排序方式： 共有2条查询结果，搜索用时 46 毫秒
1
1.
对于单幅遥感光学图像，目前已经有很多有效的色彩校正算法，但是这些算法需要人工经验或对场景的先验知识，无法满足对快速增长的海量遥感图像进行自动化处理的需求。针对这一问题，提出一种基于稠密卷积神经网络的遥感图像自动色彩校正方法DCN（dense convolutional networks）。该模型可以预测遥感图像的RGB通道的颜色校正系数K，从而对原始图像进行自动色彩校正。DCN使用稠密模块代替部分卷积层，用更少的层数实现更多的连接。DCN模型由3 000幅GF-2号遥感图像在Tensorflow框架上训练得到，损失函数为颜色校正系数向量与真值向量之间的色偏角θ。经过测试验证，校正后的图像与原图像仅有很小的色偏角，且与真实地物颜色吻合。与传统方法相比，该方法在训练后，可直接使用生成的模型对训练集中未出现的图像进行颜色校正，无需对场景的先验知识和人工经验，也无需参考图像，可实现对海量遥感光学图像的自动化色彩校正。与传统的卷积神经网络CNN（convolutional neural networks）相比，基于DCN的模型拥有更少的参数和更好的泛化能力，而且不受输入图像大小的限制，在测试集上有更好的结果。 相似文献
2.
对某款搭载DCT(Double clutch transmission,双离合器自动变速器)的车型在试验场按不同工况进行实车试验,使用两个加速度传感器采集DCT关键部位的振动载荷谱,对采集的信号数据进行处理分析.结果显示:DCT最大振动加速度达到10.37 g,为DCT及其主要零部件结构的CAE分析提供真实可靠的输入边界,对建立DCT载荷谱数据库有重要意义. 相似文献
1