T/GDIIA 001-2020
基于卷积神经网络的图像识别模型亮度鲁棒性测试要求
Luminance Robustness Testing Requirements for Image Recognition Models Based on Convolutional Neural Networks
- 标准号
- T/GDIIA 001-2020
- 发布
- 2020年
- 发布单位
- 中国团体标准
- 当前最新
- T/GDIIA 001-2020
- 适用范围
- 本标准主要内容包括范围、规范性引用文件、术语和定义、测试范围和测试方法与工具、测试过程等六章内容。
T/GDIIA 001-2020相似标准
推荐
最新研究发现人工智能与人类差距显著
独立进化的视觉系统中普遍存在幻觉轮廓感知能力，表明它在生物视觉处理中具有基础和关键的作用，因此，幻觉轮廓感知也应该是人工智能视觉系统所必须具备的能力。 此前，深度学习模型的幻觉轮廓感知相关研究相对较少，研究深度学习模型对幻觉轮廓感知的鲁棒性比图像干扰鲁棒性更加复杂，主要障碍是幻觉轮廓的样本有限。...
地质地球所提出人工智能地震信息挖掘方法
论文链接 图1.数据驱动的CNN设计流程的示意图 图2.各类CNN架构性能测试：ROC表示受试者工作特征曲线（Receiver operator characteristic curve） 图3.经典网络模型：深部特征难判别，识别结果噪声强；新提出的网络模型（SeismicPatchNet）（最下面一行）：具有深部地震特征识别的鲁棒性 ...
方案推荐| 基于无人机高光谱水稻病害快速监测解决方案
卷积神经网络对解决块状边界引起的不连续性问题也更具优势，可以更好地解决水稻光谱与背景光谱区分度不够等问题，以及它在较为复杂的场景下也依然具有较好的图像解译能力和鲁棒性。因此本次水稻田的自动化提取采用卷积神经网络模型实现，具体示意图如下图3所示。 图3 水稻自动化提取技术路线图卷积神经网络是一种包含卷积计算且具有深度结构的前馈神经网络，是深度学习最常用的代表算法之一。...
基于深度学习和超像素的大田小区水稻稻穗分割技术研究
基于深度学习的方法，本研究仅仅利用普通的单目RGB相机来获取大田水稻图像，并提出了一种将稻穗分割任务转换成分类任务来实现的新思路，该方案在较好实现水稻稻穗分割的同时也保证了分割边缘的完整性，同时，对于复杂多变的场景和环境（如不同光照等），该算法都具有很好的分割鲁棒性，对于不同成像角度的图像，该算法同样能够适用，在测试样本的平均分割精度在80%以上。...