全文获取类型
收费全文 | 239篇 |
免费 | 38篇 |
国内免费 | 14篇 |
学科分类
工业技术 | 291篇 |
出版年
2024年 | 3篇 |
2023年 | 7篇 |
2022年 | 10篇 |
2021年 | 4篇 |
2020年 | 7篇 |
2019年 | 14篇 |
2018年 | 15篇 |
2017年 | 6篇 |
2016年 | 8篇 |
2015年 | 11篇 |
2014年 | 17篇 |
2013年 | 10篇 |
2012年 | 21篇 |
2011年 | 24篇 |
2010年 | 21篇 |
2009年 | 18篇 |
2008年 | 10篇 |
2007年 | 11篇 |
2006年 | 3篇 |
2005年 | 9篇 |
2004年 | 7篇 |
2003年 | 9篇 |
2002年 | 8篇 |
2001年 | 8篇 |
2000年 | 3篇 |
1999年 | 4篇 |
1998年 | 5篇 |
1995年 | 3篇 |
1993年 | 5篇 |
1992年 | 3篇 |
1990年 | 1篇 |
1989年 | 2篇 |
1988年 | 2篇 |
1987年 | 1篇 |
1981年 | 1篇 |
排序方式: 共有291条查询结果,搜索用时 31 毫秒
2.
3.
近年来双目立体匹配技术发展迅速,高精度、高分辨率、大视差的应用需求无疑对该技术的计算效率提出了更高的要求。由于传统立体匹配算法固有的计算复杂度正比于视差范围,已经难以满足高分辨率、大视差的应用场景。因此,从计算复杂度、匹配精度、匹配原理等多方面综合考虑,提出了一种基于PatchMatch的半全局双目立体匹配算法,在路径代价计算过程中使用空间传播机制,将可能的视差由整个视差范围降低为t个候选视差(t远远小于视差范围),显著减少了候选视差的数量,大幅提高了半全局算法的计算效率。对KITTI2015数据集的评估结果表明,该算法以5.81%的错误匹配率和20.2 s的匹配时间实现了准确性和实时性的明显提高。因此,作为传统立体匹配改进算法,该设计可以为大视差双目立体匹配系统提供高效的解决方案。 相似文献
4.
本文研究制备Na2O-B203-Si02-Al203多元系基玻璃料,并配制成低温陶瓷结合剂,研究发现:耐火度为685℃,流动性为110%~130%,线膨胀系数为5.35×10-6℃-1的低温陶瓷结合剂具有优异的性能.制备的陶瓷结合剂金刚石砂轮在725℃烧成后,磨具的抗弯强度和洛氏硬度达到最佳值,分别58.61 MPa和77.9.用其磨削PCD刀片时锋利性好,磨削中间不需修整,砂轮耐用度高.运用扫描电子显微镜(SEM)分析了陶瓷结合剂金刚石磨具的断面形貌、磨削后磨削面形貌,表明结合剂对磨粒黏结牢固,断面组织均匀. 相似文献
5.
在多数现有图像标注图像库中,关键字只标注在图像级而非区域级,使有监督学习方法在图像标注中难以应用.基于量子粒子群优化算法(quantum-behaved particle swarm optimization,QPSO)提出了一种新的多示例学习(multi-instance learning,MIL)算法--QPSO-MIL算法,在多示例学习的框架下将基于区域的图像标注问题描述成一个有监督的学习问题.该方法将图像当作包,分割的区域当作包中的示例,利用多样性密度(DD)函数,定义了粒子的适应度向量.在示例空间,利用QPSO方法在各个维度上同时搜索DD函数的全局极大值点,作为关键字的概念点,然后根据Bayesian后验概率最大准则(MAP)对图像进行标注.通过ECCV 2002图像库的实验结果表明,QPSO-MIL算法是有效的. 相似文献
6.
集成模糊LSA与MIL的图像分类算法 总被引:1,自引:0,他引:1
针对自然图像的分类问题,提出一种基于模糊潜在语义分析(LSA)与直推式支持向量机(TSVM)相结合的半监督多示例学习(MIL)算法.该算法将图像当作多示例包,分割区域的底层视觉特征当作包中的示例.为了将MIL问题转化成单示例问题进行求解,首先利用K-Means方法对训练包中所有的示例进行聚类,建立"视觉词汇表";然后根据"视觉字"与示例之间的距离定义模糊隶属度函数,建立模糊"词-文档"矩阵,再采用LSA方法获得多示例包(图像)的模糊潜在语义模型,并通过该模型将每个多示例包转化成单个样本;采用半监督的TSVM训练分类器,以利用未标注图像来提高分类精度.基于Corel图像库的对比实验结果表明,与传统的LSA方法相比,模糊LSA的分类准确率提高了5.6%,且性能优于其他分类方法. 相似文献
7.
根据人类视觉系统的特点,提出一种融合谱残差和多分辨率分析的显著目标检测方法。该方法通过在不同尺度上计算图像的亮度、颜色以及方向特征的谱残差,构建多分辨率显著性图谱序列,然后用线性插值方法将不同分辨率的特征显著图叠加得到3个特征显著图,再利用k均值聚类算法将每个特征显著图聚为两类,选择聚类中心距离最大的特征显著图作为最终的显著图,最后经过动态阈值处理获得图像的显著目标区域。基于自然图像的显著目标检测实验结果表明,该方法具有较强的稳定性和实用性,得到较为满意的检测结果。 相似文献
8.
9.
10.