检索范围:
排序: 展示方式:
基于RGBD和稀疏学习的鲁棒目标跟踪 Article
Zi-ang MA, Zhi-yu XIANG
《信息与电子工程前沿(英文)》 2017年 第18卷 第7期 页码 989-1001 doi: 10.1631/FITEE.1601338
面向多目标跟踪的关联相似度神经网络学习 Research Articles
马良,钟巧勇,张营营,谢迪,浦世亮
《信息与电子工程前沿(英文)》 2021年 第22卷 第9期 页码 1194-1206 doi: 10.1631/FITEE.2000272
关键词: 多目标跟踪;深度神经网络;相似度学习
基于深度序列特征学习的临床感染性角膜炎图像分类 Article
许叶圣, 孔鸣, 谢文加, 段润平, 方钲清, 林宇萧, 朱强, 汤斯亮, 吴飞, 姚玉峰
《工程(英文)》 2021年 第7卷 第7期 页码 1002-1010 doi: 10.1016/j.eng.2020.04.012
基于两级层次特征学习的图像分类方法 Article
Guang-hui SONG,Xiao-gang JIN,Gen-lang CHEN,Yan NIE
《信息与电子工程前沿(英文)》 2016年 第17卷 第9期 页码 897-906 doi: 10.1631/FITEE.1500346
基于图像的深度学习降雨强度估计方法 Article
尹航, 郑飞飞, 段焕丰, Dragan Savic, Zoran Kapelan
《工程(英文)》 2023年 第21卷 第2期 页码 162-174 doi: 10.1016/j.eng.2021.11.021
关键词: 城市洪水 降雨图像 深度学习模型 卷积神经网络(CNN) 降雨强度
基于深度前馈神经网络的多基地外辐射源雷达高精度目标跟踪 Research Article
徐宝兄,易建新,程丰,龚子平,万显荣
《信息与电子工程前沿(英文)》 2023年 第24卷 第8期 页码 1214-1230 doi: 10.1631/FITEE.2200260
深度学习在医学超声图像分析中的应用综述 Review
刘盛锋, 王毅, 杨鑫, 雷柏英, 刘立, 李享, 倪东, 汪天富
《工程(英文)》 2019年 第5卷 第2期 页码 261-275 doi: 10.1016/j.eng.2018.11.020
机器学习视角下的城市建模计算机图形方法综述 Review Article
冯天1,范非易2,Tomasz BEDNARZ3,4
《信息与电子工程前沿(英文)》 2021年 第22卷 第7期 页码 915-925 doi: 10.1631/FITEE.2000141
杨晨,马瑞成,王雨石,翟岩龙,祝烈煌
《中国工程科学》 2021年 第23卷 第2期 页码 95-103 doi: 10.15302/J-SSCAE-2021.02.013
工业互联网安全是制造强国和网络强国建设的基石,深度学习因其具有表达能力强、适应性好、可移植性高等优点而可支持“智能自主式”工业互联网安全体系与方法构建,因此促进深度学习与工业互联网安全的融合创新具有鲜明价值。本文从产业宏观、安全技术、深度学习系统等角度全面分析了发展需求,从设备层、控制层、网络层、应用层、数据层的角度剖析了深度学习应用于工业互联网安全的发展现状;阐述了工业互联网深度学习应用在模型训练、模型预测方面的安全挑战,前瞻研判了未来研究的重点方向,如深度神经网络可解释性、样本收集和计算成本、样本集不均衡、模型结果可靠性、可用性与安全性平衡等。
基于双重约束的多帧图像降噪方法 Research Articles
张丹,赵磊,许端清,鲁东明
《信息与电子工程前沿(英文)》 2022年 第23卷 第2期 页码 220-233 doi: 10.1631/FITEE.2000353
关键词: 图像降噪;多帧图像降噪;深度学习
联合局部学习和组稀疏回归的无监督特征选择 Regular Papers
Yue WU, Can WANG, Yue-qing ZHANG, Jia-jun BU
《信息与电子工程前沿(英文)》 2019年 第20卷 第4期 页码 538-553 doi: 10.1631/FITEE.1700804
关键词: 无监督;局部学习;组稀疏回归;特征选择
深度学习中的对抗性攻击和防御 Feature Article
任奎, Tianhang Zheng, 秦湛, Xue Liu
《工程(英文)》 2020年 第6卷 第3期 页码 346-360 doi: 10.1016/j.eng.2019.12.012
在深度学习(deep learning, DL)算法驱动的数据计算时代,确保算法的安全性和鲁棒性至关重要。最近,研究者发现深度学习算法无法有效地处理对抗样本。这些伪造的样本对人类的判断没有太大影响,但会使深度学习模型输出意想不到的结果。最近,在物理世界中成功实施的一系列对抗性攻击证明了此问题是所有基于深度学习系统的安全隐患。因此有关对抗性攻击和防御技术的研究引起了机器学习和安全领域研究者越来越多的关注。本文将介绍深度学习对抗攻击技术的理论基础、算法和应用。然后,讨论了防御方法中的一些代表性研究成果。
Actor-Critic强化学习算法及其在开发基于计算机视觉的界面跟踪中的应用 Article
Oguzhan Dogru, Kirubakaran Velswamy, 黄彪
《工程(英文)》 2021年 第7卷 第9期 页码 1248-1261 doi: 10.1016/j.eng.2021.04.027
本文通过将对象跟踪形式化为序列决策过程,使控制理论与计算机视觉实现同步。强化学习(RL)智能体成功跟踪了两种液体之间的界面,这通常是化学、石化、冶金和石油行业中跟踪的关键变量。该方法使用少于100 张图像来创建环境,智能体无需专家知识即可从中生成自己的数据。与依赖大量参数的监督学习(SL)方法不同,这种方法需要的参数少得多,这自然降低了维护成本。除了经济性外,该智能体还对环境不确定性(如遮挡、强度变化和过度噪声)具有鲁棒性。在闭环控制情境下,基于界面位置的偏差被选作训练阶段的优化目标。该方法展示了RL方法在油砂行业中的实时对象跟踪应用。本文除了介绍界面跟踪问题外,还详细回顾了最有效的RL方法之一——actor-critic策略。
标题 作者 时间 类型 操作
2020年计算机视觉、图像与深度学习国际学术会议(CVIDL 2020)
2020年05月15日
会议信息