计算复杂度低、能够实现对自动目标识别算法性能的不确定性进行定量描述、能够实现多个自动目标识别算法的性能优劣排序并最终确定具有最佳性能的自动目标识别方法等特点。(3)以舰船目标识别应用为背景,利用已有的公开数据集和自建舰船数据集,分别对六种深度网络自动目标识别算法开展自动目标识别性能评价方法实例验证和分析:在资源受限应用场景中,改进SSD方法性能表现最佳;在资源不受限应用场景中,YOLOv3方法取得最佳目标识别性能;实验结果与实际应用情形相符。(4)利用前后端分离思想,综合Element UI组件库、Vue.js和Spring MVC等技术,设计并实现了基于深度学习的目标识别算法性能评价原型系统,并利用该原型系统开展了实验验证和分析。
半精纺羊绒面料的设计与开发
这是一篇关于半精纺羊绒面料,产品开发,规格设计,风格设计,性能评价的论文, 主要内容为本课题主要研究利用粗纺纱与精纺纱相结合,以相应的条染复精梳、纺纱、织造、整理等工艺技术设备为基础,开发一种将粗纺面料和精纺面料的特点融为一体的半精纺羊绒面料。通过试制不同的品种,研究各自的产品设计和工艺设计过程,确定了半精纺羊绒面料的最佳设计方案和工艺。该系列产品的开发成功,实现了羊绒面料的质感创新,解决了纯精纺绒面产品穿着后容易起球的问题,提高了精短山羊绒的有效利用,产品附加值得到了大幅度提升。课题研究共分为五个部分。 一、课题确定。通过男式西服面料的市场调研及国内外西服面料的现状分析,我们发现,精纺缩绒类产品和粗纺产品均存在一定的缺陷。精纺绒面产品在穿着后容易起球,影响产品的外观;同时,利用精纺用羊毛、山羊绒原料制作缩绒类产品也是对原料的极大浪费。并且常规的精纺绒面产品按照市场需求单重有些偏轻。粗纺面料虽然在季节性上有所补充,但不适合时尚化、快节奏、舒适化的要求。本课题研究的半精纺羊绒面料解决了以上几种产品的不足和存在的问题。我们采用毛绒混纺粗纺纱和纯毛精纺纱进行交织,通过合理的工艺设计与生产控制过程制作了两个典型的品种。 二、产品设计。通过半精纺羊绒面料的两个品种——单经双纬和单经单纬的对比试制实验,研究了从产品规格设计、产品风格设计两大方面如何来开发半精纺羊绒面料,如何体现该类产品的特点。 三、制作工艺。主要对产品的工艺流程和关键技术进行了研究、分析与优化。从条染复精梳、纺纱、织造、整理四个部分阐述了实现半精纺羊绒面料产品设计的过程。对产品试制和投入批量生产容易出现的工艺技术问题和解决的方法进行了详细的分析与讨论。 四、产品分析。通过对成品性能、产品风格、成本效益等几个方面的测试与分析,确定了半精纺羊绒面料开发的最佳方案与工艺,并确立了批量生产的品种。 五、结论与展望。总结了半精纺羊绒面料研究与开发工作的主要内容与技术要点,提出通过本研究得出的几点指导性结论。
基于深度学习的目标识别算法性能评价
这是一篇关于自动目标识别,深度学习,性能评价,证据理论,证据推理的论文, 主要内容为近年来,深度学习大量应用到自动目标识别领域,如何综合客观评价基于不同深度网络模型的目标识别方法的性能是实际应用中急需解决的问题。随着自动目标识别技术的发展和应用,现有的基于深度学习的目标识别算法性能评价指标并不能满足当前自动目标识别技术实际应用的需求。因此,本文针对自动目标识别性能评价问题,以舰船目标识别应用为背景,开展了基于深度学习的目标识别算法性能评价相关的关键技术研究。主要完成工作如下:(1)面向自动目标识别实际应用,从准确性、实时性和模型复杂度三个维度,设计并构建了新的自动目标识别性能评价指标体系。(2)提出一种基于DS-ER的自动目标识别性能评价方法。首先,通过领域专家问卷调查,利用层次分析法AHP实现了性能评价指标体系中各指标的相对权重确定;然后,将证据推理ER方法与证据理论DS相结合,通过多性能评价指标联合信度矩阵和证据理论特征进行各指标信息合成,计算得到自动目标识别算法性能的总置信度;最后,通过加权方法,计算得到最终的性能评价结果。该方法具有计算复杂度低、能够实现对自动目标识别算法性能的不确定性进行定量描述、能够实现多个自动目标识别算法的性能优劣排序并最终确定具有最佳性能的自动目标识别方法等特点。(3)以舰船目标识别应用为背景,利用已有的公开数据集和自建舰船数据集,分别对六种深度网络自动目标识别算法开展自动目标识别性能评价方法实例验证和分析:在资源受限应用场景中,改进SSD方法性能表现最佳;在资源不受限应用场景中,YOLOv3方法取得最佳目标识别性能;实验结果与实际应用情形相符。(4)利用前后端分离思想,综合Element UI组件库、Vue.js和Spring MVC等技术,设计并实现了基于深度学习的目标识别算法性能评价原型系统,并利用该原型系统开展了实验验证和分析。
基于深度学习的目标识别算法性能评价
这是一篇关于自动目标识别,深度学习,性能评价,证据理论,证据推理的论文, 主要内容为近年来,深度学习大量应用到自动目标识别领域,如何综合客观评价基于不同深度网络模型的目标识别方法的性能是实际应用中急需解决的问题。随着自动目标识别技术的发展和应用,现有的基于深度学习的目标识别算法性能评价指标并不能满足当前自动目标识别技术实际应用的需求。因此,本文针对自动目标识别性能评价问题,以舰船目标识别应用为背景,开展了基于深度学习的目标识别算法性能评价相关的关键技术研究。主要完成工作如下:(1)面向自动目标识别实际应用,从准确性、实时性和模型复杂度三个维度,设计并构建了新的自动目标识别性能评价指标体系。(2)提出一种基于DS-ER的自动目标识别性能评价方法。首先,通过领域专家问卷调查,利用层次分析法AHP实现了性能评价指标体系中各指标的相对权重确定;然后,将证据推理ER方法与证据理论DS相结合,通过多性能评价指标联合信度矩阵和证据理论特征进行各指标信息合成,计算得到自动目标识别算法性能的总置信度;最后,通过加权方法,计算得到最终的性能评价结果。该方法具有计算复杂度低、能够实现对自动目标识别算法性能的不确定性进行定量描述、能够实现多个自动目标识别算法的性能优劣排序并最终确定具有最佳性能的自动目标识别方法等特点。(3)以舰船目标识别应用为背景,利用已有的公开数据集和自建舰船数据集,分别对六种深度网络自动目标识别算法开展自动目标识别性能评价方法实例验证和分析:在资源受限应用场景中,改进SSD方法性能表现最佳;在资源不受限应用场景中,YOLOv3方法取得最佳目标识别性能;实验结果与实际应用情形相符。(4)利用前后端分离思想,综合Element UI组件库、Vue.js和Spring MVC等技术,设计并实现了基于深度学习的目标识别算法性能评价原型系统,并利用该原型系统开展了实验验证和分析。
基于深度学习的目标识别算法性能评价
这是一篇关于自动目标识别,深度学习,性能评价,证据理论,证据推理的论文, 主要内容为近年来,深度学习大量应用到自动目标识别领域,如何综合客观评价基于不同深度网络模型的目标识别方法的性能是实际应用中急需解决的问题。随着自动目标识别技术的发展和应用,现有的基于深度学习的目标识别算法性能评价指标并不能满足当前自动目标识别技术实际应用的需求。因此,本文针对自动目标识别性能评价问题,以舰船目标识别应用为背景,开展了基于深度学习的目标识别算法性能评价相关的关键技术研究。主要完成工作如下:(1)面向自动目标识别实际应用,从准确性、实时性和模型复杂度三个维度,设计并构建了新的自动目标识别性能评价指标体系。(2)提出一种基于DS-ER的自动目标识别性能评价方法。首先,通过领域专家问卷调查,利用层次分析法AHP实现了性能评价指标体系中各指标的相对权重确定;然后,将证据推理ER方法与证据理论DS相结合,通过多性能评价指标联合信度矩阵和证据理论特征进行各指标信息合成,计算得到自动目标识别算法性能的总置信度;最后,通过加权方法,计算得到最终的性能评价结果。该方法具有计算复杂度低、能够实现对自动目标识别算法性能的不确定性进行定量描述、能够实现多个自动目标识别算法的性能优劣排序并最终确定具有最佳性能的自动目标识别方法等特点。(3)以舰船目标识别应用为背景,利用已有的公开数据集和自建舰船数据集,分别对六种深度网络自动目标识别算法开展自动目标识别性能评价方法实例验证和分析:在资源受限应用场景中,改进SSD方法性能表现最佳;在资源不受限应用场景中,YOLOv3方法取得最佳目标识别性能;实验结果与实际应用情形相符。(4)利用前后端分离思想,综合Element UI组件库、Vue.js和Spring MVC等技术,设计并实现了基于深度学习的目标识别算法性能评价原型系统,并利用该原型系统开展了实验验证和分析。
本文内容包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主题。发布者:代码工坊 ,原文地址:https://m.bishedaima.com/lunwen/52818.html