多模光纤是一种厚散射介质,当目标图像经过多模光纤传输时将构成多种模式耦合,从而在光纤的输出端生成散斑图案。
基于深度学习对多模光纤成像进行复原,解决了厚散射介质成像失真的问题。
采用DenseUnet,并以散斑图样作为模型的输入来重建目标图像。
DenseUnet模型采用融合机制加深了网络的深度,提高了重建的准确性,并具有很好的鲁棒性。
实验结果表明,DenseUnet可以很好地对具有不同长度的多模光纤产生的散斑图像进行重建。
基于深度学习对多模光纤成像进行复原,解决了厚散射介质成像失真的问题。
采用DenseUnet,并以散斑图样作为模型的输入来重建目标图像。
DenseUnet模型采用融合机制加深了网络的深度,提高了重建的准确性,并具有很好的鲁棒性。
实验结果表明,DenseUnet可以很好地对具有不同长度的多模光纤产生的散斑图像进行重建。
2015/4/9 15:42:45
13.45MB
1
目前基于深度学习模型的预测在真实场景中具有不确定性和不可解释性，给人工智能应用的落地带来了不可避免的风险。
首先阐述了风险分析的必要性以及其需要具备的3个基本特征：可量化、可解释、可学习。
接着，分析了风险分析的研究现状，并重点引见了笔者最近提出的一个可量化、可解释和可学习的风险分析技术框架。
最后，讨论风险分析的现有以及潜在的应用，并展望其未来的研究方向。
首先阐述了风险分析的必要性以及其需要具备的3个基本特征：可量化、可解释、可学习。
接着，分析了风险分析的研究现状，并重点引见了笔者最近提出的一个可量化、可解释和可学习的风险分析技术框架。
最后，讨论风险分析的现有以及潜在的应用，并展望其未来的研究方向。
2022/9/13 22:23:45
1.42MB
1
基于深度学习、语音识别的结巴分词Jieba-Analysis项目，可在Eclipse和AndroidStudio下运转，识别语音的同时，可将关键词分割并输出
2022/9/3 17:41:08
5.29MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB