產(chǎn)地類別 | 進口 | 電動機功率 | 3600kW |
---|---|---|---|
讀出方式 | 模擬量 | 工作原理 | 脈沖 |
外形尺寸 | 50mm*50mmmm | 外型尺寸 | 30mm*40mmmm |
應(yīng)用領(lǐng)域 | 環(huán)保,生物產(chǎn)業(yè),石油,建材,紡織皮革 | 重量 | 0.8kg |
產(chǎn)品簡介
詳細介紹
1098341數(shù)字信號處理的脈沖編碼器DBV50E-22EPA1000
DBV50E-22EPA1000基于注意力機制的編解碼模型在文本摘要、機器翻譯等序列到序列任務(wù)上得到了廣泛的應(yīng)用。在深度學習框架中,深層神經(jīng)網(wǎng)絡(luò)能夠提取輸入數(shù)據(jù)不同的特征表示,因此傳統(tǒng)編解碼模型中通常堆疊多層來提高模型性能。然而現(xiàn)有的模型在解碼時僅利用編碼器后一層信息,而忽略編碼器其余層的特征。鑒于此,該文提出一種基于多層循環(huán)神經(jīng)網(wǎng)絡(luò)和層級交互注意力機制的摘要生成模型,通過層級交互注意力提取編碼器不同層次的特征信息來指導摘要的生成。為了處理因引入不同層次特征而帶來的信息冗余問題,引入變分信息瓶頸壓縮數(shù)據(jù)噪聲。后在Gigaword和DUC2004摘要數(shù)據(jù)集上進行實驗,結(jié)果表明所提方法能夠獲得性能。 深度學習已成為圖像識別領(lǐng)域的一個研究熱點。與傳統(tǒng)圖像識別方法不同的是,深度學習是從大量數(shù)據(jù)中自動學習特征,并且具有強大的自學習能力和高效的特征表達能力。但在小樣本條件下,傳統(tǒng)的深度學習方法如卷積神經(jīng)網(wǎng)絡(luò)難以學習到有效的特征,造成圖像識別的準確率較低。因此,提出一種新的小樣本條件下的圖像識別算法用于解決SAR圖像的分類識別。該算法以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),結(jié)合自編碼器,形成深度卷積自編碼網(wǎng)絡(luò)結(jié)構(gòu)。首先對圖像進行預處理,使用2D Gabor濾波增強圖像,在此基礎(chǔ)上對模型進行訓練,后構(gòu)建圖像分類模型。該算法設(shè)計的網(wǎng)絡(luò)結(jié)構(gòu)能自動學習并提取小樣本圖像中的有效特征,進而提高識別準確率。在MSTAR數(shù)據(jù)集的10類目標分類中,選擇訓練集數(shù)據(jù)中10%的樣本作為新的訓練數(shù)據(jù),其余數(shù)據(jù)為驗證數(shù)據(jù),并且。測試數(shù)據(jù)在卷積神經(jīng)網(wǎng)絡(luò)中的識別準確率為76.38%,而在提出的卷積自編碼結(jié)構(gòu)中識別準確率達到了88.09%。實驗結(jié)果表明,提出的算法在小樣本圖像識別中比卷積神經(jīng)網(wǎng)絡(luò)模型更加有效。
1098341數(shù)字信號處理的脈沖編碼器DBV50E-22EPA1000
DBV50E-22EPA1000眼底視網(wǎng)膜血管的分割提取對于診斷糖尿病、視網(wǎng)膜病、青光眼等眼科疾病具有重要的意義。針對視網(wǎng)膜血管圖像中的血管難以提取、數(shù)據(jù)量較少等問題,文中提出了一種結(jié)合注意力模塊和編碼-結(jié)構(gòu)的視網(wǎng)膜血管分割方法。首先對編碼-卷積神經(jīng)網(wǎng)絡(luò)的每個卷積層添加空間和通道注意力模塊,加強模型對圖像特征的空間信息和通道信息的利用(如血管的大小、形態(tài)和連通性等特點),從而提高視網(wǎng)膜血管的分割效果。其中,空間注意力模塊關(guān)注于血管的拓撲結(jié)構(gòu)特性,而通道注意力模塊關(guān)注于血管像素點的正確分類。此外,采用Dice損失函數(shù)解決了視網(wǎng)膜血管圖像正負樣本不均衡的問題。在3個公開的眼底圖像數(shù)據(jù)庫DRIVE,STARE和CHASE_DB1上進行了實驗,實驗數(shù)據(jù)表明,在DRIVE,STARE和CHASE_DB1數(shù)據(jù)庫上,所提算法的準確率、靈敏度、特異性和AUC值均優(yōu)于已有的視網(wǎng)膜血管分割方法,其中AUC值分別為0.988 9,0.981 2和0.983 1,這進一步說明,所提算法能夠有效提取健康視網(wǎng)膜圖像和病變視網(wǎng)膜圖像中的血管網(wǎng)絡(luò),能夠較好地分割細小血管。
1098319 DBS36E-S3CJ01000
1098320 DBS60I-S4AC01000
1098340 DBS60E-RHEC01024
1098341 DBV50E-22EPA1000
1098342 DBV50E-22GPA1000
1098350 DBS60E-REEK02048
1098423 DBS50E-S5RM01000
1098424 DBV50E-22ANA0200
1098439 DBS60E-TGFQD1024
1098444 BCG19-C1QM0S08 WIRE DRAW ENCODER ABS
1098495 DBS36E-S3AM00500
1098505 DFS60B-S1EC00700 INCREMENTAL ENCODER
1098525 DBSOOE-THFN00512
1098545 DBS60E-RHFL05000
1098590 DBS60E-TGEJD1024
1098597 DBS60E-TJECA1024
1098625 AFM60A-TDAL262144 ABSOLUTE ENCODER
1098668 TMS88D-ACI360 INCLINATION SENSOR
1098669 TMM88D-ACI090 INCLINATION SENSOR
1098670 TMS88D-AJI360 INCLINATION SENSOR
1098671 TMM88D-AJI090 INCLINATION SENSOR
1098706 DES60E-TEEM03600
1098748 DBV50E-22EPA0020
1098749 DFS60B-S1EA00028 INCREMENTAL ENCODER
1098764 DBS60E-TDAL00500
1098765 DBS60E-TDAL03600
1098795 DFS25A-A4CAD002500 INCREMENTAL ENCODER
1098815 DBS36E-S3GK00S77
1098817 AFS60B-BBPA032768 ABSOLUTE ENCODER
1098857 DFS60E-BEEN00360
1098899 DFS60I-BJPC65536 INCREMENTAL ENCODER
1098901 DBS60E-S4EA00180
1098903 DBS60E-BIEC00100
1098904 AFM60B-TBAA004096