公共文化服务平台

搜索到1842篇“ 云分析“的相关文章

一种用于生物信息云分析项目创建的方法、装置及设备: 本发明提供了一种用于生物信息云分析项目创建的方法、装置及设备。其方法包括：获取用于生物信息云分析项目创建的元信息；启动预设命令行界面程序，基于预设模板，构建一个标准项目；基于命令行界面，根据所述元信息，创建所述标准项目的...; 黄芳葳龙婷伍勤孙子奎

基于对象存储的视频云分析平台设计: 2025年; 随着平安校园与智慧安防业务的发展,智慧校园已逐步上线了安防监控及门禁、物联门锁等设备,基于如何有效管理并高效利用这些软硬件资源为智慧校园的安全、管理和教学提供支持,设计了基于对象存储的视频云分析平台。通过视频资源共享和智能解析分析两大业务模块形成了基于智慧校园的视频云分析平台,平台通过智能视频分析技术,实现了对智慧校园内关键区域的异常行为检测、预警和报警。; 李虎群张心张哲王芳朱晓芒; 关键词：智慧校园流媒体

一种LED灯具加工云分析监控系统: 本发明涉及监控系统，更具体的说是一种LED灯具加工云分析监控系统，包括两个移动轨道，两个移动轨道之间设置有多个移动部件，移动轨道为长腰形，位于移动轨道上侧的多个移动部件和对应位置的位于移动轨道下侧的多个移动部件能够组成移...; 张文娜

无人机LiDAR点云与无人机影像匹配点云分析比较: 2024年; 随着无人机技术的不断发展,无人机数码航测技术和无人机LiDAR技术在测量领域的应用越来越广泛。为分析无人机LiDAR点云和无人机影像匹配点云2种点云的差异,该文通过对西南某铁路一个测区在同一飞行高度的情况下同时进行无人机数码航摄及无人机LiDAR航摄2种方式航摄。对2种不同的摄影方式获取的点云进行比较,分析出2种方法获取点云在形态表现、滤波分类,以及利用2种点云制作DEM高程精度方面的差异,为实际工程航飞方式的选择提供一个参考。; 缪志修罗远刚; 关键词：DEM 点云数据

一种任务处理的方法、装置及云分析系统: 本申请提供一种任务处理的方法、装置及云分析系统，所述云分析系统包括任务调度节点以及至少一个计算节点，当所述方法应用于任务调度节点时，所述方法包括：接收待进行任务分析的目标任务；依据已获取的各计算节点中分析芯片的优先级确定...; 姚沛彭剑峰叶挺群王鹏

一种基于动态图卷积神经网络的点云分析方法: 本发明公开了一种基于动态图卷积神经网络的点云分析方法，属于图像处理领域。该方法包括：注意力图卷积模块用于提取点云无序领域的特征，找到每个点的K个最近邻近点，通过MLP网络训练出各个边特征的权重，对各个边特征乘以权重求和提...; 杜松林付豪

三维点云分析中的类增量学习方法研究: 三维点云分析技术是帮助机器理解三维世界的方式之一。随着大规模点云数据集的出现,基于深度神经网络的三维点云分析方法发展迅速,在静态数据训练场景中表现优异。然而,在现实的流动数据场景下,旧数据的访问往往受限,导致点云分析模型...; 孙昊; 关键词：三维点云目标检测

融合语义分割和三维点云分析的果园障碍物实时重构方法被引量：1: 2024年; 针对果园障碍物识别和重构存在实时性差的问题,该研究以番石榴果园为例,提出了融合语义分割和三维点云分析的果园障碍物实时重构方法。首先,以DeepLabV3+为基础,使用MobileNetV3-large作为骨干网络以实时提取特征图,结合上下文Transformer注意力丰富特征图细节和语义信息,进一步提出基于Sobel算子的边缘辅助损失函数以提升障碍物分割精度;在此基础上,运用体素化法将枝干三维点云重构为大量立方体,构建基于欧式聚类的果实三维重构方法,设计一种融合逆投影变换和交并比的重构评价指标。试验结果表明:该方法对障碍物语义分割的平均交并比为77.2%,比Xception-DeepLabV3+提高7.0个百分点;平均帧速为78.8帧/s;该方法对枝干和果实的重构交并比分别为56.6%和65.7%,平均重构时间分别为0.84 s和0.34 s。该研究实时性和精度较高,满足水果采摘机器人实时避障作业需求。; 林桂潮徐垚曾文勇王明龙殷瑞涵丁力行朱立学; 关键词：果园三维点云障碍物体素化

基于改进YOLOv8n-pose和三维点云分析的蒙古马体尺自动测量方法: 2024年; [目的/意义]准确高效地获取马匹体尺信息是马产业现代化进程中的关键环节。传统的人工测量方法耗时长、工作量大,且会对马匹造成一定应激反应。因此,实现准确且高效的体尺参数自动测量对于制定蒙古马早期育种计划至关重要。[方法]选择Azure Kinect深度相机获取蒙古马双侧RGB-D数据,以YOLOv8n-pose为基础,通过在C2f模块中引入可变形卷积(Deformable Convolution v2, DCNv2),同时添加洗牌注意力机制(Shuffle Attention, SA)模块和优化损失函数(SCYLLA-IoU Loss, SIoU)的方法,利用余弦退火法动态调整学习率,提出一种名为DSS-YOLO (DCNv2-SA-SIoU-YOLO)的模型用于蒙古马体尺关键点的检测。其次,将RGB图中的二维关键点坐标与深度图中对应深度值相结合,得到关键点三维坐标,并实现蒙古马点云信息的转换。利用直通滤波、随机抽样一致性(Random Sample Consensus, RANSAC)、统计离群值滤波、主成分分析法(Principal Component Analysis, PCA)完成点云处理与分析。最终根据关键点坐标自动计算体高、体斜长、臀高、胸围和臀围5项体尺参数。[结果和讨论] DSS-YOLO的平均关键点检测精度为92.5%;d_(DSS)为7.2个像素;参数量和运算量分别仅为3.48 M和9.1 G。体尺参数自动测量结果与人工测量值相比,各项体尺参数的整体平均绝对误差为3.77 cm;平均相对误差为2.29%。[结论]研究结果可为蒙古马运动性能相关遗传参数的确定提供技术支撑。; 李明煌苏力德张永宗哲英宗哲英; 关键词：体尺测量卷积神经网络

一种基于双几何学习和自适应稀疏注意力的点云分析方法: 本发明公开了一种基于双几何学习和自适应稀疏注意力的点云分析方法，属于点云分析方法领域。所述方法包括：利用邻域三角形结构得到每个点的几何描述符，再通过点对间的相对几何描述符生成几何特征，将邻域中的几何特征和语义特征有效地进...; 凌强周策

加载更多 ∨

相关作者

用户反馈

相关作者

用户登录

用户反馈