您好, 歡迎來到化工儀器網(wǎng)
| 產(chǎn)地類別 | 進(jìn)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/家具,紡織/印染 | 重量 | 0.8kg |
產(chǎn)品簡介
詳細(xì)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(xué)習(xí)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(dǎo)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(jìn)行實驗，結(jié)果表明所提方法能夠獲得性能。 深度學(xué)習(xí)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(xué)習(xí)是從大量數(shù)據(jù)中自動學(xué)習(xí)特征，并且具有強大的自學(xué)習(xí)能力和高效的特征表達(dá)能力。但在小樣本條件下，傳統(tǒng)的深度學(xué)習(xí)方法如卷積神經(jīng)網(wǎng)絡(luò)難以學(xué)習(xí)到有效的特征，造成圖像識別的準(zhǔn)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(jìn)行預(yù)處理，使用2D Gabor濾波增強圖像，在此基礎(chǔ)上對模型進(jìn)行訓(xùn)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(xué)習(xí)并提取小樣本圖像中的有效特征，進(jìn)而提高識別準(zhǔn)確率。在MSTAR數(shù)據(jù)集的10類目標(biāo)分類中，選擇訓(xùn)練集數(shù)據(jù)中10%的樣本作為新的訓(xùn)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(zhǔn)確率為76.38%，而在提出的卷積自編碼結(jié)構(gòu)中識別準(zhǔn)確率達(dá)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?fù)浣Y(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(fù)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(jìn)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(zhǔn)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(jìn)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(xì)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