期刊文献+
任意字段
题名或关键词
题名
关键词
摘要
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到6篇文章
< 1 >
每页显示 20 50 100
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
Uncertainty-informed large vision model for automated recognition of excavated rock chips in tunnel boring machines 认领 引用
1
作者 Xuefeng Ou Wentao Zhou +1 位作者 Tongming Qu Junsheng Yang 《Journal of Rock Mechanics and Geotechnical Engineering》 SCIE CSCD 2026年第6期4474-4486,共13页
Real-time identification of rock chip size and shape distributions from muck images plays a critical role in intelligently optimizing cutterhead thrust and torque parameters for tunnel boring machines(TBM).However,com... Real-time identification of rock chip size and shape distributions from muck images plays a critical role in intelligently optimizing cutterhead thrust and torque parameters for tunnel boring machines(TBM).However,complex light environments in field images are difficult to recognize via traditional methods.This paper proposes a U-Net-SAM framework integrating semantic segmentation and the vision foundation model—Segment Anything Model(SAM),combined with dropout-based uncertainty analysis,achieving efficient rock chip segmentation and parameter quantification.First,a U-Net is trained to identify the rock mass centroid as an automatic SAM prompt.Next,an overlap region optimization strategy based on Intersection over Union(IoU)and a noise filtering method is employed to tackle boundary blurring and particle adhesion.Finally,a Dropout layer is added to implement the committee-based uncertainty analysis model and quantify predictive uncertainty.Results show that:(1)U-Net-SAM improves mean F1-score and PA by 9.1%and 7.8%over U-Net;(2)A strong correlation between prediction standard deviation(SD)and error rate validates the proposed uncertainty quantification strategy.This framework provides reliable rock chip perception for intelligent TBM tunneling,with potential applications in other engineering scenarios. 展开更多
关键词 Tunnel boring machine Rock chip recognition Semantic segmentation Vision foundation model Uncertainty analysis U-Net-SAM
暂未订购 下载PDF
深度学习下的医学图像分割综述 认领 引用 被引量：11
2
作者 邢素霞 李珂娴 +2 位作者 方俊泽 郭正 赵士杭 《计算机工程与应用》 EI CSCD 北大核心 2025年第7期25-41,共17页
针对医学图像的高维性、复杂性和高精度要求等特性,深度学习下的医学图像分割方法凭借其强大的特征提取能力和对复杂模式的学习能力,能够自适应地从大量数据中学习并提取多层次特征,展现出高精度、高鲁棒性和可扩展性强等优势。通过端... 针对医学图像的高维性、复杂性和高精度要求等特性,深度学习下的医学图像分割方法凭借其强大的特征提取能力和对复杂模式的学习能力,能够自适应地从大量数据中学习并提取多层次特征,展现出高精度、高鲁棒性和可扩展性强等优势。通过端到端地提取感兴趣的器官、组织或病变区域,为医生在疾病诊断、制定治疗策略和临床研究等领域提供有力帮助。重点综述了U-Net、Transformer、Mamba、分割一切模型(segment anythingmodel,SAM)及其各自变体模型在医学图像分割中的应用情况和发展脉络,从多个维度进行了综合对比分析,对开展医学影像研究、临床疾病诊断与治疗决策,以及医疗技术创新产品开发均具有一定参考价值。在此基础上,总结了目前医学图像分割研究中面临的挑战,并对该领域未来的研究前景进行展望。 展开更多
关键词 医学图像分割 深度学习 U-Net Transformer Mamba 分割一切模型(SAM)
暂未订购 下载PDF
基于多光谱卫星影像的小麦种植分布遥感监测方法研究 认领 引用 被引量：1
3
作者 陈春晖 梁树能 李金超 《安徽农业科学》 CAS 2025年第9期196-202,共7页
基于Sentinel-2多光谱卫星数据对位于宿州市境内约440 km2的试验区进行小麦种植分布遥感监测。通过建立NDVI时间序列,经S-G方法平滑后,利用U-Net模型进行小麦种植区域识别,并与光谱匹配法和人工神经网络法2种模型进行对比。结果显示,... 基于Sentinel-2多光谱卫星数据对位于宿州市境内约440 km2的试验区进行小麦种植分布遥感监测。通过建立NDVI时间序列,经S-G方法平滑后,利用U-Net模型进行小麦种植区域识别,并与光谱匹配法和人工神经网络法2种模型进行对比。结果显示,3种模型分类准确性都达到80%的水平,U-Net模型漏判率最低,光谱匹配法误判率最低,总体精度U-Net模型达到83.15%,是同等条件下的最优方法。 展开更多
关键词 多光谱 归一化植被指数 U-Net模型 光谱匹配 人工神经网络
暂未订购 下载PDF
基于Sentinel-2的天津市津南区建筑用地变化分析 认领 引用
4
作者 王守志 张博 +4 位作者 赵阳 朱方君 高腾 王冬 万玉生 《地理空间信息》 2025年第7期137-140,共4页
为从Sentinel-2卫星影像中提取津南区历年的建筑用地进行变化分析,提出了一种利用SAM大模型快速标注数据、U-Net算法提取建筑用地的方法。结果表明,天津市津南区整体变化明显,八里台镇建筑用地面积较大但面积占比较低;小站镇仅次于八里... 为从Sentinel-2卫星影像中提取津南区历年的建筑用地进行变化分析,提出了一种利用SAM大模型快速标注数据、U-Net算法提取建筑用地的方法。结果表明,天津市津南区整体变化明显,八里台镇建筑用地面积较大但面积占比较低;小站镇仅次于八里台镇;双港镇建筑用地面积与小站镇持平,但面积占比较高;咸水沽镇建筑用地面积处于中间水平,但面积占比较高;葛沽镇、海教园、北闸口镇水平相当;双桥河镇、辛庄镇建筑用地面积较小,但面积占比处于中间水平。该方法可扩展至任意地区,对于区域总体规划和可持续发展建设具有一定的指导意义。 展开更多
关键词 Sentinel-2 SAM U-Net 建筑用地 变化分析
暂未订购 下载PDF
深度学习在多模态MRI脑肿瘤分割领域的研究进展 认领 引用
5
作者 常少华 马志庆 +2 位作者 李学辉 魏宗月 赵爽 《中国医疗设备》 2025年第11期156-163,共8页
脑肿瘤是由脑组织细胞异常生长引起的病变,对人类生命构成重大威胁。磁共振成像(Magnetic Resonance Imaging,MRI)是一种典型的非侵入式成像技术,可以产生高分辨率、无损伤和无颅骨伪影的脑影像。随着生物医学技术的不断发展,利用MRI技... 脑肿瘤是由脑组织细胞异常生长引起的病变,对人类生命构成重大威胁。磁共振成像(Magnetic Resonance Imaging,MRI)是一种典型的非侵入式成像技术,可以产生高分辨率、无损伤和无颅骨伪影的脑影像。随着生物医学技术的不断发展,利用MRI技术进行脑肿瘤的诊断和治疗已成为提高患者生存率和降低计算成本的主要技术手段。而目前多模态MRI脑肿瘤精准分割存在技术瓶颈,传统方法依赖人工特征,效率低且受主观影响。深度学习凭自动特征提取突破局限,推动分割自动化精准化。本文综述了U-Net、Transformer、分割一切模型3类深度学习模型的技术原理、应用效果及局限性,最后分析当前研究面临的挑战并展望未来方向,以期为医学影像分析领域的研究人员和临床医师提供借鉴,提高脑肿瘤诊断的准确度和效率。 展开更多
关键词 磁共振成像(MRI) 脑肿瘤 多模态MRI 图像分割 深度学习 U-Net Transformer 分割一切模型(SAM)
暂未订购 下载PDF
基于深度学习的高分辨率遥感影像自然要素提取方法 认领 引用 被引量：13
6
作者 曹建涛 孟凡效 +3 位作者 王珍 丁乐乐 刘艳飞 潘宇明 《测绘通报》 CSCD 北大核心 2024年第S1期177-180,共4页
针对土地利用调查手段中实地调查效率低下、遥感影像识别分析不精确等问题,本文提出一种融合U-Net深度学习网络与神经网络大模型Segment Anything Model(SAM)的高分辨率遥感影像识别方法,结合二者优势实现了对耕地及其他自然要素快速精... 针对土地利用调查手段中实地调查效率低下、遥感影像识别分析不精确等问题,本文提出一种融合U-Net深度学习网络与神经网络大模型Segment Anything Model(SAM)的高分辨率遥感影像识别方法,结合二者优势实现了对耕地及其他自然要素快速精细化识别分类。试验表明:U-Net网络在识别三大主粮(水稻、玉米、小麦)时的准确率和召回率均超过90%,达到了很好的识别效果;其次利用SAM模型对自然要素粗提取结果进行边界优化后,精细化提取要素边界与实际情况更为符合,结果更为准确。 展开更多
关键词 深度学习 自然要素提取 U-Net网络 SAM模型
暂未订购 下载PDF
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈