您的位置： 专家智库 > >

杨文元

作品数：26 被引量：60H指数：5
供职机构：闽南师范大学更多>>
发文基金：国家自然科学基金福建省自然科学基金陕西省教育厅科研计划项目更多>>
相关领域：自动化与计算机技术经济管理文化科学电子电信更多>>

合作作者

文献类型

  • 23篇期刊文章
  • 2篇专利
  • 1篇会议论文

领域

  • 24篇自动化与计算...
  • 1篇经济管理
  • 1篇电子电信
  • 1篇文化科学

主题

  • 11篇计算机
  • 11篇计算机视觉
  • 10篇目标跟踪
  • 6篇视频
  • 6篇相关滤波
  • 6篇滤波
  • 5篇神经网
  • 5篇神经网络
  • 4篇多标记
  • 4篇网络
  • 4篇无人机
  • 4篇分辨率
  • 4篇超分辨
  • 4篇超分辨率
  • 3篇电路
  • 3篇电路板
  • 3篇多标记学习
  • 2篇多特征融合
  • 2篇印刷电路
  • 2篇印刷电路板

机构

  • 26篇闽南师范大学
  • 7篇漳州职业技术...
  • 1篇圣保罗大学

作者

  • 26篇杨文元
  • 5篇赵红
  • 3篇欧丰林
  • 3篇李婵
  • 2篇林璐颖
  • 2篇杨敬民
  • 1篇许甲云

传媒

  • 4篇智能系统学报
  • 3篇哈尔滨商业大...
  • 2篇南京大学学报...
  • 2篇计算机工程与...
  • 2篇数码设计
  • 1篇数据采集与处...
  • 1篇计算机工程
  • 1篇计算机应用
  • 1篇小型微型计算...
  • 1篇南京师大学报...
  • 1篇中国体视学与...
  • 1篇郑州大学学报...
  • 1篇南京师范大学...
  • 1篇江苏科技大学...
  • 1篇闽南师范大学...

年份

  • 2篇2023
  • 3篇2022
  • 2篇2021
  • 7篇2020
  • 3篇2019
  • 3篇2018
  • 3篇2017
  • 3篇2016
共 26 条 记 录，以下是 1-10
全选 清除 导出
排序方式：
基于最大相关最小冗余的多标记特征选择被引量：2
2016年
针对多标记学习中高维数据运行速度问题,提出一种基于最大相关最小冗余的特征选择算法ML-MRMR。利用数据与标记的互信息,获得了最大相关性最少冗余性特征集合。分析了所选特征百分比与精度关系。实验结果表明,所提出算法在速度和精度上都具有明显的优势。
杨文元
关键词：多标记学习数据降维
超分辨率对抗网络的电路板瑕疵检测被引量：1
2021年
电路板瑕疵检测是图像检测领域一个具有挑战性的问题.针对电路板瑕疵只占整个图像区域的很小比例而导致难以检测的问题,提出超分辨率生成式对抗网络的电路板瑕疵小目标检测方法,电路板图像通过对抗网络提高分辨率后用深层网络的多尺度进行目标检测.首先,将电路板数据集图片通过超分辨率生成式对抗网络提高分辨率,放大至4倍尺寸;在Darknet-53网络中通过卷积、采样和融合提取不同尺度的特征图;使用先验框对特征图进行多尺度预测,输出瑕疵的边界框和分类.实验表明,超分辨率生成式对抗网络电路板瑕疵小目标检测方法的平均精确率可提高至99.38%.
吴慧君施玉娟杨文元
关键词：目标识别超分辨率瑕疵检测
一种基于时序分组的深度特征融合视频超分辨率方法
本发明涉及视频超分辨率重建技术领域，且公开了一种基于时序分组的深度特征融合视频超分辨率方法，解决现有技术中忽略参考帧信息和多帧之间的互补信息等问题，提升了视频超分辨率的效果，低分辨率视频通过本发明使用的技术可以获得更清晰...
杨敬民吴苗志陈圳森杨文元
多帧监督的相关滤波无人机目标跟踪被引量：3
2021年
目标跟踪是无人机的关键技术之一。无人机目标跟踪容易因相机运动、尺度变化等场景的影响,导致跟踪漂移或丢失。提出一种多帧监督的相关滤波无人机目标跟踪算法,加入多帧信息,根据视图的像差监督响应图变化率,有效地提高跟踪器的识别能力。采用裁剪矩阵引入真实负样本,并加入多个历史帧信息提高滤波器的鲁棒性。采用欧几里德范数定义响应图的像差,通过监督像差的变化防止跟踪漂移,得到目标的准确位置。根据相似度进行目标模型更新。在UAV123和VisDrone2019数据集上与其他算法对比实验。结果显示该算法在相机运动、尺度变化等场景具有良好的跟踪鲁棒性和精度。
林淑彬吴贵山许甲云许甲云
关键词：计算机视觉目标跟踪无人机
联合依赖最大化与稀疏表示的无监督特征选择方法被引量：1
2017年
高维数据分析任务中,无监督特征选择是一项重要并具有挑战性的任务.传统的无监督特征选择算法通过保持流形结构或者特征之间相关性进行特征选择,而没有直接考虑选择特征与原始数据的依赖程度.通过考虑投影后的低维空间数据与原始数据信息之间的依赖性,提出有良好性能的特征依赖于原始数据的度量原则.首先利用最大化依赖使投影后数据尽可能保持原始数据的特征信息,据此获得投影矩阵,从而对原始数据达到降维效果.然后联合稀疏表示进行特征选择.提出一种新的无监督特征选择算法,称之为联合依赖最大化与稀疏表示的无监督特征选择方法(DMSR).在4个实际的数据集上进行实验,并与3种已有的无监督特征选择算法进行比较,在两种评价指标聚类精度和互信息上的实验结果表明,提出的DMSR算法是有效的.
李婵杨文元赵红
基于稀疏聚类的无监督特征选择被引量：2
2018年
特征选择是从特征集合中选择相关特征子集,方便数据聚类、分类和检索等.现有的无监督特征选择算法是将高维数据映射到低维空间并计算每个特征的得分,选择排名靠前的特征.提出一种基于稀疏聚类的无监督特征选择算法:首先利用流形学习的特征映射思想将高维空间的数据映射到低维空间中,用样本构造近邻图,通过图的嵌入找到低维空间,降维后的空间能保持原始数据集的流形结构.其次,得到的样本嵌入矩阵表示特征的重要性,是区分特征对每一个聚类簇的贡献大小的指标,利用低维空间对高维空间的拟合,构造一个目标函数.最后,目标函数本质是回归问题,求解回归优化问题常用最小角回归算法,使用L_1范数进行稀疏回归计算每个特征的得分,选出得分靠前的特征.在六个现实数据集上的实验结果表明:该算法在聚类精度和互信息上取得了较好的实验结果,能有效地选出重要特征,在降维方面具有良好性能,优于其他对比算法.
董利梅赵红杨文元
关键词：流形学习特征映射
应用k-means算法实现标记分布学习被引量：8
2017年
标记分布学习是近年来提出的一种新的机器学习范式,它能很好地解决某些标记多义性的问题。现有的标记分布学习算法均利用条件概率建立参数模型,但未能充分利用特征和标记间的联系。本文考虑到特征相似的样本所对应的标记分布也应当相似,利用原型聚类的k均值算法(k-means),将训练集的样本进行聚类,提出基于kmeans算法的标记分布学习(label distribution learning based on k-means algorithm,LDLKM)。首先通过聚类算法kmeans求得每一个簇的均值向量,然后分别求得对应标记分布的均值向量。最后将测试集和训练集的均值向量间的距离作为权重,应用到对测试集标记分布的预测上。在6个公开的数据集上进行实验,并与3种已有的标记分布学习算法在5种评价指标上进行比较,实验结果表明提出的LDLKM算法是有效的。
邵东恒杨文元赵红
关键词：聚类K-MEANS多标记均值向量
多特征融合的无人机目标跟踪算法研究被引量：4
2020年
视觉目标跟踪是无人机监控领域一项重要的关键技术.无人机在高空领域监控的对象具有距离大而且目标小,因此视差和光照变化等方面跟踪性能不高.在背景感知相关滤波器框架提出一种新的响应融合策略,通过对响应图中的峰值强度进行加权实现目标跟踪的精确定位.通过背景感知相关滤波器对跟踪的目标提取的每个特征;利用峰值信噪比来衡量响应值的峰值强度,对每个响应值进行加权融合.利用融合响应图对目标进行精确定位.该算法在UAV123公开的数据集进行实验,与六个视频跟踪算法进行对比分析.实验表明,该算法表现出较好的性能,特别是提高目标跟踪的运动中视差和光照变化的性能.
欧丰林杨文元
关键词：计算机视觉目标跟踪无人机峰值信噪比相关滤波
区域损失函数的孪生网络目标跟踪被引量：1
2020年
针对预训练卷积神经网络提取的深度特征空间分辨率低,快速运动造成运动目标空间细节信息丢失等问题,提出用区域损失函数构建孪生网络的目标跟踪,进一步降低深度特征通道之间的冗余性,并减少高层信息丢失。利用线下预训练的VGG-16卷积神经网络提取深度特征,构成初始深度特征空间。通过区域损失函数构建特征和尺度选择网络,根据反向传播的梯度大小进行特征选择。对筛选后的特征进行拼接,融入到孪生网络中匹配跟踪。在OTB-2013、OTB-2015、VOT2016、TempleColor数据集上与其他算法对比。实验结果表明,该算法在快速运动、低分辨率等场景中表现出较好的跟踪精度和鲁棒性。
吴贵山林淑彬钟江华杨文元
关键词：计算机视觉目标跟踪卷积神经网络
融合双HOG特征和颜色特征的目标跟踪被引量：7
2020年
目标跟踪是计算机视觉中一个极具挑战性的任务,应用于图像处理、模式识别、自动控制等不同领域.许多跟踪算法都获得了良好的效果,但复杂的运动场景会影响目标跟踪的性能.文中提出一种融合双HOG特征和颜色特征的方法,用于视觉目标跟踪,通过构造双HOG特征和颜色直方图特征,并进行融合,减少运动场景变化对目标跟踪的影响.首先,提取当前帧目标区域的HOG特征,并分割为HOG1和HOG2,利用判别相关滤波器对两个特征分别进行滤波处理,选择出最优的特征;然后,利用颜色直方图提取当前帧目标区域的颜色属性特征;最后,融合双HOG特征和颜色特征,获得特征响应图,在响应图中寻找最大值位置,即预测出的新目标位置.在OTB-2013、OTB-2015基准数据集上与其他6个算法对比,实验结果显示,该方法在处理背景杂乱、平面外旋转和形状变化等目标跟踪方面具有良好性能.
林淑彬丁飞飞杨文元
关键词：计算机视觉目标跟踪HOG特征
全选 清除 导出
共3页<123>
聚类工具0