|
搜索
搜 索
高等教育领域数字化综合服务平台
基于分类学习的图像检索原型系统
本系统采用Core图像数据库51135幅，每幅图像提取纹理与颜色相综合的128维特征值构建特征数据库，采用自行设计的度量距离分类学习算法，在传统的图像检索基础上引入学习机制，系统共分类369个，每一类选取少量有代表性的图像（最多不超过6幅），试验表明，在提供有限的学习样本条件下，能有效提高图像检索的精度。 系统采用两种检索方法进行比较，一种是传统的欧氏距离，另一种是本系统设计的分类距离学习方法，比较两者在图像检索精度上的差异。 该原型系统核心程序在Linux下用C编译实现，图像检索界面由PHP实现，通过Web服务器实现在线检索功能。
东华大学
2021-02-01
烫光机托布带、烫光机毛毯带
托布带：克重4600g/㎡，厚度10mm
吸油毡：厚度10~20mm
适用于：人造毛皮行业，毛纺行业，烫光机、烫剪机以及各类进口、国产机械以上产品规格根据客户需求均可定制。
上海芸英工业皮带有限公司
2025-01-09
非流式激光散射法血细胞分类计数仪
高校科技成果尽在科转云
西安交通大学
2021-04-10
一种基于投影残差的分类方法
本发明公开了一种基于投影残差的分类方法，包括如下步骤：步骤一、改变测试样本中每个物体k的图像集合Ik，使图像集合Ik成为互相正交的、低维的特征图像空间FIk；步骤二、提取每个互相正交的、低维特征图像空间FIk的主成分Vk，j；步骤三、计算待测试图像x的映射到每个特征图像空间FIk的投影残差；步骤四、判断在某个物体的特征图像空间的投影残差最小，待测试图像x即为该投影残差最小的物体的图像。
电子科技大学
2021-04-10
XM-164人体骨杠杆分类模型
XM-164人体骨杠杆分类模型
XM-164人体骨杠杆分类模型由头颅骨（含下颌骨）的矢状切，第1－5颈椎的矢状切，胫骨和腓骨下段、距骨、肱骨、前臂骨、手骨（示手舟骨、头状骨、第三掌骨和中指骨）等组成，根据骨杠杆类型分别将上述骨加以连接，分别贴于杠杆的支点、力点和阻力点等标签，可观察人体骨杠杆概念分类和三类骨杠杆的传递力、平衡力、省力以及增大运动幅度与速度等所起的作用。
尺寸：自然大，60×44×12cm
材质：PVC材料
上海欣曼科教设备有限公司
2021-08-23
XM-165人体骨关节分类模型
XM-165人体骨关节分类模型
XM-165人体骨关节分类模型将人体分为单轴关节、双轴关节、多轴关节以及屈戌关节、车轴关节、双髁状关节、鞍状关节、椭圆关节、球窝关节、杵臼关节和平面关节。
尺寸：自然大，60×44×12cm
材质：PVC材料
上海欣曼科教设备有限公司
2021-08-23
生物组织石蜡包埋机
1．微电脑控制,中文界面,彩色液晶显示,触摸屏操作,简洁、直观、方便。全程电脑自动控制或手工控制开关机，自动加热并恒温,自动制冷并恒温。2．智能保护：任意路不加热、不制冷或温度传感器损坏，界面中文报故障，并自动切断该路的加热或制冷，保护该路器件免受损坏。3．开关机：任意预设周1至周日每天任意自动开关机两次；手动开机在工作4小时后自动关机。 4．专利流蜡控制方式，流蜡管道不滴蜡、渗蜡；出蜡方式：手动、脚动，出蜡流量可调节。5．分体式结构：包埋部分和冷冻台分开，包埋部分带小冷台，冷冻台为整体铝合金材质。6．工作台和小冷台二路照明，照明灯采用DC24V LED灯珠，手动开关灯珠照明，在主机停止工作后自动熄灭。7．自带放大镜，便于观察微小标本。（可配置）8．制冷方式：冷冻台：压缩机制冷。为避免因压缩机反复启动而损坏压缩机，自动延时启动压缩机。小冷台：半导体制冷。9、温度控制：室温～99℃预设，恒温精度±１℃
孝感奥华医疗科技有限公司
2025-01-21
通用目标细分类检测方法研究与对抗样本攻防
利用图像处理和机器学习技术，在多分类，样本不均匀条件下，对类型接近的目标进行识别与检测；在弱监督，无监督条件下对大数据集的目标自动分类识别技术；对目标识别算法的通用攻击和通用防御算法。
东南大学
2021-04-11
静止悬浮式激光散射法 血细胞分类计数系统
快速、准确的自动血细胞分类计数仪对减轻医生的劳动强度、提高测量准确度有着积极的意义。现有的各种自动血细胞分类仪各有优缺点，较先进的激光流式细胞仪价格昂贵，结构复杂，而且容易发生堵塞等现象，维护麻烦。本系统是基于静止悬浮式的原理，从原理上克服了流式细胞仪的缺陷。利用这种方法对血细胞进行分类计数，不需要固定和染色，不需要导电介质，更不需要昂贵的流式装置，可以方
西安交通大学
2021-01-12
基于形态稀疏协同表示的高光谱遥感图像分类
本成果属于高光谱图像信息处理技术，为高光谱遥感图像分类方法。首先对高维高光谱图像提取第一主成分特征图，并利用结构元素对主成分特征图进行多维的空间结构特征提取，结合提取的形态学特征与原始光谱特征，利用联合稀疏表示算法将同一空间区域中的像元联合进行稀疏系数矩阵的求解，最终通过最小残差判断准则确定像元类别。这种方法有效地并且充分的挖掘了高光谱遥感图像中的空间信息、形态信息和光谱信息。考虑到稀疏表示方法在迭代求解稀疏向量时的耗时性与对非线性数据的不可分性，进一步提出了基于差分形态学核协同表示的高光谱遥感图像分类算法。该成果方法通过核化的协同表示分类算法避免了优化求解的耗时性，同时克服了高维特征空间下数据的线性不可分性。算法首先通过差分形态学方法在高光谱遥感图像的主成分分析图上进行空间特征提取，并通过核变换方法将新特征字典投影到高维的线性核特征空间，最后利用核化协同表示算法的高效性对高光谱图像进行分类。
主要技术指标
University of Pavia 通过 ROSIS-03 传感器记录，该图像捕获了意大利帕维亚的帕维亚大学周围的市区。图像尺寸为 610×340×103，空间分辨率为 1.3 m / 像素，光谱覆盖范围为 0.43 至 0.86μm。该图像考虑了九个类别。其具有 42776 个标记样本。每类取 50 个有标记样本共 450 个样本作为训练样本。
请参阅表 1，本方法提出的高光谱图像分类方法，相比于传统分类器 SVM，OA 提高了约 18%；相比于 JSRC，OA 提高了约 5%；同时参阅表 2，展示了本成果方法的时间运行效率与相关方法的比较。该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果。
表 1 PaviaU 数据集上对比实验结果
表 2 不同数据集上时间运行对比实验结果
西安电子科技大学
2023-03-14