- 最近
- 已收藏
- 排序
- 筛选
- 153
- 8
- 5
- 2
- 1
- 1
- 26
- 22
- 14
- 12
- 11
- 中文期刊
- 刊名
- 作者
- 作者单位
- 收录源
- 栏目名称
- 语种
- 主题词
- 外文期刊
- 文献类型
- 刊名
- 作者
- 主题词
- 收录源
- 语种
- 学位论文
- 授予学位
- 授予单位
- 会议论文
- 主办单位
- 专 利
- 专利分类
- 专利类型
- 国家/组织
- 法律状态
- 申请/专利权人
- 发明/设计人
- 成 果
- 鉴定年份
- 学科分类
- 地域
- 完成单位
- 标 准
- 强制性标准
- 中标分类
- 标准类型
- 标准状态
- 来源数据库
- 法 规
- 法规分类
- 内容分类
- 效力级别
- 时效性
【中文期刊】 朱俊玲 瞿芳 等 《护理研究》 2024年38卷21期 3923-3928页 ISTICPKU
【摘要】 目的:基于改进型You Only Look Once V5(YOLOv5)人工智能开发手术器械识别系统.方法:收集常用外科手术器械10类,包括治疗碗、药杯、弯盘、针持器、血管钳、刀柄、组织拉钩、手术刀片、缝针、棉球.将收集的器械置于同一视野...
【中文期刊】 徐旭 李从胜 等 《北京生物医学工程》 2023年42卷6期 551-558页 ISTIC
【摘要】 目的 循环染色体异常细胞(circulating genetically abnormal cell,CAC)检测是一种无创或微创、敏感、经济的肿瘤早期诊断方法.荧光原位杂交(fluorescence in situ hybridizati...
【中文期刊】 何海东 焦书兰 等 《心理学报》 2000年32卷2期 152-157页
【摘要】 研究通过三个实验探讨了物体表征及其对识别的影响,特别是整体与部件的关系。实验一主要研究物体整体与部件分别对物体识别的影响;实验二考察部件之间的相对距离、分割方式对物体识别的影响;实验三对自然分割和非自然分割的信息表征特点进行了进一步探讨。结...
【中文期刊】 李冰 《中国药理学与毒理学杂志》 2017年31卷11期 1057-1062页 ISTICPKUCA
【摘要】 灵长类拥有卓越的视觉目标识别能力,这对其生存至关重要.对灵长类视觉目标识别的神经机制进行研究和解析,可能为类脑机器视觉带来革命性的突破.灵长类视觉系统具有层级架构、并行通路、反馈机制、注意和搜索机制等特征,这使灵长类目标识别具有精确性、高效...
【中文期刊】 《仿生工程学报(英文版)》 2007年4卷2期 85-90页 SCIMEDLINEISTICCSCD
【摘要】 Instead of vision, many nocturnal animals use alternative senses for navigation and object detection in their dark envir...
【关键词】 biomimetic; weakly electric fish; sensory system;
【中文期刊】 沈海平 郑晓林 等 《国际医药卫生导报》 2018年24卷13期 1933-1938页
【摘要】 目的 探讨3.0T磁共振(MR)在肠道肿瘤和肠道炎症中的诊断价值.方法 选取2015年4月至2017年12月本院诊治肠道病变患者72例作为研究对象,术前患者均完善3.0T MR检查,以术后病理诊断为“金标准”,少部分病例结合临床及相关实验室...
【中文期刊】 张学民 舒华 等 《应用心理学》 2002年8卷4期 7-12页
【摘要】 在视觉信息的选择加工过程中,只有很少信息能够通过注意系统得到进一步的认知加工,其中视觉搜索起着十分重要的作用.本研究基于动态视觉信息注意追踪的研究,采用3×2×2的实验设计,从如下三方面对注意追踪的规律进行了探讨:(1)分心物数量(1,5和...
【关键词】 多目标追踪(MOT) 视觉搜索 整体效应; multiple objects tracking(MOT); visual search;
【外文期刊】 Michel,Thys ; 《The International journal of psycho-analysis》 2017年98卷3期 633-655页 MEDLINE
【关键词】 bizarre object; excessive projective identification; extreme ambivalence;
【外文期刊】 Michael,Rzanny ; Patrick,Mäder ; 等 《Plant methods》 2019年15卷 77页 SCIMEDLINEBP
【关键词】 Computer vision; Convolutional networks; Deep learning;