基于深度学习的水下鱼类重量估计方法、系统及电子设备.pdf
邻家****ng
亲,该文档总共16页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于深度学习的水下鱼类重量估计方法、系统及电子设备.pdf
本发明公开了一种基于深度学习的水下鱼类重量估计方法、系统及电子设备,方法包括:收集目标鱼类图像,对图像进行划分和标注,构建目标鱼类数据集;对所述目标鱼类数据集进行预处理;构建目标鱼类检测模型、轮廓提取模型和重量估计模型,使用获取的目标鱼类数据集训练上述模型;构建目标鱼类轮廓对比器,判断鱼身是否和摄像头垂直,当两者垂直时,对相应的轮廓图进行后续处理;构建目标鱼类轮廓图缩放器,对输入轮廓图的像素尺寸进行缩放;将按比例缩放后的轮廓图作为重量估计模型的输入,得到目标鱼类的重量估计结果。本发明能无损、快速地对目标鱼
基于深度学习的到达角估计系统.pdf
本发明属于无线通信技术领域,具体为一种基于深度学习的到达角估计系统。本发明系统包括信号模型、数据预处理模块、双分支神经网络模型;信号模型用于对输入信号进行建模;数据预处理模块用于初步提取信号特征;双分支神经网络模型包括特征提取网络和并行预测网络,并行预测网络包括分类分支,回归分支和输出层;特征提取网络用于提取输入数据的深层特征,输出给分类分支和回归分支,分类分支给出DoA的大致范围即掩码,回归分支给出DoA相对网格点的误差,输出层结合两个分支的结果给出最终的DoA估计结果。仿真结果表明,与基于模型的深度学
基于语义信息约束的水下图像相对深度估计方法.pdf
本发明属于计算机视觉领域,具体涉及一种基于语义信息约束的水下图像相对深度估计方法、系统、设备,旨在解决现有的水下图像相对深度估计精度低以及边缘轮廓不明显的问题。本发明方法包括:获取待相对深度估计的单目水下图像,作为输入图像;通过训练好的相对深度图预测模型获取所述输入图像对应的预测深度图,进而得到水下场景的相对深度关系;所述相对深度图预测模型基于编码‑解码结构的深度卷积神经网络构建。本发明提高了水下图像相对深度的估计精度,并提升了深度估计边缘效果。
一种基于深度估计的水下图像复原计算效率提升方法及系统.pdf
本发明提供一种基于深度估计的水下图像复原计算效率提升方法及系统,依次进行对原始图像进行灰度化处理、对已经完成灰度化处理的图像进行Sobel算子进行边缘检测、形态学闭运算,实现背景与远景分离、归一化处理,得到近景像素值小而愿景像素值大的场景深度估计图、设定深度阈值P,P为近景区域中深度估计值的最大值;若原始图像坐标点的场景深度估计值小于深度阈值P,设该点为采用点,将该点的数据信息用于后续程序的数据计算。本发明提出基于深度估计的水下图像复原计算效率提升的概念,即依据原始图像深度估计信息,通过保留深度估计中近景
用于电子设备的深度估计系统.pdf
一种光图案生成系统(1),包括光源(2)和衍射系统(3),由所述光源(2)发射的光线穿过所述衍射系统(3)并生成光图案。所述衍射系统(3)包括准直透镜(4)、衍射光学元件(5)和扩展透镜(6)。所述准直透镜(4)、所述衍射光学元件(5)和所述扩展透镜(6)共用光轴(O1),所述衍射光学元件(5)设置在所述准直透镜(4)与所述扩展透镜(6)之间。入射光线相对于所述光轴(O1)以多个角度进入所述准直透镜(4),使得所述入射光线形成具有第一投射角度(α1)的第一发散图案。出射光线相对于所述光轴(O1)以多个角度