Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Correction: Tan et al. An Improved Neural Network Model Based on DenseNet for Fabric Texture Recognition. <i>Sensors</i> 2024, <i>24</i>, 7758.

Sensors (Basel, Switzerland)·2025
Same author

Three new triterpene saponins from Clematis chinensis.

Journal of Asian natural products research·2013
Same author

The relationship between erectile dysfunction and open urethroplasty: a systematic review and meta-analysis.

The journal of sexual medicine·2013
Same author

Development in mechanisms of ischemic mitral regurgitation.

Chinese medical journal·2013
Same author

[Research on the application role of yin-yang consumption theory in evaluating the inflammatory immune state and prognosis of patients with abdominal surgical].

Zhongguo Zhong xi yi jie he za zhi Zhongguo Zhongxiyi jiehe zazhi = Chinese journal of integrated traditional and Western medicine·2013
Same author

Antitumor activity of a polysaccharide from Pleurotus eryngii on mice bearing renal cancer.

Carbohydrate polymers·2013

相关实验视频

Updated: Jun 4, 2025

Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.0K

基于DenseNet的改进的神经网络模型用于面料纹理识别.

Li Tan1, Qiang Fu1, Jing Li1

  • 1College of Science & Technology, Ningbo University, Ningbo 315300, China.

Sensors (Basel, Switzerland)
|December 17, 2024
PubMed
概括

这项研究介绍了一种新的差异化倾斜加权密度网络 (DLW-DenseNet),用于自动地识别针织织品纹理. 该模型增强了特征选择,并实现了比现有方法更高的准确性.

科学领域:

  • 计算机科学 计算机科学
  • 材料科学 材料科学 材料科学
  • 织工程 织工程 织工程

背景情况:

  • 自动编织服装生产需要精确的织物质感识别来进行质量控制.
  • 手动方法是低效和主观的;当前的机器学习方法通常依赖于耗时的手动特征提取.
  • 现有的方法在布料纹理识别的准确性和效率方面存在局限性.

研究的目的:

  • 开发一种新的深度学习模型,用于编织服装中自动化的织物纹理识别.
  • 为了解决手动特征提取的局限性,并提高识别精度.
  • 引入一个新的数据集,用于培训和评估织物纹理识别模型.

主要方法:

  • 引入了差异化倾斜加权的DenseNet (DLW-DenseNet),这是一个增强的DenseNet架构.
  • 整合了一个可学习的权重机制,带有道注意力,以优化功能选择和减少冗余.
  • 实施了差异化学习策略,用于连续道选择和模型修剪,具有不同的学习速率.
  • 构建了一个名为KF9.9的新针织织品数据集.

主要成果:

  • DLW-DenseNet模型在面料纹理识别方面表现出卓越的性能.
  • 与改进的基于ResNet的网络相比,识别准确度提高了5个百分点.
关键词:
在DenseNet中,使用的是DenseNet.道的注意力 道的注意力深度学习是一种深度学习.差异化的学习学习.面料纹理识别 面料纹理识别

更多相关视频

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

466
Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
08:20

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Published on: October 27, 2023

1.3K

相关实验视频

Last Updated: Jun 4, 2025

Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.0K
Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

466
Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
08:20

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Published on: October 27, 2023

1.3K
  • 在KF9数据集上显著优于其他代表方法.

    • 结论:

    • 在针织服装中,DLW-DenseNet有效地增强了自动织物纹理识别.
    • 拟议的模型比现有方法提供了更好的准确性和效率.
    • KF9数据集为未来的织物纹理识别研究提供了宝贵的资源.