文件名称：（外 Q1 2021）基于多尺度特征融合的深度监督卷积神经网络路面裂缝检测
文件大小：15.32MB
文件格式：ZIP
更新时间：2022-09-04 16:09:00
强化学习
在这项工作中，提出了一种用于裂纹检测的深度监督网络。在该网络中，DeepLab被用作密集特征提取器，以获得多尺度卷积特征。采用了一种新的多尺度特征融合模块。 该模块背后的主要动机是解决U形结构中具有语义信息的深层特征在逐层融合过程中被稀释的问题。深度监督学习用于多尺度特征的集成直接监督。此外，采用加权交叉熵损失函数来解决路面裂缝数据的样本不平衡问题。为了进行性能评估，我们分别在三个公共裂缝数据集上进行了实验。实验结果表明，我们的方法优于最先进的裂纹检测方法。
【文件预览】：
笔记
----（外）面向自动驾驶的深度强化学习：调查.png(3.63MB)
----（2022 硕士毕业论文）大规模车辆路径问题的深度强化学习算法研究.png(4.58MB)
----英文.txt(868B)
----（外）深度学习定位真实故障的有效性研究.png(2.76MB)
----md()
--------（外）面向自动驾驶的深度强化学习：调查.md(6KB)
--------（外 Q1 2021）基于多尺度特征融合的深度监督卷积神经网络路面裂缝检测.md(6KB)
--------（2022 硕士毕业论文）大规模车辆路径问题的深度强化学习算法研究.md(5KB)
--------（外）深度学习定位真实故障的有效性研究.md(5KB)
----（外 Q1 2021）基于多尺度特征融合的深度监督卷积神经网络路面裂缝检测.png(5.86MB)
----基于深度学习的图像隐写方法研究.png(2.1MB)