基于云模型的识别技术

以机体免疫思想的人工免疫系统作为一种动态自适应的方法,可以更好地解决传统的网络防御方法的被动、静态等缺点。引入云模型的概念,提出了人工免疫系统中云识别的理论,即根据环境的需要用多个识别器对不确定性抗原进行联合云识别,以达到降低伪肯定率和伪否定率的目的。     

人工免疫系统中的云决策*

分析了在人工免疫系统中识别器识别抗原的过程中,由于抗原的属性具有不确定性并且抗原空间异常庞大,传统的单一识别模式带来的高伪肯定率和伪否定率的问题。引入了云模型的理论来应对此类问题,用多个识别器联合对抗原进行云决策,达到降低识别的伪肯定率和伪否定率的目的。     

Self集的动态更新方法

分析了人工免疫系统中识别器的产生成熟以及对抗原的识别过程,认为通过不断对self集合定义进行修正可以提高系统识别能力和降低伪肯定率。提出了一套动态更新self集合的机制,使得系统能够在不中断运行的情况下对self的更新做出响应。     

基于自然计算的模式识别在微信息识别中的应用

随着微信息应用的发展,产生了对微信息分类识别的强烈需求。在自然算法中选择人工免疫系统算法,应用于微信息识别领域。针对微信息系统本身的一些特点,提出了适应这些特点的人工免疫算法。实验结果表明,基于人工免疫的微信息识别方法具有较低的错误否定率和错误肯定率。     

基于人工免疫系统的数字模式识别

将免疫机制和算法引入到数字识别问题,然后将数字识别问题的有关描述与免疫系统的相关概念及系统所用到的免疫原理对应起来,设计了用于数字识别的人工免疫系统模型。该模型具有学习、记忆、自适应和多样性等特性。算法仿真试验结果表明此方法具有识别率高、识别速度快的优点,具有广阔的应用前景。     

人工免疫系统在手写体数字识别中的应用

基于生物免疫系统内在的模式识别与记忆能力,通过对手写体数字识别问题的研究,首次将借鉴生物免疫系统发展起来的人工免疫机制和算法引入到该问题中来,定义了相关免疫机制的数学表达,设计了具有学习、记忆、自适应和多样性等特性的人工免疫系统模型,并给出了相应的算法.通过对自采集的手写体数字样本库进行的仿真试验,结果表明用于手写体数字识别的人工免疫系统模型是可靠的,其对应算法可操作性强,只要相关参数选择得当,系统能够得到较好的识别效果,从而体现了人工免疫系统在模式识别领域的优越性和技术潜力.最后对下一步的研究工作进行了展望.     

基于小波变换的频谱特性及人工免疫的人脸识别

该文提出了用小波分解的频谱性和人工免疫系统进行人脸识别的方法。人脸图象经过小波分解后，其能量集中在分解的低频带上，因此对低频带图象进行频谱性分析后提取的特征向量具有对人脸图象表情不敏感且大大降低存储空间和计算复杂性的优点。人工免疫系统是对自然免疫系统的模拟，通过进化学习后，可以在外部病原体和身体自己的细胞之间进行辨别，并且人工免疫系统的克隆算法能够较好地保持群体的多样性，具有良好的泛化能力。因此对每一个人脸模板特征都可以用人工免疫系统中的模式识别方法生成一个特征评判集合，然后待识别的图象就可以用模版特征的评判集合来进行评判。     

基于伪标签的无监督领域自适应行人重识别研究综述

行人重识别是计算机视觉领域的热点研究课题之一。近年来，为了解决行人重识别实际应用中标签数据稀缺的问题，同时也为了有效地利用现有的标签数据，研究者们提出了基于生成对抗网络以及基于伪标签的领域自适应方法，用于进行跨领域的行人重识别研究。基于伪标签的无监督领域自适应行人重识别方法由于效果显著而备受研究者的青睐。文中梳理了近7年来基于伪标签的无监督领域自适应行人重识别的研究成果，将基于伪标签的方法从模型训练角度划分为两个阶段。1)伪标签生成阶段。现有工作的伪标签生成方法大多使用聚类方法，部分工作采用基于图结构学习的图匹配、图卷积网络方法来生成目标域的伪标签。2)伪标签精炼阶段。文中将现有的伪标签精炼方法归纳为基于表征学习的精炼方法以及基于相似度学习的精炼方法，并分别进行模型方法的总结与整理。最后，讨论现阶段基于伪标签的无监督领域自适应行人重识别面临的挑战并对未来可能的发展方向进行展望。     

基于结构光3D视觉的空间姿态识别系统设计

为提高产品零件空间姿态识别的精度和收敛速度，提出基于结构光3D视觉对空间姿态识别的方法。首先，采用投影仪和相机获取产品零件图像信息，利用相移法获取深度信息，通过深度图点云重建获取3D点云数据；然后对3D点云数据进行特征处理和分类时，建立点云网络(Point Network, PointNet)模型；最后，采用改进的迭代最近点(Iterative Closest Point, ICP)算法对3D点云数据配准，从而实现产品零件姿态的识别。实验结果表明，该方法在对产品零件点云特征分类性能上，准确率能达到96%左右，召回率能稳定在92%左右；在配准精度和收敛速度上，较其他两种方法更优越，进一步验证了该方法的有效性和可行性。     

一种使用伪对应点生成的3D点云配准方法

针对三维重建过程中点云配准存在的挑战性问题(如寻找对应点困难等)展开研究，充分利用源点云和目标点云的几何信息，提出了一种基于交叉注意力和伪对应点生成机制的点云配准方法——深度伪对应点生成(DeepACG)。该方法采用三级网络模型，第一级是深度特征编码模块，利用交叉注意力机制交换和增强两片待配准点云之间的上下文和结构信息；第二级是伪对应点生成模块，基于软映射关系加权合成伪对应点；第三级为对应点加权和离群点过滤模块，赋予每个对应点对不同的权重值并剔除概率较低的离群点。在合成和真实数据集上进行大量实验，DeepACG方法在室内真实数据集3DMatch上的配准召回率达到92.61%;在数据集ModelNet40上进行目标未知的局部点云配准实验，旋转矩阵和平移向量的均方根误差分别降至0.016和0.000 09。实验结果表明，DeepACG配准精度高，鲁棒性强，配准误差低于当前主流的配准方法。