全文获取类型
收费全文 | 92篇 |
免费 | 14篇 |
国内免费 | 16篇 |
学科分类
工业技术 | 122篇 |
出版年
2019年 | 1篇 |
2018年 | 1篇 |
2015年 | 1篇 |
2014年 | 1篇 |
2013年 | 1篇 |
2012年 | 7篇 |
2011年 | 7篇 |
2010年 | 5篇 |
2009年 | 9篇 |
2008年 | 6篇 |
2007年 | 6篇 |
2006年 | 7篇 |
2005年 | 5篇 |
2004年 | 11篇 |
2003年 | 7篇 |
2002年 | 19篇 |
2001年 | 4篇 |
2000年 | 1篇 |
1999年 | 4篇 |
1998年 | 2篇 |
1997年 | 1篇 |
1996年 | 1篇 |
1994年 | 1篇 |
1993年 | 3篇 |
1991年 | 1篇 |
1989年 | 2篇 |
1988年 | 3篇 |
1987年 | 4篇 |
1985年 | 1篇 |
排序方式: 共有122条查询结果,搜索用时 31 毫秒
71.
72.
基于分类器判决可靠度估计的最优线性集成方法 总被引:6,自引:0,他引:6
多分类器集成的目标是充分利用每一个分类器的长处,既要发挥它们的最佳性能,又能克服单个分类器的弱点,以达到最优的系统识别性能,该文提出一种基于发类器判决可靠度估计的多分类器集成方法,利用各分类器对当前输入样本的判决兵验概率,实时估计它们的分类判决可靠度,并指导集成权重系数的分配,该方法能够使集成权重更灵活地适应不同的输入变化,充分利用每个分类器当前的识别能力,从而获得更好的集成效果,该文结合最小均方误差准则(MSE)下的最优线性集成方法给出了权重模型和训练算法,并与其它的线性集成模型作了比较,实验表明,不论在最优化准则下的最终误差还是在实际识别性能上,作者提出的方法都取得了最好的效果。 相似文献
73.
多知识综合判决的字符切分算法 总被引:3,自引:0,他引:3
高性能的印刷体文字识别系统中,在单字识别技术比较成熟的条件下,字符切分成为比较关键的环节。字符切分可以看作是对字符边界正确切分位置的一个决策过程,该决策需要同时考虑字符局部的识别情况和全局的上下文关系。该文通过对中日韩三国文字字符切分的研究,提出一种基于多知识综合判决的字符切分算法。该算法成功应用于AsiaOCR项目,对于东方文字中常见的混排英文问题也能很好处理。实验结果表明,和以前的算法相比,新算法在中日韩三国文字识别系统中的切分错误率平均下降50%。 相似文献
74.
在脱机手写汉字识别中,笔画形变是造成识别率下降的主要原因,减少笔画形变的影响是提高脱机手写汉字识别率的关键。针对上述问题,提出了最优采样特征。该特征以目前被广泛应用的方向线素特征为基础,在一定的约束条件下,通过移动采样点的位置,可以适应笔画的形变。从而减少特征的类内方差,提高特征的可分性,改进了识别性能。通过在THCHR样本集上进行实验,并对最优采样特征和方向线素特征的实验结果进行比较,验证了最优采样特征的识别率优于方向线索特征。 相似文献
75.
76.
人体行为检测问题不仅需要判断行为的类别,而且需要估计行为发生的时间和位置,有重要的现实应用意义. 人体行为检测的主要难点在于参数空间维度高以及背景运动干扰. 针对上述难点,本文提出了一种基于最大互信息区域跟踪的人体行为检测算法. 该算法将行为区域定义为最大互信息矩形区域,采用稠密轨迹作为底层特征,利用随机森林学习轨迹特征与行为类别的互信息函数,利用轨迹的时间连续性对行为区域进行大时间跨度的预测和跟踪. 实验结果表明,该算法不仅能够有效地识别不同类别的行为,而且能够适应现实场景中背景运动的干扰,从而准确地检测和跟踪行为区域. 相似文献
77.
典型的梯度特征包括HOG(梯度方向直方图)、Shapelet及Edgelet等,这些特征被广泛用于目标检测、目标识别、图像检索及场景分类等领域。针对HOG特征运算复杂度高的问题,提出了一种新的多方向线积分的梯度特征(MDIG)。通过避免计算梯度方向并利用积分图,该特征简化了计算过程,提高了计算速度,因而便于在DSP等硬件上实现。实验中新特征被应用于人体头肩检测。实验结果表明当使用AdaBoost算法训练分类器时,该特征的描述能力与HOG相当,同时其计算时间仅为HOG的1/3,整体性能优于HOG。最后,针对梯度特征的适用范围对其未来应用的发展方向进行了讨论。 相似文献
78.
79.
80.
基于人体行为3D模型的2D行为识别 总被引:5,自引:1,他引:4
针对行为识别中行为者朝向变化带来的问题, 提出了一种基于人体行为3D模型的2D行为识别算法. 在学习行为分类器时, 以3D占据网格表示行为样本, 提取人体3D关节点作为描述行为的特征, 为每一类行为训练一个基于范例的隐马尔可夫模型(Exemplar-based hidden Markov model, EHMM), 同时从3D行为样本中选取若干帧作为3D关键姿势集, 这个集合是连接2D观测样本和人体3D关节点特征的桥梁. 在识别2D行为时, 2D观测样本序列可以由一个或多个非标定的摄像机采集. 首先在3D关键姿势集中为每一帧2D观测样本寻找与之最匹配的3D关键姿势帧, 之后由行为分类器对2D观测样本序列对应的3D关键姿势序列进行识别. 该算法在训练行为分类器时要进行行为者的3D重构和人体3D关节点的提取, 而在识别2D行为时不再需要进行3D重构. 通过在3个数据库上的实验, 证明该算法可以有效识别行为者在任意朝向下的行为, 并可以适应不同的行为采集环境. 相似文献