基于残差网络的图像超分辨率算法改进研究

图像超分辨率重建算法的主要内容是使用低分辨率的图像信息生成高分辨率图像。近年来,随着深度学习和卷积神经网络的发展,出现了很多基于卷积神经网络与残差网络的超分辨率算法。为了解决这些算法参数数量过多、处理过程复杂、训练时间长等问题,结合现有残差网络模型和深度学习算法对其进行改进,包括调整网络结构,减少需要学习的参数,以及去除批归一化层,降低计算复杂度。改进后的网络模型能够取得更好的效果,生成图像的主观和客观评价有一定提高。     

基于稀疏表示的单幅图像超分辨率重建研究

针对传统超分辨率重建方法计算复杂度高、重建效果差等问题,提出一种基于稀疏表示的图像超分辨率重建模型。该模型利用稀疏表示方法,结合自回归原理将原始图像表示为若干个图像块的线性组合,并根据图像边缘特征将图像块进行划分,以提高算法效率,最后结合分治思想、变量分离技术以及增广拉格朗日方法对模型进行求解。实验结果表明,与传统插值算法相比,该算法对图像重建效果更好。     

基于深度神经网络在线密码攻击模型的研究

密码创建规则中包含多种多样的个人身份信息组合方式,不仅文法结构规范特殊,而且语义内容丰富.对于文本处理方法,传统的基于概率上下无关文法模型会导致文本特征表示稀疏、语义信息或丢失的问题,因此提出利用深度学习DNN算法.通过对个人身份信息数据进行特征提取,构建语义分类表示的深度神经网络,并为该模型设计训练方法来进行广泛的训练.最后通过实验表明深度学习DNN算法能够提高个人身份信息语义识别的性能,在一定程度上优于已有的一些密码攻击方法.     

基于深度学习的手势识别研究

目前一些相对成熟的手势识别算法,如基于模板匹配的方法、基于人工神经网络的方法以及基于隐马尔科夫模型的方法,都存在计算复杂的劣势,而基于深度学习的手势识别具有一定优势。通过深度学习提取多层网络简化的高价值易用特征,通过向量等表示,简化算法以实现良好的识别效果。通过摄像头采集室内复杂背景下的手势图像,在计算能力、存储能力强大的PC平台通过深度学习处理图像,提取特征,然后进行分类识别,能提高识别准确率。通过改进硬件或算法还可提高识别效率及安全性。     

基于深度学习的高分遥感影像建筑物提取研究

传统的建筑物提取方法普遍存在过分依赖人工设计、自动化程度低、泛化能力弱等问题。随着深度学习算法在高分辨率卫星图像分类领域的应用,本文基于深度学习方法,以福建南安地区为研究区,以国产高分遥感影像为数据源,选取4?块典型区域制作建筑物数据集,搭建U-Net和Mask R-CNN深度学习模型在自建的南安数据集上训练,从定量和定性的角度对比两种模型对建筑物提取的效果,最终选定精度更高的U-Net方法作为最终的提取算法;再对数据集中正负样本的比例进行调整,进一步提高了模型分割的精度,实现了基于深度学习方法的南安地区建筑物的识别和提取。     

多视图聚类算法综述

在大数据时代,数据是由不同来源生成的,或者是从不同视图中观察得到的,这些数据被称为多视图数据。在数据挖掘与分析中,充分发挥知识在多视图数据中的作用是非常重要的,因此需要在融合相关数据的同时,考虑不同视图的多样性。近年来,多视图聚类（MvC）受到越来越多学者关注,根据其涉及的机制和原则,将多视图聚类算法分为5类,即协同训练算法、多核学习、多视图聚类、多视图子空间聚类与多任务多视图聚类。对多视图聚类算法进行介绍,并重点介绍了协同训练算法与多核学习。     

基于特征表示与学习的图像集合分类算法

当前大多数图像集合分类方法对图像集合进行表示时往往做出部分先验假设,然而在许多实际应用中,这些假设可能无法成立,尤其是当集合内部存在大量复杂的数据变化时更是如此。此外,基于这些假设进行模型学习时可能会丢失部分区分性分类信息。针对这一问题,本文提出一种基于特征表示与学习的图像集合分类方法。对每个图像集合,首先将计算它的多阶统计量作为特征表示。对每阶统计量,计算一个内核矩阵来衡量两个图像集合的相似性。然后,通过利用局部多内核指标学习(LMKML)方法来学习一种距离指标,进而将不同阶统计量综合起来。最后,利用最近邻分类器进行分类。基于4种常用图像集合数据库的实验结果验证了本文算法的有效性。     

基于改进的K-SVD字典学习CT图像重建算法

不完全投影数据图像重建为降低照射剂量提供了一个新的解决方案。在K SVD字典学习算法中,由于选取K SVD算法中的初始化字典对训练得到的自适应字典构造有影响,因此通过引进一个稀疏初始化字典矩阵,使K SVD字典学习算法能更好地适应于稀疏图像重建。在此基础上,提出了一种基于改进的K SVD字典学习和SART重建算法相结合的图像重建算法。实验结果表明,该算法能够在投影数据不完备的情况下准确地重建出图像,同时保留图像的细节分量,提高重建图像的质量,尤其是可以减少由于投影数据不完备而造成的条状伪影现象。     

改进的稀疏表示超分辨率图像重建

为了能从单幅低分辨率图像中利用超分辨率技术重建出高分辨率图像,提出一种基于稀疏表示的改进算法。首先求出在低分辨率图像过完备字典上的稀疏表示系数,将稀疏表示系数与高分辨率图像的过完备字典相结合,得到高分辨率图像块,再联合输入的低分辨率图像块与生成的高分辨率图像块,求解出其在高低分辨率字典对上的稀疏系数,最后结合高分辨率图像字典,得到更加精确的高分辨率图像块。经仿真实验验证,该改进方法有效提升了重建图像质量,增强了重建图像的还原度。     

一种新的基于感知字典的稀疏图像重建算法研究

针对已有图像重建算法分辨率低、需要大量计算的问题,本文提出了一种基于感知字典和数据自适应性的稀疏重建算法.首先,针对图像的数据结构,对样本数据进行超完备字典的训练,继而通过针对性的字典对图像进行稀疏重建.同时,为进一步改善算法的重建性能,并充分利用图像的有效信息,本文构造了数据自适应的感知字典.实验表明,该算法在不影响图像重建精确度的前提下可以减少计算复杂度,并具有良好的鲁棒性和较高的效率.     

基于多特征融合和深度学习的图像分类算法

图像特征提取方法以及分类器的选择是影响图像分类精确度的关键因素.传统算法利用单一的图像特征和浅层结构对图像进行分类,算法实现简单但结果精确度不高.针对这一情况,提出基于多特征融合和深度学习的图像分类算法.算法利用颜色矩、LBP和梯度直方图等算法提取图像的颜色、纹理以及形状特征,继而通过融合算法将这些不同属性的特征进行融合,作为深度学习网络的输入层.实验结果表明,相对于单特征浅层分类,算法在保证时效性的同时,图像分类精确度得到了提高,分类效果更加可靠.     

基于改进 AdaIN 的图像风格迁移

图像风格迁移技术是指给定内容图和风格图,利用机器学习算法将内容图渲染成具有艺术风格的画作。针对传统图像风格迁移算法无法兼顾速度与生成图像质量等问题,基于 AdaIN 算法,提出 AdaIN 改进算法。在原始 AdaIN 网络中加入内容图像的深度信息计算模块,提取内容图像的深度图,通过将迁移图像数据与深度图归一化处理后的数据按元素相乘的方法,突出内容图的深度信息,使得输出的风格迁移图像各深度下具有不同的风格化程度。实验表明,相较于 Gatys 等种传统风格迁移算法,AdaIN 改进算法在运行时间上可降低约 11%;不需要针对每种风格单独训练网络,避免了模型重复训练;内容图像深度信息得以保存,提高了图像渲染质量。     

基于深度神经网络与MPI并行计算的人脸识别算法研究

针对实际环境中干扰因素多和计算量大,导致人脸识别准确度下降和系统算力不足的问题,提出了一种基于深度神经网络与MPI并行计算的人脸识别算法.首先,分析深度神经网络模型,设计关键训练步骤,同时收集各类人脸图像,建立训练样本库.然后,结合深度神经网络模型,对样本库数据进行训练,生成识别框架,并借助TensorFlow开源模型与Python来实现算法,进而达到识别人脸的目的.最后,基于MPI并行计算技术,搭建高性能并行计算平台,对所提算法进行分段优化与集成,实现识别系统的高速计算效率.实验测试结果显示:与已有的相关识别技术相比,所提算法具有更高的人脸识别准确度与抗干扰能力,从而可为高端智能监控系统提供技术基础.     

基于深度卷积神经网络的图像分类算法

针对传统的图像分类算法忽略图像多个对象之间的关系,同时存在人类感知高层语义信息和底层图像特征表达之间的障碍等不足,引入了基于深度卷积神经网络的人脸图像识别算法.该算法借助于深度学习,对经典的卷积神经网络分别从内部结构和网络框架上进行优化和改进,通过增加网络结构深度和优化训练模型提取出图像高层语义特征,继而提高图像分类的精确度.实验表明,改进后的深度卷积神经网络分类算法具有良好的有效性和鲁棒性.     

基于GAN的图像超分辨率方法研究

图像超分辨率是一种采用软件算法提高图像空间分辨率的技术,由于传统超分辨率方法超清程度有限,基于深度学习的图像超分辨率方法成为研究者们近年来的研究重点。基于生成对抗网络（GAN）的图像超分辨率方法,在其网络模型结构基础上增加批处理归一化（BN）层以提升网络收敛速度、加强网络训练稳定性,更改上采样层网络并对损失函数作相应修改。在网络训练过程中,选择当前比较通用的Adam优化器。实验结果表明,该方法具有很好的超分辨率图像重建能力,且在训练过程中训练稳定性得到提升,收敛速度也有所加快。     

深度学习在MOOC推荐系统中的应用北大核心

为了解决MOOC平台课程推荐系统数据稀疏性的问题,该文提出一种基于稀疏偏好的矩阵分解和深度学习图像特征提取的混合推荐算法,用于提升推荐系统的质量。对MOOC推荐系统业务流程进行分析,并对基于深度学习的推荐系统架构和功能进行描述。利用深度学习技术,把课程封面视觉特征提取出来作为稀疏偏好矩阵的附加信息,提出了基于矩阵分解和深度学习融合的推荐方法。实验结果表明:该推荐算法具有较好的准确率,有效地缓解了数据稀疏问题。     

基于贝叶斯与生成式对抗网络的手写字文本识别算法

为了提高机器学习算法对手写字文本识别能力,克服个体手写字风格多变的干扰,设计了一种基于贝叶斯与生成式对抗网络的手写字文本识别算法。首先,建立10000个汉字的手写字数组头,每个汉字数组头后面依附100种手写体,构建起1000000帧汉字文本图像帧,作为后续学习训练的训练集数据输入。然后,利用贝叶斯线性模型,结合线性回归和先验分布,基于手写字图像样本数据库,进行有监督的机器学习训练,得到机器学习算子,完成针对手写字的粗识别。随后,根据生成式对抗网络原理,创建生成模型和判别模型,设计自适应潜在损失函数和迭代终止函数,解决深度学习普遍存在的过拟合问题,完成生成式对抗网络算子,完成针对手写字的深度识别。最后基于QTcreator开发的集成平台来实现所提算法的功能,其中,机器学习算子由OpenCV视觉函数实现,深度学习算子由TensorFlow框架实现。实验数据显示,相较于传统手写字识别算法而言,所提算法具有更高的手写字识别能力。     

深度学习在MOOC推荐系统中的应用

为了解决MOOC平台课程推荐系统数据稀疏性的问题,该文提出一种基于稀疏偏好的矩阵分解和深度学习图像特征提取的混合推荐算法,用于提升推荐系统的质量。对MOOC推荐系统业务流程进行分析,并对基于深度学习的推荐系统架构和功能进行描述。利用深度学习技术,把课程封面视觉特征提取出来作为稀疏偏好矩阵的附加信息,提出了基于矩阵分解和深度学习融合的推荐方法。实验结果表明:该推荐算法具有较好的准确率,有效地缓解了数据稀疏问题。     

协同KPCANet模型在人脸识别中的应用

为解决手工提取图像特征过程繁复和参数复杂问题,提出一种基于深度学习的协同KPCANet模型。该算法能够对现场采集到的人脸数据和特征进行提取和分类,通过提取分块直方图特征进行编码协同表示,将测试样本归于残差最小的类中对人脸数据进行识别和运算。实验结果表明,协同KPCANet模型在滤波器数量L1=10时一层卷积层与L2=15时二层卷积层的正确率分别达到99.17%和99.44%。协同KPCANet模型不仅能使运算过程简洁,还能提高识别结果准确度,提升识别效率。     

二值图像的四边形区域压缩算法研究

从二值图像的区域特征出发，提出了基于四叉树的二值图像四边形区域压缩算法，该算法的思想是将二值图像用四叉树进行四分区域划分，在同一个区域中如果像素值相同则可用一个元素表示，否则继续划分，该算法的优点体现在如下两个方面：1．采用二进制移位的思想提高了MD码的生成效率。2．采用基于对数模型的方法进行区域像素压缩。该算法的内存开销小，运行速度高于其它相关方法。