Name: 복잡한 환경에서 두드러진 물체 감지를 위한 End-to-End Deep Neural Network (동영상) | JoVE Journal
Uploaded: 2023-12-15T13:10:00.000+00:00
Duration: 3 min 31 s
Description: 학습하세요 복잡한 환경에서 두드러진 물체를 정확하게 감지하는 엔드투엔드 심층 신경망 알고리즘을 활용하는 방법을. 이 연구는 스마트 그리드 절연체 검사 등 실제 응용 분야에서 객체 분할 및 탐지 정확도를 크게 향상시킵니다.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

이 작업은 2024년 허난성 고등 교육 기관 핵심 과학 연구 프로젝트 자금 지원 프로그램 설립(프로젝트 번호: 24A520053)의 지원을 받습니다. 이 연구는 허난성의 전문 창조 및 통합 특성 시범 코스 건설의 지원도 받고 있습니다.

1. 실험 설정 및 절차
<ol><li>사전 훈련된 VGG16 모델을 불러옵니다. 참고: 첫 번째 단계는 Keras 라이브러리6에서 사전 훈련된 VGG16 모델을 로드하는 것입니다.<ol><li>PyTorch와 같은 인기 있는 딥러닝 라이브러리를 사용하여 Python에서 사전 훈련된 VGG16 모델을 로드하려면( 자료 목차 참조) 다음 일반 단계를 따르십시오.<ol><li>수입품 토치. torchvision.models 를 모델로 가져옵니다.</li>
			<li>사전 훈련된 VGG16 모델을 불러옵니다. vgg16_model = models.vgg16(pretrained=True)입니다.</li>
			<li>VGG16 모델의 요약이 "print(vgg16_model)"인지 확인합니다.</li>
		</ol></li>
	</ol></li>
	<li>DCL 및 DEDN 모델을 정의합니다.<ol><li>DCL 알고리즘의 의사 코드의 경우 입력: 이미지 데이터 세트 SOD 및 출력: 학습된 DCL 모델을 제공합니다.<ol><li>VGG16 백본 네트워크로 DCL 모델을 초기화합니다.</li>
			<li>이미지 데이터셋 D를 전처리합니다(예: 크기 조정, 정규화).</li>
			<li>데이터 세트를 학습 세트와 검증 세트로 분할합니다.</li>
			<li>DCL 모델을 학습하기 위한 손실 함수(예: 이진 교차 엔트로피)를 정의합니다.</li>
			<li>학습률(0.0001), 설정된 훈련 epoch 수(50), 배치 크기(8), 옵티마이저(Adam)와 같은 훈련을 위한 하이퍼파라미터 설정.</li>
			<li>DCL 모델 훈련: 정의된 Epoch 수의 각 Epoch에 대해 훈련 세트의 각 배치에 대해 수행합니다. 다음을 입력합니다.<ol><li>전달 패스: 배치 이미지를 DCL 모델에 공급합니다. 예측된 현저성 맵과 실측 맵을 사용하여 손실을 계산합니다.</li>
				<li>역방향 패스: 경사하강법 끝을 사용하여 모델 매개변수를 업데이트합니다. 검증 세트 끝에서 검증 손실과 다른 평가 메트릭을 계산합니다.</li>
			</ol></li>
			<li>학습된 DCL 모델을 저장합니다.</li>
			<li>훈련된 DCL 모델을 반환합니다.</li>
		</ol></li>
		<li>DEDN 알고리즘에 대한 의사 코드의 경우 이미지 데이터 세트(X), 실측 자료 현저성 맵(Y), 학습 반복 횟수(N)를 입력합니다.<ol><li>인코더 네트워크의 경우 인코더가 VGG16 스켈레톤을 기반으로 하여 수정 사항이 적용되었는지 확인합니다(아래 설명 참조). 참고: encoder_input = 입력(모양=input_shape) encoder_conv1 = Conv2D(64, (3, 3), 활성화='relu', 패딩='동일')(encoder_input) encoder_pool1 = MaxPooling2D((2, 2))(encoder_conv1) encoder_conv2 = Conv2D(128, (3, 3), 활성화='relu', 패딩='동일')(encoder_pool1) encoder_pool2 = MaxPooling2D((2, 2))(encoder_conv2) encoder_conv3 = Conv2D (256, (3, 3), 활성화 = 'relu', 패딩 = '동일') (encoder_pool2) encoder_pool3 = MaxPooling2D((2, 2))(encoder_conv3)</li>
			<li>디코더 네트워크의 경우 디코더가 VGG16 스켈레톤을 기반으로 수정되었는지 확인합니다(아래 설명 참조). 참고 : decoder_conv1 = Conv2D (256, (3, 3), 활성화 = 'relu', 패딩 = '동일') (encoder_pool3) decoder_upsample1 = UpSampling2D((2, 2))(decoder_conv1) decoder_conv2 = Conv2D (128, (3, 3), 활성화 = 'relu', 패딩 = '동일') (decoder_upsample1) decoder_upsample2 = UpSampling2D((2, 2))(decoder_conv2) decoder_conv3 = Conv2D(64, (3, 3), 활성화='relu', 패딩='동일')(decoder_upsample2) decoder_upsample3 = UpSampling2D((2, 2))(decoder_conv3) decoder_output = Conv2D(1, (1, 1), 활성화='시그모이드', 패딩='동일')(decoder_upsample3)</li>
		</ol></li>
		<li>DEDN 모델을 정의합니다. 모델 = 모델(입력 = encoder_input, 출력 = decoder_output).</li>
		<li>모델을 컴파일합니다. model.compile (optimizer = adam, loss = binary_crossentropy).</li>
		<li>학습 루프를 선택합니다. 참고: 범위(N)에서 반복하는 경우: # 이미지 배치와 지상 실측 자료 맵을 무작위로 선택합니다. batch_X, batch_Y = randomly_select_batch(X, Y, batch_size)입니다.<ol><li>일괄 처리에서 모델을 학습시킵니다. 손실 = model.train_on_batch(batch_X, batch_Y)입니다. 모니터링을 위해 손실을 인쇄합니다.</li>
		</ol></li>
		<li>학습된 모델을 저장합니다. model.save ('dedn_model.h5')입니다.</li>
	</ol></li>
	<li>결합하다.<ol><li>DCL 신경망과 DEDN 신경망의 출력을 결합하고 완전 연결 조건부 랜덤 필드(CRF) 모델을 사용하여 현저성 맵을 구체화합니다.</li>
	</ol></li>
</ol>2. 이미지 처리
<ol><li>run code( 실행 코드)를 클릭하여 GUI 인터페이스를 불러옵니다(그림 4).</li>
	<li>이미지 열기를 클릭하여 경로를 선택하고 감지할 이미지를 선택합니다.</li>
	<li>디스플레이 이미지를 클릭하면 감지를 위해 선택한 이미지가 표시됩니다.</li>
	<li>감지 시작을 클릭하여 선택한 이미지를 감지합니다. 알림: 감지 결과는 감지된 이미지, 즉 돌출된 물체의 결과와 함께 나타납니다(그림 5).</li>
	<li>저장 경로 선택을 클릭하여 두드러진 물체 감지의 이미지 결과를 저장합니다.</li>
</ol>

Deep Neural Networks를 사용한 현저한 물체 감지의 정밀도 향상

<ol><li>Wang, W. G., Shen, J. B., Ling, H. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+deep+network+solution+for+attention+and+aesthetics+aware+photo+cropping%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">A deep network solution for attention and aesthetics aware photo cropping.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 41 (7), 1531-1544 (2018).</li>
<li>Wang, W. G., Sun, G. L., Gool, L. V. Looking beyond single images for weakly supervised semantic segmentation learning. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aWang%2C+WG+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine%22">IEEE Transactions on Pattern Analysis and Machine</a>. , (2022).</li>
<li>Mei, H. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Exploring+dense+context+for+salient+object+detection%5BTitle%5D)+AND+%22IEEE+Transactions+on+Circuits+and+Systems+for+Video+Technology%22%5BJournal%5D)">Exploring dense context for salient object detection.</a> IEEE Transactions on Circuits and Systems for Video Technology. 32 (3), 1378-1389 (2021).</li>
<li>Borji, A., Itti, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((State-of-the-art+in+visual+attention+modeling%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">State-of-the-art in visual attention modeling.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 35 (1), 185-207 (2012).</li>
<li>Fully convolutional networks for semantic segmentation. Long, J., Shelhamer, E., Darrell, T. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 3431-3440 (2015).</li>
<li>Simonyan, K., Zisserman, A. Very deep convolutional networks for large-scale image recognition. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSimonyan%2C+K+%22arXiv+preprint%22">arXiv preprint</a>. , 1409-1556 (2014).</li>
<li>Deep residual learning for image recognition. He, K., Zhang, X., Ren, S., Sun, J. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 770-778 (2016).</li>
<li>Dhsnet: Deep hierarchical saliency network for salient object detection. Liu, N., Han, J. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 678-686 (2016).</li>
<li>A bi-directional message passing model for salient object detection. Zhang, L., Dai, J., Lu, H., He, Y., Wang, G. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 1741-1750 (2018).</li>
<li>Wu, R., et al. A mutual learning method for salient object detection with intertwined multi-supervision. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, , 8150-8159 (2019).</li>
<li>Deep contrast learning for salient object detection. Li, G., Yu, Y. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 478-487 (2019).</li>
<li>Ren, Q., Hu, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-scale+deep+encoder-decoder+network+for+salient+object+detection%5BTitle%5D)+AND+%22Neurocomputing%22%5BJournal%5D)">Multi-scale deep encoder-decoder network for salient object detection.</a> Neurocomputing. 316, 95-104 (2018).</li>
<li>Wang, W. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Salient+object+detection+in+the+deep+learning+era%3A+An+in-depth+survey%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Salient object detection in the deep learning era: An in-depth survey.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 44 (6), 3239-3259 (2021).</li>
<li>Zhou, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((RGB-D+salient+object+detection%3A+A+survey%5BTitle%5D)+AND+%22Computational+Visual+Media%22%5BJournal%5D)">RGB-D salient object detection: A survey.</a> Computational Visual Media. 7, 37-69 (2021).</li>
<li>Fu, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Siamese+network+for+RGB-D+salient+object+detection+and+beyond%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Siamese network for RGB-D salient object detection and beyond.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 44 (9), 5541-5559 (2021).</li>
<li>Lai, Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Weakly+supervised+visual+saliency+prediction%5BTitle%5D)+AND+%22IEEE+Transactions+on+Image+Processing%22%5BJournal%5D)">Weakly supervised visual saliency prediction.</a> IEEE Transactions on Image Processing. 31, 3111-3124 (2022).</li>
<li>A bi-directional message passing model for salient object detection. Zhang, L., Dai, J., Lu, H., He, Y., Wang, G. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 1741-1750 (2018).</li>
<li>A mutual learning method for salient object detection with intertwined multi-supervision. Wu, R. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, , 8150-8159 (2019).</li>
<li>Wang, W., Shen, J., Dong, X., Borji, A., Yang, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Inferring+salient+objects+from+human+fixations%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Inferring salient objects from human fixations.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 42 (8), 1913-1927 (2019).</li>
<li>Design and perceptual validation of performance measures for salient object segmentation. Movahedi, V., Elder, J. H. 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition-Workshops, , 49-56 (2010).</li>
<li>Shi, J., Yan, Q., Xu, L., Jia, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hierarchical+image+saliency+detection+on+extended+CSSD%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Hierarchical image saliency detection on extended CSSD.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 38 (4), 717-729 (2015).</li>
<li>Frequency-tuned salient region detection. Achanta, R., Hemami, S., Estrada, F., Susstrunk, S. 2009 IEEE Conference on Computer Vision and Pattern Recognition, , 1597-1604 (2009).</li>
<li>Saliency detection via graph-based manifold ranking. Yang, C., Zhang, L., Lu, H., Ruan, X., Yang, M. H. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 3166-3173 (2013).</li>
<li>Wei, Y., et al. Geodesic saliency using background priors. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aWei%2C+Y+%22Computer+Vision-ECCV+2012%22">Computer Vision-ECCV 2012</a>. , Springer. Berlin Heidelberg. 29-42 (2012).</li>
<li>What makes a patch distinct. Margolin, R., Tal, A., Zelnik-Manor, L. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 1139-1146 (2013).</li>
<li>Saliency filters: Contrast based filtering for salient region detection. Perazzi, F., Krähenbühl, P., Pritch, Y., Hornung, A. 2012 IEEE Conference on Computer Vision and Pattern Recognition, , 733-740 (2012).</li>
<li>Hou, X., Harel, J., Koch, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Image+signature%3A+Highlighting+sparse+salient+regions%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Image signature: Highlighting sparse salient regions.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 34 (1), 194-201 (2011).</li>
<li>Salient object detection: A discriminative regional feature integration approach. Jiang, H., et al. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 2083-2090 (2013).</li>
<li>Visual saliency based on multiscale deep features. Li, G., Yu, Y. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 5455-5463 (2015).</li>
<li>Deep saliency with encoded low level distance map and high-level features. Lee, G., Tai, Y. W., Kim, J. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 660-668 (2016).</li>
<li>Dhsnet: Deep hierarchical saliency network for salient object detection. Liu, N., Han, J. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 678-686 (2016).</li>
</ol>

저자는 공개할 것이 없습니다.

이 기사에서는 복잡한 환경에서 두드러진 물체를 감지하도록 특별히 설계된 종단 간 심층 신경망을 소개합니다. 이 신경망은 두 개의 상호 연결된 구성요소, 즉 픽셀 수준의 다중 스케일 완전 컨벌루션 신경망(DCL)과 심층 인코더-디코더 신경망(DEDN)으로 구성됩니다. 이러한 구성 요소는 시너지 효과를 발휘하여 상황별 의미 체계를 통합하여 다중 축척 기능 맵 내에서 시각적 대비를 생성합니다. 또한 깊고 얕은 이미지 기능을 모두 활용하여 개체 경계 묘사의 정밀도를 향상시킵니다. 완전히 연결된 CRF(Conditional Random Field) 모델의 통합은 현저성 맵과 등고선 묘사의 공간적 일관성을 더욱 향상시킵니다.
이 목표를 달성하기 위해 두 개의 심층 네트워크, 즉 DCL(Deep Context Learning) 네트워크와 DEDN(Deep Encoder-Decoder Network)이 VGG16 아키텍처를 기반으로 구성되었습니다. 작동 단계 1.2에서 설명한 바와 같이, DC...

<table><tbody><tr><td>Matlab</td><td>MathWorks</td><td>Matlab R2016a</td><td>MATLAB의 프로그래밍 인터페이스는 코드 품질, 유지 보수성을 개선하고 성능을 극대화하기 위한 개발 도구를 제공합니다. 사용자 정의 그래픽 인터페이스를 사용하여 응용 프로그램을 구축하기 위한 도구를 제공합니다. MATLAB 기반 알고리즘을 외부 응용 프로그램 및 언어와 결합하기 위한 도구를 제공합니다</td></tr><tr><td>. 프로세서&nbsp;</td><td>Intel</td><td>11세대 Intel(R) Core (TM) i5-1135G7 @ 2.40GHz</td><td>64비트 Win11 프로세서&nbsp;</td></tr><tr><td>Pycharm</td><td>JetBrains</td><td>PyCharm 3.0</td><td>PyCharm은 Python IDE (통합 개발 환경)입니다 필수 python 목록입니다 : modulesmatplotlib skimage torch os time pydensecrf opencv glob PIL torchvision numpy tkinter</td></tr><tr><td>PyTorch&nbsp;</td><td>페이스북</td><td>PyTorch 1.4&nbsp;</td><td>PyTorch는 자연어 처리 및 기타 응용 프로그램에 사용되는 Torch 를 기반으로 하는 오픈 소스 Python 기계 학습 라이브러리입니다. PyTorch는 GPU 지원 numpy 의 추가로 볼 수 있지만 자동 파생 함수를 사용하는 강력한 심층 신경망으로 볼 수도 있습니다.</td></tr></tbody></table>

복잡한 환경에서 두드러진 물체 감지를 위한 end-to-end deep neural network

End-To-End Deep Neural Network for Salient Object Detection in Complex Environments

현저한 물체 감지는 컴퓨터 비전 영역 내에서 급성장하는 관심 영역으로 부상했습니다. 그러나 일반적인 알고리즘은 복잡하고 다면적인 환경에서 두드러진 물체를 감지하는 작업을 수행할 때 정밀도가 감소합니다. 이러한 긴급한 문제에 비추어 이 기사에서는 복잡한 환경 내에서 두드러진 물체를 감지하는 것을 목표로 하는 종단 간 심층 신경망을 제시합니다. 이 연구는 복잡한 환경 내에서 두드러진 물체를 감지하는 것을 목표로 하는 종단 간 심층 신경망을 소개합니다. 제안된 네트워크는 두 개의 상호 관련된 구성 요소, 즉 픽셀 수준의 다중 스케일 전체 컨볼루션 네트워크와 심층 인코더-디코더 네트워크로 구성되며, 컨텍스트 의미 체계를 통합하여 다중 스케일 기능 맵에서 시각적 대비를 생성하는 동시에 깊고 얕은 이미지 기능을 사용하여 개체 경계 식별의 정확도를 향상시킵니다. 완전히 연결된 CRF(Conditional Random Field) 모델의 통합은 두드러진 맵의 공간 일관성과 등고선 묘사를 더욱 향상시킵니다. 제안된 알고리즘은 SOD 및 ECSSD 데이터베이스에서 10개의 최신 알고리즘에 대해 광범위하게 평가됩니다. 평가 결과는 제안된 알고리즘이 정밀도와 정확성 측면에서 다른 접근 방식을 능가하여 복잡한 환경에서 두드러진 물체 감지에 대한 효율성을 확립했음을 보여줍니다.

이 연구에서는 픽셀 수준의 다중 스케일 완전 컨볼루션 네트워크와 심층 인코더-디코더 네트워크라는 두 가지 상호 보완적인 네트워크로 구성된 종단 간 심층 신경망을 소개합니다. 첫 번째 네트워크는 컨텍스트 의미론을 통합하여 다중 축척 기능 맵에서 시각적 대비를 도출하여 다양한 계층에 걸친 심층 신경망의 고정 수용 필드 문제를 해결합니다. 두 번째 신경망은 깊은 영상과 얕은 영상 특징을 모두 활용하여 대상 객체의 경계가 모호한 문제를 완화합니다. 마지막으로, 완전 연결 조건부 랜덤 필드(CRF) 모델을 적용하여 현저성 맵의 공간 일관성 및 등고선을 개선합니다.
이 연구는 제안된 알고리즘과 해당 분야의 기존 알고리즘 10개 간의 정성적 및 정량적 비교를 수행합니다. 실험 결과는 중요한 물체 감지의 정확도를 향상시키는 데 제안된 알고리즘의 효과를 보여줍니다. 또한 이 알고리즘은 전력 시각적 작업에 대한 잠재적인 적용 가능성을 보여주며 지능형 전력망 영역 내의 다양한 복잡한 환경에서 유망한...

본 프로토콜은 새로운 종단 간 두드러진 물체 감지 알고리즘을 설명합니다. 심층 신경망을 활용하여 복잡한 환경 컨텍스트 내에서 두드러진 물체 감지의 정밀도를 향상시킵니다.

복잡한 환경에서 두드러진 물체 감지를 위한 End-to-End Deep Neural Network

Salient object detection has emerged as a burgeoning area of interest within the realm of computer vision. However, prevailing algorithms exhibit ...

우리의 연구는 두드러진 물체 감지, 컴퓨터 비전, 이미지 처리 등에 이르기까지 다양합니다. 우리는 절연체 검사를 위한 스마트 그리드에서의 사용과 같은 두드러진 물체 감지의 적용에 대응하고자 합니다. 다음 연구 발전은 스마트 그리드의 맥락에서 학습을 위해 두드러진 객체 알고리즘을 이전하는 것과 관련이 있습니다.컨볼루션 신경망은 이미지에서 돌출된 정보로 보다 효과적으로 작동하여 현저한 물체 감지 처리를 향상시킬 수 있습니다. 따라서 그들은 두드러진 물체 감지에 대한 연구를 발전시킵니다. 우리의 연구 결과는 두드러진 물체 감지의 정확도를 향상시키고 절연체를 효과적으로 분할하고 감지하기 위해 스마트 그리드에서의 적용과 같은 알고리즘의 전송을 허용합니다.

end-to-end-deep-neural-network-for-salient-object-detection-complex

Research

연구

JoVE Journal

Engineering

공학

이 프로토콜의 목적은 미리 구축된 컨볼루션 신경망을 활용하여 동작 추적을 자동화하고 상세한 동작 분석을 수행하는 것입니다. 동작 추적은 모든 비디오 데이터 또는 이미지 시퀀스에 적용할 수 있으며 사용자 정의 개체를 추적하는 데 일반적으로 사용할 수 있습니다.

자동화된 행동 분석을 위한 딥비헤이비어, 딥 러닝 툴박스의 단계별 구현

이 문서에서 제시된 작업의 목표는 모바일 장치에서 촬영한 이미지에서 식음료 품목을 자동 인식하기 위한 기술을 개발하는 것입니다. 이 기술은 두 가지 접근 법으로 구성됩니다 - 첫 번째 접근 방식은 식품 이미지 인식을 수행하는 반면 두 번째 접근법은 식품 이미지 세분화를 수행합니다.

이미지 기반 식이 평가를 위한 심층 신경망

본 실험의 목적은 파악하고 물 속에 자기 조립 discotic amphiphiles의 크기, 모양과 안정성을 조절하는 것입니다. 수성 기반의 supramolecular 폴리머의 경우 제어와 같은 수준은 매우 어렵습니다. 우리는 반발하고 매력적인 상호 작용을 모두 사용하는 전략을 적용합니다. 이 시스템을 특성을 적용하여 실험적인 기법을 광범위하게 적용할 수 있습니다.

물에 Supramolecular 폴리머의 크기, 모양과 안정성을 제어

우리는 펄스 레이저 증착법 (PLD), 포토 리소그래피와 마이크로 미터 규모의 복합 산화물 장치를 생성하는 와이어 본딩 기술의 사용을 설명합니다. PLD는 에피 택셜 박막을 성장하기 위하여 이용된다. 포토 리소그래피 및 와이어 본딩 기술은 측정을 위해 실제 디바이스를 생성하기 위해 도입된다.

공간적으로 밀폐 복합 산화물의 제조

때문에 팔라듐, 금, 코발트의 중요성과 광범위한 사용   첨단 기술 장비 금속은, 자신의 회수 및 재활용은 중요한 산업 문제를 구성한다. 본원에 기재된 금속 회수 시스템은 간단하고, 저비용 도시 내에서 이러한 금속의 유효 검출, 제거 및 복구를위한 수단이다.

감지 및 팔라듐의 복구, 도시 광산에서 금과 코발트 금속은 나노 수레 바퀴 모양의 기공 지정 소설 센서 / 흡착제를 사용하여

평면 샘플 자성 입자를 이미지화하는 스캐너는 자기 검출 기법 혼합 평탄한 주파수를 이용하여 개발되었다. 입자의 비선형 nonhysteretic 자화에서 자기 상호 변조 응답은 두 개의 주파수 대역 여기에 기록된다. 얇은 생물학적 시료의 2 차원 영상을 위해 사용될 수있다.

평면 샘플에 자석 입자 이미징에 대한 자기 인식 스캐너를 혼합 주파수

이 논문은 솔루션의 증발 속도 검출을위한 임피던스 기반 장치를 제공합니다. 이것은 종래의 체중 감소 방법을 통해 명확한 이점을 제공한다 : 고속 응답, 고감도 검출 작은 샘플 요구 여러 시료를 측정하고, 클리닝 및 재사용을 위해 쉽게 해체.

증발 속도 검출을위한 고성능 임피던스 기반 플랫폼

여기서는 전단 유동하 부드러운 물질 재료에서 동시에 임피던스 레올 중성자 산란을 측정하는 방법을 제시한다.

유전체 RheoSANS - 임피던스, 레올 로지 및 복잡한 유체의 작은 각도 중성자 산란의 동시 심문

프로토콜의 목표는 지속적인 빛 조사에서 기계적으로 진동 수 액체 크리스탈 중합체 필름을 만드는 것입니다. 우리가 훌륭한 세부 사항에서 무료 서 영화, 사진-개폐를 액정 정렬 방법의 개념을 설명합니다. 이 자료 준비에 적용 실험 프로토콜은 광범위 하 게 적용 됩니다.

빛에 의해 유도 된 거시적인 진동 모션 액정 네트워크의 준비

이 문서 시드 방울에 세포의 캡슐화 능률을 제공 하기 위해 물방울 미세 장치에 피 펫 팁을 사용 하 여 셀의 부족 한 인구를 위한 프로토콜을 제공 합니다.

피 펫 팁 드롭릿 미세 플랫폼 시드 셀에 대 한 메서드를 기반으로

학습하세요 복잡한 환경에서 두드러진 물체를 정확하게 감지하는 엔드투엔드 심층 신경망 알고리즘을 활용하는 방법을. 이 연구는 스마트 그리드 절연체 검사 등 실제 응용 분야에서 객체 분할 및 탐지 정확도를 크게 향상시킵니다.

복잡한 환경에서 두드러진 물체 감지를 위한 End-to-End Deep Neural Network

더 많은 동영상 탐색