基于多区域中心加权卷积特征的图像检索

针对图像特征局部信息描述不足问题,提出一种基于多区域中心加权深度卷积特征提取方法。首先通过卷积神经网络提取输入图像的卷积层激活特征图,然后通过计算不同通道特征图的差异,选择具有区分性的区域特征图,最后通过多区域权重进行加权聚合,生成用于检索图像特征向量。在不同的建筑物数据集进行实验,结果表明检索精度分别提升了1.2%、0.9%。     

基于深度学习的道路语义分割新方法

针对道路图像语义分割效果不够精确的问题,提出一种基于深度学习的道路图像语义分割的改进方法,并与传统的全卷积神经网络模型(FCN)相结合实现道路图像语义分割.先验概率层利用道路图像的先验知识,在所有道路图像训练标签的基础上构建二维数组表示像素点的分类概率,并将它结合传统全卷积神经网络模型对道路图像进行语义分割.实验结果表明:提出的先验概率层的后处理算法能够优化传统全卷积神经网络模型的分割效果,使像素精确度由88.8%提高到91.3%,平均像素精确度由82.9%提高到85.7%,平均交并比值由72.5%提高到77.9%.     

基于内容的图像检索-感兴趣区域的提取

基于内容的图像检索是当前研究的热点和难点,提取图像的感兴趣区域,能够提高检索的准确性.该文提出了一种基于特征点的感兴趣区域提取方法,首先基于多曲率多项式提取图像的特征点,然后根据一定的规则提取感兴趣区域,实验证明,使用这种感兴趣区域提取方法,能较大地提高检索的查准率.     

基于监督的全卷积神经网络视网膜血管分割

视网膜血管分割算法是自动视网膜疾病筛查系统主要部分。视网膜血管检测在医学诊断上应用日益广泛,对糖尿病、青光眼等病状有较精确的诊断。提出一种新的全卷积神经网络视网膜血管分割的监督方法,该方法在视网膜图像和相应的血管标签图之间进行端对端预测,采用跳跃结构融合图像深层和浅层的特征信息,得到精确的分割结果。以准确性（Acc）为标准判断,在DRIVE数据集上表现出比现有其它技术更好的性能。     

基于卷积神经网络的中国绘画图像分类

绘画图像分类为绘画管理与使用提供了便利。传统图像分类大多依靠人工提取形状、颜色等特征,由于绘画图像分类需要更专业的知识背景,从而使人工提取特征的过程繁琐且复杂。基于此,提出一种基于卷积神经网络的中国绘画分类方法,并在此基础上结合SoftSign与ReLU两种激活函数的优点,构造一种新的激活函数。实验结果表明,基于改进后激活函数构造的卷积神经网络,可以有效提高分类准确率。     

基于多图谱最优标签融合的脑MR图像分割

脑MR图像分割已经成为医学相关领域研究的热点和难点,是辅助相关疾病临床诊断和医学研究的不可或缺的一项关键技术.目前,比较有效的一类方法是基于多图谱的脑MR图像分割方法,该类方法涉及到的一个关键步骤是多图谱标签的融合问题.本文针对传统的图谱标签融合方法所有图谱标签均参与待标记体素的标签融合,而没有进行图谱标签选择的问题,提出了一种新的基于图谱图像灰度信息与图谱图像标签信息相结合的图谱标签选择方法.通过该方法可以从各个图谱中选择合适的最优图谱标签参与标签融合,排除了不合适的图谱标签对标签融合结果的影响,从而可以提高脑MR图像的分割精度.通过脑MR图像的分割实验,并与常用的图谱标签融合方法进行了实验对比,表明了本文提出的图谱标签融合方法的有效性.     

基于本体和相关反馈的邮票检索系统研究

信息检索技术成为用户在海量的网络数据中查找和准确获取网络信息的重要手段。但是由于多媒体信息内容的复杂性,查准率不高仍然是存在的重要问题。在特殊领域的应用,如邮票图像检索的研究,还相对较少。针对这种情况,本文提出一种基于本体和相关反馈技术相结合的邮票检索方法,并通过实验验证了检索方法的准确性和实用性。     

加权关联规则算法在图像标注领域中的应用

将关联规则挖掘算法推广到图像标注领域,提出了适用于图像语义标注任务的加权关联规则挖掘算法。通过为每个标签及标签集合赋予一定权重,可以保留出现次数少却具有重要意义的标签,以更好地挖掘语义标签之间潜在的有价值的规则。对语义概念之间的层次关系进行了研究,利用高层语义概念对图像标签的结果集合进行扩展,以避免人工标注过程中的不完整标注和遗漏标注问题。实验验证表明,该算法在发现关联规则的数量和扩展标签的质量上性能都优于经典的Apriori算法,证明了该算法的有效性。     

远程教育中云存储机制下图像数据分类模型优化设计

远程教育中云存储机制下存有海量图像数据,在海量数据中存在大量与需要检索的特定图像特征相近的冗余图像,传统的基于图像特征的分类方法,由于关键帧准确性较低,造成图像分类不准确,导致远程教育中图像数据的检索准确性较低。为此,提出基于关联规则挖掘算法的图像数据优化分类方法。对可能是冗余的图像数据进行微调,使待检索图像关键帧处于准确的变化区间内,利用图像校验方法,消除冗余图像,对校验结果进行二次检验,降低了建立图像数据特征关联的偏差,实现了对图像数据的准确分类。实验结果表明,利用该方法能够对远程教育中云存储机制下的图像数据进行准确检索。     

基于卷积神经网络的人脸识别算法

针对卷积神经网络(Convolutional Neural Network,CNN)在人脸图像识别中面对训练规模较大的图像集数据时收敛速度慢、效率低以及在复杂情况下识别率不高的问题,提出一种优化改进的CNN图像识别方法。该方法首先利用不含标签的图像训练一个稀疏自动编码器,得到符合数据集特性、有较好初始值的滤波器集合,然后对CNN的卷积核初始化赋值,从而大大提高其整体上使用BP算法进行训练的收敛速度,其次使用多类别SVM分类器(Multiclass Support Vector Machine)代替传统的Softmax分类器,对目标图像进行识别,在ORL和FERET等人脸图像库上的实验结果显示,所提算法与采用传统PCA+SVM算法及传统CNN算法相比,在人脸图像识别中有更好的识别效果。     

融合颜色与LBP纹理特征的布料色卡图像检索

针对在采购与销售布料中存在人工配色不准确、查找分类难等问题,基于图像检索相关技术,通过融合布料色卡图像的颜色特征和纹理特征进行图像检索应用研究。设计了布料色卡图像颜色特征提取算法和基于LBP的纹理特征提取算法,并提出融合颜色特征和纹理特征的布料色卡检索算法。对提出的融合颜色和纹理特征的布料色卡图像检索算法在3个标准图像纹理库和实际布料色卡图像数据集进行了详细的对比测试。通过对测试结果的分析,得出在融合颜色和LBP纹理特征的布料色卡图像检索方法中采用先颜色后纹理的策略进行布料色卡图像检索是最有效的检索方案。     

一种基于CNN-AE特征提取的目标跟踪方法

针对视觉跟踪中运动目标的鲁棒性问题,提出一种基于卷积神经网络结合稀疏自动编码器的特征提取方法进行图像目标跟踪。该方法首先将大量有标注数据集输入到卷积神经网络进行预训练,然后使用这些卷积特征无监督的训练稀疏自编码器得到稀疏特征,并利用该特征对目标进行描述。最后结合两种经典的跟踪方法,采用Meanshift与卡尔曼滤波对目标进行实时跟踪。结果表明,利用深度学习模型代替以往人工提取特征的方式能够更好地描述目标模型,对光照变化、尺度变化、遮挡等都具有良好的适应性,以及较好的实时性。     

融入选择性卷积核的胶囊网络图像分类方法

传统卷积神经网络对空间信息不敏感,无法学习到不同特征间相对位置的关系,且每一层神经元的感受野被设计为相同大小,导致提取的图像特征信息不够精确.针对这些问题,提出一种选择性卷积核胶囊网络用于图像分类任务.在经典胶囊网络的卷积层融入具有两个分支的选择性卷积核网络,以提取更为丰富、准确的图像特征信息,提高图像分类准确率.采用...     

一种多尺度卷积自编码网络及其在滚动轴承故障诊断中的应用（英文）

针对旋转机械故障特征需要人工提取导致故障识别困难的问题,在传统卷积自编码网络基础上,提出一种一维多尺度卷积自编码的故障诊断模型.该模型首先使用并行、不同尺度的卷积核和反卷积核对输入信号进行特征提取和重构,然后将多尺度卷积核所提取到的特征图作为分类器的输入,最后用带标签的数据对全模型的参数进行微调.通过一组模拟故障信号数据和2组滚动轴承故障实验数据对一维多尺度卷积自编码模型进行验证,结果显示该模型可分别达到99.75%、99.3%和100%的诊断精度.此外,将一维多尺度卷积自编码模型与传统机器学习、卷积神经网络和卷积自编码网络进行诊断精度和重构误差的比较,最终结果表明所提出模型对于滚动轴承故障数据有更好的识别效果.     

基于Wikidata和标签云的搜索算法研究

知识库是一种结构化、易于操作、有组织的知识集群。针对Wikidata这一开放知识库的内容及结构,提出一种构建标签云的方法,对信息进行标签化处理,并将转换得到的标签向量应用于信息检索和页面排序。首先,提取Wikidata中的结构化数据,构建以实体为单位的标签云;然后,将需要检索的文档和用户的检索语句映射为相应的标签,并采用处理向量的相关方法实现网页的排序算法;最后,采用信息检索常用的标准对该算法进行验证。实验结果表明,与传统的基于关键词的搜索方法相比,新算法在一定程度上能够提高页面排序的准确率。     

基于卷积神经网络的机场助航灯故障诊断

针对人工目视检测机场助航灯故障诊断效率较低且存在主观因素的弊端,提出一种基于卷积神经网络深度学习的助航灯故障自动诊断方法。该方法通过卷积网络模型自动提取图像特征,并对故障进行分类,最终实现助航灯故障自动诊断。用采集到的助航灯等光强图对网络模型进行训练,再用测试集对模型测试,测试集诊断结果准确度高达94.84%。通过理论和实验数据分析说明,训练后的卷积神经网络模型能对助航灯故障进行高效、准确的自动诊断。     

基于卷积神经网络的商品图像分类研究

卷积神经网络是深度学习的一种高效识别方法,将卷积神经网络引入商品图像识别中,能够提高识别精度。卷积神经网络可以直接输入原始图像,以避免对图像进行复杂的预处理工作。首先介绍了卷积神经网络的各层作用,然后设计了多种基于卷积神经网络识别商品图像的模型,从多方面测试了卷积神经网络的分类性能。为提高训练速度,卷积层的激活函数采用线性修正函数(Rectified Linear Units,ReLU)。为确保模型的判别性,对下采样层的特征图进行局部对比度归一化,所设计的网络模型在实验中均达到90%以上的平均分类正确率。     

基于灰度密度分布特征的肺结节良恶性分类

CT 图像中肺结节良恶性鉴别是肺癌计算机辅助诊断研究中的关键。为了提高计算机辅助诊断系统中肺结节良恶性诊断准确性,提出一种基于密度分布特征的肺结节良/恶性判断方法。首先,从肺部肿瘤图像中随机提取图像小单元集并计算其自相关矩阵,然后通过K-means算法对该矩阵实现无监督聚类。特征提取时遍历计算肺结节图像每一像素的灰度密度分布等级,并统计、归一化得到10维特征向量,最后通过卷积方法对特征进行优化。同时,利用随机森林分类器进行模型训练,进而判断肺结节良/恶性水平,提出算法的验证数据为LIDC-IDRI。实验结果表明,最大AUC可达0.955 8。对比分析,该特征表达方法具有更优分类效果和更高鲁棒性。     

基于深度学习的图像去噪研究

由于设备的不完善,图像在传输过程中会被噪声污染而失去原始图像的细节特征,为了使噪声图像变得清晰且其特征明显,本文提出一种基于深度学习的图像去噪方法,构建了基于卷积神经网络的图像去噪网络结构,并对卷积神经网络中的反向传播算法进行优化,从而加快模型的训练速度,有效地提高去噪效果。最后通过与经典算法实验的对比来进一步说明本研究取得了较好的去噪效果。     

基于大数据和多模态智能技术的计算机视觉实验设计

介绍了大数据技术中的卷积神经网络和多模态智能技术中的支持向量机、谱聚类等模型。以图像检索和图像分割为例,详述了采用卷积神经网络遴选图像特征表征之后,运用多模态技术进行模型参数自动定参和实际运用的实现过程。该研究项目用于计算机视觉课程的实验教学,有利于学生学习计算机视觉领域的前沿技术,运用不同模型解决实际问题,锻炼学生组织实验、分析实验数据和团队协作等综合能力。