×
极光图像自动分析模型 方法与技术

极光图像自动分析模型 方法与技术

1星价 ¥44.2 (6.5折)
2星价¥44.2 定价¥68.0
暂无评论
图文详情
  • ISBN:9787569543056
  • 装帧:一般胶版纸
  • 册数:暂无
  • 重量:暂无
  • 开本:16开
  • 页数:286
  • 出版时间:2024-06-01
  • 条形码:9787569543056 ; 978-7-5695-4305-6

内容简介

本书针对与日俱增的海量极光图像自动分析的需求, 主要介绍了极光形态表征、分类与识别、极光关键结构分割及其应用, 以及极光运动表征、典型极光事件自动识别与检测等。全书共9章, 首先介绍了极光的产生和观测、极光图像自动分析的研究动机、现状、难点等, 接着详细介绍了极光图像分类与分割, 包括有监督分类、半监督分类、无监督分类、小样本分类、多标签分类、极光弧分割、极光关键结构提取等, 重点介绍了基于极光弧分割的弧宽测定及分布统计、基于极光卵边界分割的极光卵位置建模预测。

目录

第1章 绪论 1.1 研究背景及意义 1.1.1 极光的产生和研究意义 1.1.2 极光光学观测设备及极光图像数据 1.2 基于光学观测的极光研究进展与现状 1.2.1 基于ASI图像的极光研究进展与现状 1.2.2 基于UVI图像的极光研究进展与现状 1.2.3 极光图像自动分析的必要性 1.3 极光图像自动分析的 外研究现状 1.3.1 极光图像分类 1.3.2 极光图像分割 1.3.3 极光图像检索 1.3.4 极光运动表征 1.3.5 极光事件自动识别 1.3.6 极光事件自动检测 1.4 极光图像自动分析的难点及存在的问题 1.5 本书主要研究内容及组织结构 1.5.1 本书研究内容 1.5.2 本书章节安排 1.6 本章参考文献 第2章 极光图像分类 2.1 基于传统机器学习的极光图像有监督分类 2.1.1 极光图像分类机制 2.1.2 基于WLD特征的极光图像自动分类 2.1.3 基于HMM的极光序列表征和分类 2.2 基于卷积神经网络的极光图像有监督分类 2.2.1 研究背景与动机 2.2.2 基于AlexNet的STN和L-Softmax极光图像表征 2.2.3 极光分类机制和数据集构建 2.2.4 实验结果 2.2.5 小结 2.3 极光图像无监督聚类 2.3.1 研究背景与动机 2.3.2 基于谱聚类的极光图像自动聚类网络 2.3.3 实验与结果分析 2.3.4 总结和展望 2.4 喉区极光自动识别 2.4.1 研究背景与动机 2.4.2 数据集介绍 2.4.3 基于改进Incep ResNet-V2的喉区极光自动识别 2.4.4 小结 2.5 本章参考文献 第3章 极光图像分割 3.1 三种基于传统机器学习的极光弧分割方法对比 3.1.1 研究背景与动机 3.1.2 数据和方法 3.1.3 实验结果分析 3.1.4 总结与展望 3.2 基于全卷积神经网络的极光图像自动分割 3.2.1 研究背景与动机
展开全部

预估到手价 ×

预估到手价是按参与促销活动、以最优惠的购买方案计算出的价格(不含优惠券部分),仅供参考,未必等同于实际到手价。

确定
快速
导航