简介:摘要:目标检测算法在不断更新迭代,从20世纪90年代至今,目标检测领域已经发生了翻天覆地的变化。本文简要梳理了目标检测算法的发展历程,重点对YOLOv1和YOLOv3两代算法进行了详细讨论,同时还探讨了YOLO算法在农业、工业、医学和遥感监测等领域的广泛应用,并展望了其未来的发展潜力。
简介:摘要:在新时代,我国建筑行业进入了高速发展时期,呈现出工程量持续增多、建设规模不断扩大的特点,但是高耗能、高排放问题的存在使建筑行业发展与人民群众日益增长的美好生活需求相比仍有一定差距。然而随着经济的持续发展和居民生活水平的不断提升,建筑碳排放在全社会碳排放中的占比将进一步提高,建筑行业要想实现可持续健康的发展,就应基于“碳达峰”“碳中和”背景,不断加强低碳、零碳建筑建设,推动建筑领域深度节能降碳,务必落实建筑领域碳达峰、碳中和,推动建筑行业节能降碳高质量发展。为了推动建筑“碳中和”的实现,文章将首先对建筑“碳中和”进行概述,然后分析建筑“碳中和”目标实现的制约因素,并从目标设计、制度完善、技术研发、建造模式几个方面探究建筑“碳中和”目标实现的有效路径,旨在为建筑行业节能降碳高质量发展提供一定借鉴参考。
简介:摘要:多目标优化是现代优化算法领域的一个重要分支,它涉及到多个优化目标的协调和权衡。多目标算法的原理和应用研究对于许多实际问题具有重要意义。本文将探讨多目标算法的原理,并对其在各种应用领域的研究进行综述。
简介:摘要:深度学习已经在目标检测领域取得了显著的进展,通过自动学习特征表示和端到端的训练方式,提高了目标检测的准确性和效率。本文对基于深度学习的目标检测算法进行了综述,包括单阶段和两阶段检测器。单阶段检测器如YOLO和SSD直接在图像上进行密集预测,具有实时性和高效性,但可能存在定位不准确性。两阶段检测器如R-CNN系列通过候选区域生成和分类/定位两个阶段实现更精确的定位,但计算资源消耗较大。选择适合任务需求的检测器取决于实时性、准确性和定位要求。未来,深度学习目标检测算法将进一步发展,结合单阶段和两阶段的优势,以提高性能和效果。
简介:摘要:在雷达目标分类领域,传统基于长短期记忆网络(LSTM)的算法因其在处理时间序列数据方面的优越性能而得到广泛应用。然而,这类算法容易受到噪声干扰,从而影响分类的准确性。为了解决这一问题,本研究提出了一种改进的LSTM模型(噪声抑制LSTM,Noise Inhibition LSTM,NI-LSTM),在标准LSTM中引入了噪声抑制模块。该模块能够有效降低噪声节点在整个时间步长中的影响占比,同时提高理想数据的比重,从而增强模型对目标分类的鲁棒性。