全文获取类型
收费全文 | 67篇 |
免费 | 0篇 |
国内免费 | 5篇 |
专业分类
林业 | 2篇 |
农学 | 7篇 |
基础科学 | 7篇 |
4篇 | |
综合类 | 29篇 |
农作物 | 3篇 |
畜牧兽医 | 7篇 |
园艺 | 10篇 |
植物保护 | 3篇 |
出版年
2023年 | 3篇 |
2022年 | 5篇 |
2019年 | 3篇 |
2018年 | 3篇 |
2015年 | 1篇 |
2014年 | 6篇 |
2013年 | 5篇 |
2012年 | 4篇 |
2010年 | 4篇 |
2009年 | 7篇 |
2008年 | 2篇 |
2007年 | 3篇 |
2006年 | 4篇 |
2005年 | 4篇 |
2004年 | 3篇 |
2003年 | 4篇 |
2002年 | 3篇 |
2001年 | 1篇 |
1999年 | 2篇 |
1993年 | 1篇 |
1992年 | 1篇 |
1991年 | 1篇 |
1988年 | 1篇 |
1987年 | 1篇 |
排序方式: 共有72条查询结果,搜索用时 15 毫秒
41.
基于改进ByteTrack算法的群养生猪行为识别与跟踪技术 总被引:2,自引:0,他引:2
群养生猪行为的识别与跟踪是智能养殖中监测猪只健康的关键技术。为在猪只重叠与遮挡复杂场景中,实现群养生猪行为识别与稳定跟踪,提出了改进ByteTrack算法。首先,采用YOLOX-X目标检测器实现群养生猪检测,然后,提出改进ByteTrack多目标跟踪算法。该算法改进包括:设计并实现BYTE数据关联的轨迹插值后处理策略,降低遮挡造成的IDs错误变换,稳定跟踪性能;设计适合群养生猪的检测锚框,将YOLOX-X检测算法中的行为类别信息引入跟踪算法中,实现群养生猪行为跟踪。改进ByteTrack算法的MOTA为96.1%,IDF1为94.5%,IDs为9,MOTP为0.189;与ByteTrack、DeepSORT和JDE方法相比,在MOTA与IDF1上均具有显著提升,并有效减少了IDs。改进ByteTrack算法在群养环境下能实现稳定ID的猪只行为跟踪,能够为无接触式自动监测生猪提供技术支持。 相似文献
42.
43.
基于JDE模型的群养生猪多目标跟踪 总被引:1,自引:1,他引:0
为实现群养生猪在不同场景下(白天与黑夜,猪只稀疏与稠密)的猪只个体准确检测与实时跟踪,该研究提出一种联合检测与跟踪(Joint Detection and Embedding,JDE)模型。首先利用特征提取模块对输入视频序列提取不同尺度的图像特征,产生3个预测头,预测头通过多任务协同学习输出3个分支,分别为分类信息、边界框回归信息和外观信息。3种信息在数据关联模块进行处理,其中分类信息和边界框回归信息输出检测框的位置,结合外观信息,通过包含卡尔曼滤波和匈牙利算法的数据关联算法输出视频序列。试验结果表明,本文JDE模型在公开数据集和自建数据集的总体检测平均精度均值(mean Average Precision,mAP)为92.9%,多目标跟踪精度(Multiple Object Tracking Accuracy,MOTA)为83.9%,IDF1得分为79.6%,每秒传输帧数(Frames Per Second,FPS)为73.9帧/s。在公开数据集中,对比目标检测和跟踪模块分离(Separate Detection and Embedding,SDE)模型,本文JDE模型在MOTA提升0.5个百分点的基础上,FPS提升340%,解决了采用SDE模型多目标跟踪实时性不足问题。对比TransTrack模型,本文JDE模型的MOTA和IDF1分别提升10.4个百分点和6.6个百分点,FPS提升324%。实现养殖环境下的群养生猪多目标实时跟踪,可为大规模生猪养殖的精准管理提供技术支持。 相似文献
44.
45.
46.
47.
48.
49.
50.
小麦散黑穗病(Ustilago tritici)内蒙麦区每年都有发生,一般田间发病率2—5%,严重地块达20—40%,近年发生又趋严重。 相似文献