CNN和Transformer在细粒度图像识别中的应用综述

细粒度图像识别旨在从类别图像中辨别子类别。由于图像间只有细微差异,这使得识别任务具有挑战性。随着深度学习技术的不断进步,基于深度学习的方法定位局部和表示特征的能力越来越强,其中以卷积神经网络（CNN）和Transformer为基础的各类算法大大提高了细粒度图像识别精度,细粒度图像领域得到了显著发展。为了整理两类方法在细粒度图像识别领域的发展历程,对该领域近年来只运用类别标签的方法进行了综述。介绍了细粒度图像识别的概念,详细阐述了主流细粒度图像数据集;介绍了基于CNN和Transformer的细粒度图像识别方法及其性能;最后,总结了细粒度图像识别未来的研究方向。     

基于GAN的图像识别系统蜕变测试方法

图像识别是图像处理的重点研究领域,在测试结果难以判定以及数据集样本类别不平衡的影响下,适用于图像识别系统健壮性以及稳定性的测试技术较为欠缺。为有效测试图像识别系统,本文提出将蜕变测试方法用于图像识别系统的测试过程中,依据生成式对抗网络来生成贴近现实的衍生数据以构建适用于图像识别系统的蜕变关系,引入衍生图像质量验证方法与测试结果自动判断方法以构建面向图像识别系统的蜕变测试框架流程。最后,通过车辆识别案例研究验证本文方法的可行性与有效性。实验结果表明,本文方法能检测出图像识别系统在不同场景中的不一致行为,能有效地评估系统健壮性。     

网络监督数据下的细粒度图像识别综述

细粒度图像识别旨在对某一传统语义类别下细粒度级别的不同子类类别进行视觉识别,在智慧新经济和工业物联网等领域（如智慧城市、公共安全、生态保护、农业生产与安全保障）具有重要的科学意义和应用价值。细粒度图像识别在深度学习的助力下取得了长足进步,但其对大规模优质细粒度图像数据的依赖成为制约细粒度图像识别推广和普及的瓶颈。随着互联网和大数据的快速发展,网络监督图像数据作为免费的数据来源成为缓解深度学习对大数据依赖的可行解决方案,如何有效利用网络监督数据成为提升细粒度图像识别推广性和泛化性的热门课题。本文围绕细粒度图像识别主题,以网络监督数据下的细粒度识别为重点,先后对细粒度识别数据集、传统细粒度识别方法、网络监督下细粒度识别特点与方法进行介绍,并回顾了全球首届网络监督下的细粒度图像识别竞赛的相关情况及冠军解决方案。最后,在上述内容基础上总结和讨论了该领域的未来发展趋势。     

基于人工智能中的图像识别技术的分析

随着信息技术和科学技术的快速发展,图像识别技术应运而生。图像识别技术属于一门较为复杂且重要的技术,对人类社会快速、健康发展具有重要作用。图像识别技术的主要作用是解放人力,通过使用计算机技术识别和处理各类信息,不仅降低劳动强度,而且效率较高、质量较好。由于计算机在社会中得到广泛应用并快速发展,因此人们对图像识别技术日益重视;同时,深刻认识到图像识别技术的重大价值。笔者分析了关于基于人工智能中的图像识别技术,以供相关专业人士参考和借鉴。     

计算机的智能化图像识别技术的理论性突破

受到我国经济起步较晚等影响,与一些西方发达国家相比,我国的计算机软件开发水平较低,在一定程度上影响了图像识别技术的发展。本文通过分析图像识别技术的概念和方法,得出了现在的图像识别技术正在向智能化发展,我国要想在图像识别上取得进步,就必须抓住这个机遇,在神经网络等识别方法的基础上,在计算机智能化图像识别技术的理论上取得突破。     

基于人工智能算法的图像识别技术分析

人工智能（Artificial Intelligence,AI）是当代先进技术之一,其现已被应用到诸多领域内,给图像识别带来了革新与进步。基于此,围绕人工智能算法视域下的图像识别技术展开分析,首先讨论图像识别基本原理,其次从神经网络技术、非线性降维图像识别、模式识别技术3个角度分析人工智能算法图像识别技术,进一步分析人工智能算法图像识别技术在交通领域、农业领域、医疗领域中的应用,最后基于实际应用场景确定人工智能算法图像识别技术的作用与价值,为后续人工智能算法图像识别技术的研究与应用奠定基础。     

图像识别的技术现状和发展趋势

该文描述了图像识别技术的国内外研究现状,介绍了图像识别过程的相关基本工作,并探讨了图像识别的关键步骤,包括图象分割、图像特征提取和分类和图像的匹配,分析和比较了各种算法的优缺点,并讨论了其中的关键技术及计算机图像识别新技术。     

计算机智能化图像识别技术的理论性探究

科学技术革命的发展推进了互联网时代的到来,计算机智能化图像识别技术也越来越成熟。计算机智能化图像识别技术的发展关系着我国国民经济的健康有序地发展,尤其是在国际竞争日益激烈的情况下,计算机智能化图像识别技术有利于我国更好地应对国际动态和局势促进我国各个领域的发展和进步。文章以计算机智能化图像识别技术作为研究重点,描述了其结构系统和工作原理,同时对计算机智能化图像识别技术的一些理论突破进行了详细地阐述,对我国的信息工程等领域在实践与理论和促进我国科学技术的发展方面具有一定的研究意义。     

深度学习在图像识别中的应用研究综述

深度学习作为图像识别领域重要的技术手段，有着广阔的应用前景，开展图像识别技术研究对推动计算机视觉及人工智能的发展具有重要的理论价值和现实意义，文中对深度学习在图像识别中的应用给予综述。介绍了深度学习的由来，具体分析了深度信念网络、卷积神经网络、循环神经网络、生成式对抗网络以及胶囊网络等深度学习模型，对各个深度学习模型的改进型模型逐一对比分析。总结近年来深度学习在人脸识别、医学图像识别、遥感图像分类等图像识别应用领域取得的研究成果并探讨了已有研究值得商榷之处，对深度学习在图像识别领域中的发展趋势进行探讨，指出有效使用迁移学习技术识别小样本数据，使用非监督与半监督学习对图像进行识别，如何对视频图像进行有效识别以及强化模型的理论性等是该领域研究的进一步方向。     

计算机图像识别的智能化处理技术瓶颈与突破

随着信息化、智能化时代的到来,计算机已被广泛应用于人们的日常生活和工作。随着计算机的发展,计算机图像识别技术逐渐出现在人们的视野中。但是,计算机图像识别技术在应用过程中存在一些缺陷,在一定程度上阻碍了智能化技术的发展。为此,我国应尽快采取有效方式解决计算机图像识别技术应用中的问题。基于此,主要讲述了计算机图像识别智能化技术的现状、作用、发展趋势、瓶颈和突破等。     

基于原型网络的小样本图像识别方法

当前的图像识别领域,大部分的分类或者识别方法都建立在已有大量数据的基础上,将大量数据投入训练,经过采样分析、特征提取后做判别分类。然而在现实世界中,大多数目标分类问题并没有大量的标注数据。为了解决基于小样本数据集的图像识别问题,本文首先使用数据增强方法扩充数据集,然后利用多层卷积神经网络将图像映射到高维嵌入空间中,再使用原型网络得到每个类的原型点,根据嵌入空间中测试图像与各个类原型点之间的距离将其分类。实验结果表明,该方法在小样本条件下具有较高的识别准确率和较强的鲁棒性。     

Monitoring and management of high-end tourism in protected areas based on 3D sensor image collection

The expansion of tourism demand and the rapid growth of tourism industry objectively promote the tourism development and utilization of nature reserves. At present, there are various difficulties in the practical application of tourism environmental capacity assessment technology in nature reserves. This article attempts to carry out tourism monitoring and management in protected areas by combining 3D sensor image acquisition and environmental capacity assessment technology. First of all, this paper proposes a dynamic monitoring plan for the ecological environment of the reserve using 3D sensor image acquisition technology, and realizes the monitoring of tourists in the reserve and the collection of natural environment data. Secondly, this article proposes a new natural reserve tourism environment capacity assessment and pricing plan, and takes the Changtang National Park high-end tourism project as an example, and discusses its application in the form of a case study. This program provides a new solution for balancing the economic and environmental benefits of the reserve. Through simulation tests and questionnaire surveys, we found that the program can effectively improve the nature protection and tourism inspection work in the reserve.     

基于小样本学习的SAR图像识别

深度学习已成为图像识别领域的一个研究热点。与传统图像识别方法不同,深度学习从大量数据中自动学习特征,并且具有强大的自学习能力和高效的特征表达能力。但在小样本条件下,传统的深度学习方法如卷积神经网络难以学习到有效的特征,造成图像识别的准确率较低。因此,提出一种新的小样本条件下的图像识别算法用于解决SAR图像的分类识别。该算法以卷积神经网络为基础,结合自编码器,形成深度卷积自编码网络结构。首先对图像进行预处理,使用2D Gabor滤波增强图像,在此基础上对模型进行训练,最后构建图像分类模型。该算法设计的网络结构能自动学习并提取小样本图像中的有效特征,进而提高识别准确率。在MSTAR数据集的10类目标分类中,选择训练集数据中10%的样本作为新的训练数据,其余数据为验证数据,并且,测试数据在卷积神经网络中的识别准确率为76.38%,而在提出的卷积自编码结构中的识别准确率达到了88.09%。实验结果表明,提出的算法在小样本图像识别中比卷积神经网络模型更加有效。     

基于直方图对的无损数据隐藏在指纹图像中的应用

指纹识别技术是最早的通过计算机实现的身份识别手段,在今天也是应用最为广泛的生物特征识别技术,但是该识别技术仅针对指纹图像本身.研究了在确保指纹图像不变的情况下隐藏信息,从而来提高识别的正确率.主要讲述了指纹图像(JPEG)的无损数据隐藏,采用的方法是直方图对,该方法的核心是构造直方图对从而嵌入信息.实验结果表明,该方法对指纹图像的纹理特征破坏小,嵌入后的图像的视觉失真也较小,图像质量较高,几乎不影响指纹图像的识别,同时可以把嵌入的信息和指纹识别结合起来从而提高身份认证的效率.     

基于神经棒的电力变压器离线图像识别研究与应用

为解决智能移动设备在电力变压器等设备的巡检、运维工作的图像识别中难以适用于无网络的离线环境问题,本文综合考虑电力设备巡检、运维工作的实际需求和真实情况,设计一种基于神经棒的电力变压器离线图像识别系统。首先,引入卷积神经网络算法,构建深度学习图像识别模型,并利用真实图片数据集对模型进行训练调优;然后,创新地将模型集成到神经计算加速棒中,搭建电力变压器离线图像识别系统,进一步解决网络对系统的束缚;最后将本文的基于神经棒的电力变压器离线图像识别系统与现有的4G网环境下移动设备识别系统、离线环境下移动设备识别系统在贵州电网贵阳局城北分局提供的真实图片数据集上进行对比验证,结果表明本文提出的基于神经棒的电力变压器离线图像识别系统具有较高的识别准确率和稳定性。     

Dimension Reduction and Construction of Feature Space for Image Pattern Recognition

We mathematically and experimentally evaluate the validity of dimension-reduction methods for the computation of similarity in image pattern recognition. Image pattern recognition identifies instances of particular objects and distinguishes differences among images. This recognition uses pattern recognition techniques for the classification and categorisation of images. In numerical image pattern recognition techniques, images are sampled using an array of pixels. This sampling procedure derives vectors in a higher-dimensional metric space from image patterns. To ensure the accuracy of pattern recognition techniques, the dimension reduction of the vectors is an essential methodology since the time and space complexities of processing depend on the dimension of the data. Dimension reduction causes information loss of topological and geometrical features of image patterns. Through both theoretical and experimental comparisons, we clarify that dimension-reduction methodologies that preserve the topology and geometry in the image pattern space are essential for linear pattern recognition. For the practical application of methods of dimension reduction, the random projection works well compared with downsampling, the pyramid transform, the two-dimensional random projection, the two-dimensional discrete cosine transform and nonlinear multidimensional scaling if we have no a priori information on the input data.