期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
基于双判别器的GANomaly异常检测方法研究
1
作者 刘韵婷 谭明晓 +1 位作者 高宇 戴佳霖 《电子科技大学学报》 EI CAS CSCD 北大核心 2024年第4期568-575,共8页
在异常检测领域中,生成对抗网络(Generative Adversarial Nets, GAN)和自编码器(Autoencoder, AE)近年来取得了较好的应用效果。然而,现有的基于GAN的异常检测模型普遍存在重构能力差的问题。针对于此,该文提出一种双判别器的GANomaly... 在异常检测领域中,生成对抗网络(Generative Adversarial Nets, GAN)和自编码器(Autoencoder, AE)近年来取得了较好的应用效果。然而,现有的基于GAN的异常检测模型普遍存在重构能力差的问题。针对于此,该文提出一种双判别器的GANomaly网络模型,其中,全局判别器用于提高图像的重构能力,局部判别器用于提高在空间层次的编码能力。分别在MvTec数据集和自制轮胎X光图像数据集上对文中所提方法进行验证,实验结果表明,该方法能够有效提升模型的重构能力,降低异常分数阈值,提高异常检测的准确率。 展开更多
关键词 异常检测 深度学习 双判别器 生成对抗网络
下载PDF
融合ECA注意力层和轻量正则化的多视图三维重建
2
作者 刘韵婷 高宇 +1 位作者 戴佳霖 谭明晓 《电子测量与仪器学报》 CSCD 北大核心 2024年第7期179-186,共8页
为了有效解决多视图三维重建中的边缘缺失、网络内存消耗严重、重建精度低的问题,对基于深度学习的多视图三维重建网络的特征提取、正则化网络、损失函数、优化器等进行研究。首先,使用融合ECA注意力层的特征提取网络,提高网络对通道特... 为了有效解决多视图三维重建中的边缘缺失、网络内存消耗严重、重建精度低的问题,对基于深度学习的多视图三维重建网络的特征提取、正则化网络、损失函数、优化器等进行研究。首先,使用融合ECA注意力层的特征提取网络,提高网络对通道特征信息的关注;然后,在门控循环单元模块中加入卷积层,改进的门控循环单元组合成GC正则化网络,采用此网络对代价体进行正则化,降低网络的计算量;最后,使用SmoothL1损失函数和Adam优化器,提高模型训练后期的收敛精度,优化模型的损失和参数。在DTU公开数据集上训练和测试,提出的融合注意力机制和轻量正则化的多视图三维重建网络(EGF-MVSNet)相比于经典的MVSNet网络完整性上提高了22.1,模型总体评分提高了11.5%。能够实现物体的重建,显著提高重建结果的质量,降低网络对内存的消耗。 展开更多
关键词 三维重建 多视图 深度学习 ECA注意力
原文传递
浅析新课改下的美术教学
3
作者 谭明晓 《商情》 2012年第1期184-184,共1页
美术课程的教学也应该适应社会发展的需要,课程改革也促使传统的教育模式向新的适应社会发展的教育模式转化,这就对美术课堂教学提出了更高的要求。
关键词 新课改 美术教学 美术课堂
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部