CN114627383B 一种基于度量学习的小样本缺陷检测方法 （南京航空航天大学）_第1页
CN114627383B 一种基于度量学习的小样本缺陷检测方法 （南京航空航天大学）_第2页
CN114627383B 一种基于度量学习的小样本缺陷检测方法 （南京航空航天大学）_第3页
CN114627383B 一种基于度量学习的小样本缺陷检测方法 （南京航空航天大学）_第4页
CN114627383B 一种基于度量学习的小样本缺陷检测方法 （南京航空航天大学）_第5页
已阅读5页，还剩12页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

本发明公开了一种基于度量学习的小样本基于卷积核自适应的卷积神经网络SKM-CNN提取与待检测小样本缺陷数据集相似的缺陷数据集型迁移到基于度量学习的小样本缺陷检测网络S2D2N中，以先目标特征提取后度量学习的方式22-GAN对抗网络对小样本缺陷数据集进行数据增强；步骤(2)：基于卷积核自适应的卷积神经网络SKM-C所述步骤(3)中将预训练模型迁移到基于度量学习的小样本缺陷检测网络S2D2N中，以步骤(3.1)：将步骤(1)中数据增强后的数据集分为支撑图像数据集和查询图像数据步骤(2)中基于卷积核自适应的卷积神经网络SKM-CNN提取与待检测小样本缺陷数据集相32)通过第一次和第二次上采样操作增加特3)ROI池化层重复利用卷积神经网络CNN中产生的特征图，加速模型的训练和测试过步骤(2.2)中使用基于卷积核自适应的卷积神经网络SKM-CNN提取辅助数据集的特征时进的特征图融合到ROI池化层后，使预训练模型保留足够的局部特征信息，提高模型的泛化456[0038]2、设计基于注意力机制的卷积神经网络训练与小样本具有共同特征的相似数据[0039]使用基于卷积核自适应的的卷积神经网络SKM-CNN提取辅助数据集的特征，生成7[0057]图2所示为G2-GAN网络结构，它是在GAN的基础上改进的，文中所述生成器G和判[0068]所述步骤（3）中将预训练模型迁移到基于度量学习的小样本缺陷8[0078]2、设计基于注意力机制的卷积神经网络训练与小样本具有共同特征的相似数据[0079]使用基于卷积核自适应的的卷积神经网络SKM-CNN提取辅助数据集的特征，生成[0083]以上仅是本发明的优选实施方式，本发明的保护范围并不仅

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论