全文获取类型
收费全文 | 339篇 |
免费 | 8篇 |
国内免费 | 6篇 |
学科分类
工业技术 | 353篇 |
出版年
2024年 | 3篇 |
2023年 | 8篇 |
2022年 | 7篇 |
2021年 | 9篇 |
2020年 | 19篇 |
2019年 | 10篇 |
2018年 | 9篇 |
2017年 | 4篇 |
2016年 | 6篇 |
2015年 | 7篇 |
2014年 | 14篇 |
2013年 | 15篇 |
2012年 | 17篇 |
2011年 | 30篇 |
2010年 | 11篇 |
2009年 | 13篇 |
2008年 | 15篇 |
2007年 | 16篇 |
2006年 | 16篇 |
2005年 | 16篇 |
2004年 | 25篇 |
2003年 | 19篇 |
2002年 | 21篇 |
2001年 | 15篇 |
2000年 | 11篇 |
1999年 | 11篇 |
1998年 | 1篇 |
1997年 | 1篇 |
1995年 | 1篇 |
1994年 | 1篇 |
1992年 | 1篇 |
1990年 | 1篇 |
排序方式: 共有353条查询结果,搜索用时 0 毫秒
61.
ASE噪声和DRBS噪声是影响拉曼光纤放大器传输性能的两个重要因素。本文运用四阶龙格-库塔法对多泵浦RFA的噪声功率进行仿真,进一步得到ASE和DRBS噪声的信噪比和噪声系数。结果表明,当光纤长度L<30 km时,ASE噪声对系统影响较大,而L>40 km时,DRBS噪声是影响系统性能的主要因素。另外,长波长的噪声比短波长信道的噪声功率更高,对系统的影响更大。当信号光波长相差24 nm时,长波长的ASE噪声饱和值至少比短波长高0.005 mW,DRBS噪声饱和值至少比短波长高0.0025 mW。 相似文献
62.
63.
针对目前行人属性识别存在着复杂样本识别精度较低和属性数据集中属性分布不平衡的问题,本文提出一种基于残差注意的行人属性识别网络。该网络采用Resnet50作为骨干网络提取出具有语义信息的行人属性特征,并采用属性类别残差注意网络结构关注属性存在的关键区域且挖掘不同属性类别之间的内部联系。同时采用归一化和非对称的加权损失策略降低行人属性样本分布不平衡的影响,加快模型收敛速度并提高属性识别精度。在行人属性公共数据集PETA和PA100K上进行实验,实验结果表明,该方法在公共数据集PETA上获得的平均识别精度为87.32%,在公共数据集PA100K上可以获得79.75%的识别精度,与其他行人属性识别方法相比具有明显优势。 相似文献
64.
基于FPGA的Sobel边缘检测应用 总被引:5,自引:1,他引:5
针对目前数字图像处理速度慢的问题,提出了一种基于FPGA器件的Sobel边缘检测实现方案.Sobel边缘检测分别在FPGA和MATLAB上仿真实现,仿真结果表明,该方案可以大幅提高Sobel边缘检测的速度,并且获得了很好的边缘检测效果.最后列举了一个基于FPGA器件的Sobel边缘检测的应用实例. 相似文献
65.
目前,Transformer基本模型对同一场景内不同尺寸物体的检测能力不足,其主要原因为各层等尺度的输入嵌入无法提取跨尺度特征,导致网络不具备在不同尺度的特征之间建立交互的能力。基于此,提出一种基于Transformer的多尺度物体检测网络,该网络采用跨尺度嵌入层初步对图像特征进行嵌入处理;利用多分支空洞卷积对输入进行下采样,通过调整并行分支的膨胀率使该结构具有多样的感受野;然后,由残差自注意力模块对输出嵌入结果进行处理,为特征图的局部和全局信息构建联系,使注意力计算融入有效的多尺度语义信息,最终实现多尺度物体检测。模型在COCO等数据集上进行训练,实验结果表明该方法与其他物体检测方法相比具有显著优势。 相似文献
68.
由于AES S盒代数式只有9项过于简单且仿射变换对周期和迭代输出周期过短的原因,提出了一种新的构造S盒的解决方法。该方法通过在有限域上利用拉格朗日插值公式完全展开的系数求解方法得出了S盒和逆S盒的代数式系数表。与AES S盒构造原理导出的代数式相比,该方法具有直观且简单通用的特性。MATLAB仿真结果显示,新S盒的构造时间最短。其仿射变换周期和迭代输出周期分别高达16和256。S盒和逆S盒的严格雪崩准则距离分别降为376和304。S盒的代数式项数提高到253项。表明新S盒具有更复杂的代数结构、较好的差分特性以及非线性,同时根据仿射变换次数和S盒的构造时间进一步说明新S盒的设计既简洁又高效。 相似文献
69.
70.
行人检测是计算机视觉中一个重要的研究方向,为了提高行人的识别精度,将支持向量机(Sup-port Vector Machine,SVM)和Adaboost算法结合起来,SVM是基于结构风险最小化准则的新型机器学习算法,适合小样本学习并且能够有效地抑制过拟合问题,Adaboost基于最小化训练错误率,一般使用易训练的分类器作为弱分类器.由于SVM比较难训练,因此将样本集划分形成多个训练集,然后利用正样本和不同的负样本组成不同训练集反复训练,最后通过Adaboost对训练集生成的SVM模型筛选出具有最小错误率的SVM分类器并且采用投票机制形成最终的强分类器.实验结果表明,在FPPW(false positive per window)为10-5时检测率能够达到30%,检测效果优于单个SVM算法训练出来的分类器模型,用行人测试库测试,该方法取得了较好的检测效果并且具有较强的鲁棒性. 相似文献