Name: Karmaşık ortamlarda göze çarpan nesne algılama için uçtan uca derin sinir ağı (Video) | JoVE Journal
Uploaded: 2023-12-15T13:10:00.000+00:00
Duration: 3 min 31 s
Description: Öğrenin, karmaşık ortamlarda dikkat çekici nesne algılama için uçtan uca derin sinir ağı kullanarak akıllı şebekelerde izolatör segmentasyonunu nasıl iyileştirebilirsiniz. Bu yöntem bilgisayarlı görü ve görüntü işleme alanında önemli ilerlemeler sağlar.

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

Bu çalışma, 2024 Henan İl Yükseköğretim Kurumları Temel Bilimsel Araştırma Projesi Destekleme Programı Kurulumu (Proje No:24A520053) tarafından desteklenmektedir. Bu çalışma aynı zamanda Henan Eyaletinde Özel Oluşturma ve Entegrasyon Karakteristik Gösteri Kursu İnşaatı tarafından da desteklenmektedir.

1. Deney düzeneği ve prosedürü
<ol><li>Önceden eğitilmiş VGG16 modelini yükleyin. NOT: İlk adım, önceden eğitilmiş VGG16 modelini Keras kitaplığından6 yüklemektir.<ol><li>PyTorch gibi popüler derin öğrenme kitaplıklarını kullanarak Python'da önceden eğitilmiş bir VGG16 modeli yüklemek için şu genel adımları izleyin:<ol><li>İthalat meşalesi. torchvision.models'i model olarak içe aktarın.</li>
			<li>Önceden eğitilmiş VGG16 modelini yükleyin. vgg16_model = models.vgg16(önceden eğitilmiş=Doğru).</li>
			<li>VGG16 modelinin özetinin "print(vgg16_model)" olduğundan emin olun.</li>
		</ol></li>
	</ol></li>
	<li>DCL ve DEDN modellerini tanımlayın.<ol><li>DCL algoritmasının sözde kodu için Giriş: Görüntü veri kümesi SOD'si ve Çıkış: Eğitilmiş DCL modeli sağlayın.<ol><li>DCL modelini VGG16 omurga ağıyla başlatın.</li>
			<li>Görüntü veri kümesi D'yi önceden işleyin (örneğin, yeniden boyutlandırma, normalleştirme).</li>
			<li>Veri kümesini eğitim ve doğrulama kümelerine bölün.</li>
			<li>DCL modelini eğitmek için kayıp fonksiyonunu tanımlayın (örneğin, ikili çapraz entropi).</li>
			<li>Eğitim için hiperparametreleri ayarlayın: Öğrenme oranı (0.0001), Ayarlanan eğitim dönemi sayısı (50), Parti boyutu (8), Optimize Edici (Adam).</li>
			<li>DCL modelini eğitin: Tanımlanan dönem sayısındaki her dönem için, eğitim kümesindeki her toplu iş için yapın. Aşağıdakileri girin:<ol><li>İleri geçiş: Toplu görüntüleri DCL modeline besleyin. Tahmin edilen belirginlik haritalarını ve temel doğruluk haritalarını kullanarak kaybı hesaplayın.</li>
				<li>Geri geçiş: Degrade iniş sonunu kullanarak model parametrelerini güncelleyin. Doğrulama kümesi ucundaki doğrulama kaybını ve diğer değerlendirme ölçümlerini hesaplayın.</li>
			</ol></li>
			<li>Eğitilen DCL modelini kaydedin.</li>
			<li>Eğitilen DCL modelini döndürün.</li>
		</ol></li>
		<li>DEDN algoritması için sözde kod için şunu girin: Görüntü veri kümesi (X), Temel doğruluk belirginlik haritaları (Y), Eğitim yineleme sayısı (N).<ol><li>Kodlayıcı Ağı için, kodlayıcının değişikliklerle VGG16 iskeletini temel aldığından emin olun (aşağıda belirtildiği gibi). NOT: encoder_input = Giriş (şekil = input_shape) encoder_conv1 = Conv2D(64, (3, 3), activation='relu', padding='same')(encoder_input) encoder_pool1 = MaxPooling2D((2, 2))(encoder_conv1) encoder_conv2 = Conv2D(128, (3, 3), aktivasyon='relu', padding='aynı')(encoder_pool1) encoder_pool2 = MaxPooling2D((2, 2))(encoder_conv2) encoder_conv3 = Conv2D(256, (3, 3), aktivasyon='relu', padding='aynı')(encoder_pool2) encoder_pool3 = MaxPooling2D((2, 2))(encoder_conv3)</li>
			<li>Kod Çözücü Ağı için, kod çözücünün değişikliklerle VGG16 iskeletini temel aldığından emin olun (aşağıda belirtildiği gibi). NOT: decoder_conv1 = Conv2D(256, (3, 3), activation='relu', padding='same')(encoder_pool3) decoder_upsample1 = UpSampling2D((2, 2))(decoder_conv1) decoder_conv2 = Conv2D(128, (3, 3), aktivasyon='relu', padding='aynı')(decoder_upsample1) decoder_upsample2 = UpSampling2D((2, 2))(decoder_conv2) decoder_conv3 = Conv2D(64, (3, 3), activation='relu', padding='same')(decoder_upsample2) decoder_upsample3 = UpSampling2D((2, 2))(decoder_conv3) decoder_output = Conv2D(1, (1, 1), aktivasyon='sigmoid', padding='aynı')(decoder_upsample3)</li>
		</ol></li>
		<li>DEDN modelini tanımlayın. model = Model (girişler = encoder_input, çıkışlar = decoder_output).</li>
		<li>Modeli derleyin. model.compile (optimize edici = adam, kayıp = binary_crossentropy).</li>
		<li>Eğitim döngüsünü seçin. NOT: Aralık(N) içindeki yineleme için: # Rastgele bir grup görüntü ve temel doğruluk haritası seçin; batch_X, batch_Y = randomly_select_batch(X, Y, batch_size).<ol><li>Modeli toplu iş üzerinde eğitin. kayıp = model.train_on_batch(batch_X, batch_Y). İzleme için kaybı yazdırın.</li>
		</ol></li>
		<li>Eğitilen modeli kaydedin. model.save ('dedn_model.h5').</li>
	</ol></li>
	<li>Birleşmek.<ol><li>DCL ve DEDN ağlarının çıkışlarını birleştirin ve tam bağlantılı bir koşullu rastgele alan (CRF) modeli kullanarak belirginlik haritasını iyileştirin.</li>
	</ol></li>
</ol>2. Görüntü işleme
<ol><li>GUI arayüzünü açmak için kodu çalıştır'a tıklayın (Şekil 4).</li>
	<li>Yolu ve dolayısıyla algılanacak görüntüyü seçmek için resmi aç'a tıklayın.</li>
	<li>Algılama için seçilen görüntüyü görüntülemek için ekran görüntüsüne tıklayın.</li>
	<li>Seçilen görüntüyü algılamak için algılamayı başlat'a tıklayın. NOT: Algılama sonucu, algılanan görüntüyle, yani göze çarpan nesnenin sonucuyla birlikte görünecektir (Şekil 5).</li>
	<li>Göze çarpan nesne algılamanın görüntü sonuçlarını kaydetmek için kaydetme yolunu seçmeye tıklayın.</li>
</ol>

Derin Sinir Ağlarını Kullanarak Göze Çarpan Nesne Algılamada Gelişmiş Hassasiyet

<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>

Yazarların açıklayacak hiçbir şeyi yok.

Makale, karmaşık ortamlarda göze çarpan nesnelerin algılanması için özel olarak tasarlanmış uçtan uca bir derin sinir ağını tanıtmaktadır. Ağ, birbirine bağlı iki bileşenden oluşur: piksel düzeyinde çok ölçekli tam evrişimli ağ (DCL) ve derin kodlayıcı-kod çözücü ağ (DEDN). Bu bileşenler, çok ölçekli özellik haritalarında görsel kontrastlar oluşturmak için bağlamsal anlambilimi birleştirerek sinerjik olarak çalışır. Ek olarak, nesne sınırı tanımlamasının hassasiyetini artırmak için hem derin hem de sığ görüntü özellikler...

<table><tbody><tr><td>Matlab</td><td>MathWorks Matlab</td><td>R2016a</td><td>MATLAB'ın programlama arayüzü, kod kalitesini, sürdürülebilirliği iyileştirmek ve performansı en üst düzeye çıkarmak için geliştirme araçları sağlar. Özel grafik arayüzler kullanarak uygulamalar oluşturmak için araçlar sağlar. MATLAB tabanlı algoritmaları harici uygulamalar ve dillerle birleştirmek için araçlar sağlar</td></tr><tr><td>İşlemci&nbsp;</td><td>Intel</td><td>11. Nesil Intel(R) Core (TM) i5-1135G7 @ 2.40GHz</td><td>64-bit Win11 işlemci&nbsp;</td></tr><tr><td>Pycharm</td><td>JetBrains</td><td>PyCharm 3.0</td><td>PyCharm bir Python IDE'dir (Entegre Geliştirme Ortamı) gerekli python: modulesmatplotlib skimage torch os time pydensecrf opencv glob PIL torchvision numpy tkinter</td></tr><tr><td>PyTorch&nbsp;</td><td>Facebook</td><td>PyTorch 1.4&nbsp;</td><td>PyTorch açık kaynaklı bir Python makine öğrenimi kütüphanesidir , Torch tabanlı , doğal dil işleme ve diğer uygulamalar için kullanılır. PyTorch, hem GPU desteğinin eklenmesi olarak görülebilir numpy , hem de otomatik türevlere sahip güçlü bir derin sinir ağı .</td></tr></tbody></table>

karmaşık ortamlarda göze çarpan nesne algılama için uçtan uca derin sinir ağı

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

Göze çarpan nesne algılama, bilgisayarla görme alanında gelişen bir ilgi alanı olarak ortaya çıkmıştır. Bununla birlikte, hakim algoritmalar, karmaşık ve çok yönlü ortamlarda göze çarpan nesneleri tespit etmekle görevlendirildiğinde azalan hassasiyet sergiler. Bu acil endişenin ışığında, bu makale, karmaşık ortamlarda göze çarpan nesneleri tespit etmeyi amaçlayan uçtan uca bir derin sinir ağı sunmaktadır. Çalışma, karmaşık ortamlarda göze çarpan nesneleri tespit etmeyi amaçlayan uçtan uca bir derin sinir ağı sunuyor. Piksel düzeyinde çok ölçekli tam evrişimli ağ ve derin kodlayıcı-kod çözücü ağı olmak üzere birbiriyle ilişkili iki bileşenden oluşan önerilen ağ, nesne sınırı tanımlamasının doğruluğunu artırmak için derin ve sığ görüntü özellikleri kullanırken, çok ölçekli özellik haritalarında görsel kontrast üretmek için bağlamsal anlambilimi bütünleştirir. Tamamen bağlantılı bir koşullu rastgele alan (CRF) modelinin entegrasyonu, göze çarpan haritaların uzamsal tutarlılığını ve kontur tasvirini daha da geliştirir. Önerilen algoritma, SOD ve ECSSD veritabanlarındaki 10 çağdaş algoritmaya karşı kapsamlı bir şekilde değerlendirilmiştir. Değerlendirme sonuçları, önerilen algoritmanın kesinlik ve doğruluk açısından diğer yaklaşımlardan daha iyi performans gösterdiğini ve böylece karmaşık ortamlarda göze çarpan nesne tespitindeki etkinliğini ortaya koyduğunu göstermektedir.

Bu çalışma, iki tamamlayıcı ağdan oluşan uçtan uca bir derin sinir ağını tanıtmaktadır: piksel düzeyinde çok ölçekli tam evrişimli ağ ve derin kodlayıcı-kod çözücü ağı. İlk ağ, çok ölçekli özellik haritalarından görsel kontrastlar elde etmek için bağlamsal semantikiyi entegre ederek, farklı katmanlardaki derin sinir ağlarındaki sabit alıcı alanların zorluğunu ele alır. İkinci ağ, hedef nesnelerdeki bulanık sınırlar sorununu azaltmak için hem derin hem de sığ görüntü özelliklerini kullanır. Son olarak, belirginlik haritas...

Mevcut protokol, yeni bir uçtan uca göze çarpan nesne algılama algoritmasını açıklamaktadır. Karmaşık çevresel bağlamlarda göze çarpan nesne algılamanın hassasiyetini artırmak için derin sinir ağlarından yararlanır.

Karmaşık ortamlarda göze çarpan nesne algılama için uçtan uca derin sinir ağı

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

Araştırmamız, göze çarpan nesne algılama, bilgisayarla görme, görüntü işleme ve daha fazlasını içerir. İzolatörleri incelemek için akıllı şebekede kullanımı gibi göze çarpan nesne algılama uygulamasına yanıt vermek istiyoruz. Bir sonraki araştırma ilerlemesi, akıllı şebekeler bağlamında öğrenme için göze çarpan nesne algoritmalarının aktarılmasını içerir.Evrişimli sinir ağları, görüntülerden göze çarpan bilgiler olarak daha etkili bir şekilde hareket edebilir ve göze çarpan nesne algılamanın işlenmesini geliştirir. Bu nedenle, göze çarpan nesne tespitinde araştırmayı ilerletirler. Araştırma sonucumuz, göze çarpan nesne algılamanın doğruluğunu artırır ve izolatörleri etkili bir şekilde bölümlere ayırmak ve tespit etmek için akıllı şebekelerdeki uygulamaları gibi algoritmaların aktarılmasına izin verir.

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

Research

JoVE Journal

Engineering

Mühendislik

Bu protokolün amacı, davranış izlemeyi otomatikleştirmek ve ayrıntılı davranış analizi yapmak için önceden oluşturulmuş kvolutional sinir ağları kullanmaktır. Davranış izleme herhangi bir video veri veya görüntü dizileri uygulanabilir ve herhangi bir kullanıcı tanımlı nesne izlemek için genelleştirilebilir.

DeepBehavior Adım Adım Uygulama, Otomatik Davranış Analizi için Derin Öğrenme Araç Kutusu

Bu makalede sunulan çalışmanın amacı, mobil cihazlar tarafından çekilen görüntülerden yiyecek ve içecek öğelerinin otomatik olarak tanınması için teknoloji geliştirmektir. Teknoloji iki farklı yaklaşımdan oluşur - birincisi gıda görüntüsü tanımayı gerçekleştirirken ikincisi gıda görüntüsü segmentasyonunu gerçekleştirir.

Görüntü Tabanlı Diyet Değerlendirmesi için Derin Sinir Ağları

Bu deneyin amacı, belirlemek ve su içerisinde kendi kendine monte diskotik amfifiler büyüklüğü, şekli ve stabilite kontrol etmektir. Su bazlı supramoleküler polimerler için bu kontrol seviyesi çok zordur. Biz itici ve çekici etkileşimleri hem kullanarak bir strateji uygulamak. Bu sistem karakterize etmek için uygulanan deney yöntemleri genel olarak uygulanabilir.

Su Supramoleküler Polimerlerin Boyut, Şekil ve Stabilite Kontrolü

Biz darbeli lazer birikimi (PLD), fotolitografi ve mikrometre ölçekli karmaşık oksitler cihazlar oluşturmak için tel bağlama tekniklerinin kullanılmasını açıklar. FLD epitaksiyel ince film büyümesi için kullanılmaktadır. Fotolitografi ve tel bağlama teknikleri ölçüm amaçlı pratik cihazlar oluşturmak için tanıtılmaktadır.

Mekansal Kapalı Karmaşık Oksitler Fabrikasyon

Çünkü paladyum, altın ve kobaltın önemi ve yaygın kullanımı   yüksek teknoloji ekipman metaller, onların kazanımı ve geri dönüştürülmesi önemli bir sanayi sorun oluşturmaktadır. Burada tarif edilen metal geri kazanım sistemi basit, düşük maliyetli, kentsel madeninden bu metallerin etkin algılama, kaldırma ve geri kazanımı için anlamına gelir.

Algılama ve Palladium Kurtarma Kentsel Madeninde Altın ve Kobalt Metal Nano Wagon tekerlekli şeklindeki Porların ile Belirlenmiş Yeni Sensörler / adsorbanlar kullanma

Düzlemsel örneklerinde manyetik parçacıkların görüntülenmesi için bir tarayıcı manyetik algılama tekniği karıştırma düzlemsel frekansı kullanılarak geliştirilmiştir. parçacıkların doğrusal olmayan nonhysteretic mıknatıslanma manyetik modülasyon ürünleri tepkisi iki frekans uyarım üzerine kaydedilir. İnce biyolojik örneklerin 2D görüntüleri çekmek için kullanılabilir.

Düzlemsel Örnekleri Manyetik tanecikler Görüntüleme Manyetik algılama Tarayıcı Karıştırma frekansı

Bu makale çözümleri buharlaşma oranı tespiti için bir empedans tabanlı cihazı sunar. Bu geleneksel bir kilo kaybı yaklaşımı üzerinde net avantajlar sunmaktadır: hızlı yanıt, yüksek hassasiyetli algılama, küçük bir örnek gereksinimi, çoklu numune ölçümleri, temizlik ve yeniden amaçlı kolay sökme.

Buharlaşma Hızı Algılama için bir Yüksek Performanslı Empedans tabanlı Platformu

Burada, kesme akışı altında yumuşak madde malzemeleri aynı anda empedans, reoloji ve nötron saçılması ölçümü için bir prosedürdür.

Dielektrik RheoSANS - Empedans, Reoloji ve Kompleks Sıvılar Küçük Açı Nötron Saçılma eşzamanlı Sorgulama

Mekanik olarak sürekli ışık ışınlama altında salınım sıvı kristal polimer filmler oluşturmak için protokol hedefidir. Müstakil filmleri, fotoğraf-çalıştırma için sıvı kristal hizalama yönteminden anlayışı ayrıntılı olarak açıklanmaktadır. Bu malzeme hazırlamak için uygulanan deneysel protokol genel olarak geçerlidir.

Işık tarafından indüklenen makroskopik salınım hareketi için sıvı kristal ağlar hazırlanması

Bu makale damlacıkları hücrelerinde yüksek kapsülleme verimliliğini sağlamak için pipet-ipuçları için damlacık mikrosıvısal aygıtları kullanarak hücre kıt nüfus tohum için bir protokol sunar.

Pipet Ucu yöntemine damlacık mikrosıvısal platformlar tohum hücrenin temel

Öğrenin, karmaşık ortamlarda dikkat çekici nesne algılama için uçtan uca derin sinir ağı kullanarak akıllı şebekelerde izolatör segmentasyonunu nasıl iyileştirebilirsiniz. Bu yöntem bilgisayarlı görü ve görüntü işleme alanında önemli ilerlemeler sağlar.

Karmaşık ortamlarda göze çarpan nesne algılama için uçtan uca derin sinir ağı

Daha fazla video keşfet