全文获取类型
收费全文 | 121篇 |
免费 | 14篇 |
专业分类
公路运输 | 23篇 |
综合类 | 63篇 |
水路运输 | 25篇 |
铁路运输 | 18篇 |
综合运输 | 6篇 |
出版年
2024年 | 1篇 |
2023年 | 6篇 |
2022年 | 3篇 |
2021年 | 5篇 |
2020年 | 2篇 |
2019年 | 4篇 |
2018年 | 8篇 |
2015年 | 1篇 |
2014年 | 1篇 |
2013年 | 5篇 |
2012年 | 12篇 |
2011年 | 16篇 |
2010年 | 5篇 |
2009年 | 9篇 |
2008年 | 11篇 |
2007年 | 6篇 |
2006年 | 9篇 |
2005年 | 10篇 |
2004年 | 7篇 |
2002年 | 3篇 |
2000年 | 4篇 |
1999年 | 2篇 |
1997年 | 2篇 |
1995年 | 2篇 |
1993年 | 1篇 |
排序方式: 共有135条查询结果,搜索用时 203 毫秒
131.
132.
《船电技术》2013,(9):5
夏立——海军工程大学电气与信息工程学院院长1964年1月生,教授,博士生导师,电气工程、检测技术及自动化装置领域学科带头人,兼任湖北省自动化学会副理事长、中国电力教育院(校)长联席会常务理事等职。长期致力于电力系统智能化监测与控制技术研究,多项成果填补了国内空白,达到国内领先和国际先进水平。先后主持国家、军队重点科研60项,获得军队科技进步奖一等奖1项、二等奖3项、三等奖1项。近5年来发表学术论文60余篇,其中被三大检索收录20余篇,出版专著2部,译著2部,教材1部。指导培养博士研究生12名、硕士研究生34名。享受政府特殊津贴,被评为武汉市第二届优秀科技工作者。 相似文献
133.
134.
135.
针对传统的裂缝分割算法难以识别狭窄裂缝且分割边缘不精准,从而造成识别精度较低的问题,研究了基于改进U型神经网络(Unet)的路面裂缝检测方法。由于传统Unet特征提取网络是层次较浅的浅层神经网络,难以提取更复杂的裂缝特征信息,故本文以牛津大学视觉几何组网络(VGG16)作为传统Unet的特征提取网络,提高网络的裂缝特征提取能力;为抑制高低阶特征融合时产生的无用特征,本文在模型解码部分添加压缩与激励单元(SE block),构建裂缝注意力单元,使得网络可以关注不同通道下的裂缝特征,建立了基于SE block和VGG16的改进Unet网络(SE-VUnet)。研究采用迁移学习的方法,将在ImageNet上预训练好的VGG16网络权重迁移到裂缝检测中。通过挑选Crack500数据集,并使用摄像头采集图片构建1 600张路面裂缝数据集,再次训练SE-VUnet模型,获得裂缝区域分割结果。以查准率(precision)与查全率(recall)的加权调和平均值F1和雅卡尔(Jaccard)相似系数作为量化评价指标。将SE-VUnet分别与Unet、SOLO v2、Mask R-CNN以及Deeplabv3+进行分割效果和实时性对比。研究结果表明:SE-VUnet模型的综合F1和雅卡尔系数分别为0.840 3和0.722 1,相比于Unet分别高出了1.04%和1.51%,且均高于其他3种对比模型;SE-VUnet的单帧图片预测时间为89 ms,在分割效果提升明显的情况下仅比Unet慢5 ms,优于其他模型。 相似文献