认知图研究现状与发展趋势

认知图是一种关于因果知识的网络模型,由概念及概念之间的关系组成,可用于鸟瞰智能系统的概念结构.作为智能信息处理的重要工具,它提供了一个有效的软计算方法来支持基于先验知识的自适应行为.本文综述认知图的研究背景,分析和比较古典认知图、模糊认知图、扩展的模糊认知图、神经元认知图、基于规则的模糊认知图等几种重要模型的主要构成及研究现状,探求它们之间的内在联系.并结合作者的研究基础,给出认知图几种可能的发展趋势,以期对该模型的研究与发展起一定的推动作用.     

基于特征关系依赖网络的小样本学习方法

小样本学习任务旨在仅提供少量训练样本的情况下完成对测试样本的正确分类.基于度量学习的小样本学习方法通过将样本映射到嵌入空间中,计算样本间距离得到相似性度量以预测类别,但仅对样本特征进行独立映射,而忽略了对整个任务的观察,同时在小样本场景下通过传统方法计算的原型与期望原型存在偏差,导致在查询集上泛化性较低.针对上述问题,提出了特征关系依赖网络(FRDN).特征关系依赖网络包含两个模块:首先使用关系挖掘模块充分挖掘任务中样本的类内与类间关系,将其作为自注意力值对类簇进行调整,以获得判别性更高的任务自适应嵌入空间,计算初始原型;随后使用偏差抑制模块对初始原型进行校正,得到在查询集上泛化性更高的优化原型,进一步提高模型的分类准确率.在MiniImagenet数据集上,该方法1-shot分类准确率59.17%,5-shot准确率74.11%,分别超过传统度量学习方法6.13%与2.83%;在CUB数据集上分别提升9.3%和2.74%.     

修复局部描述子网络的小样本学习方法

针对现有的基于局部描述子的小样本度量学习方法未能考虑局部描述子之间的关联性以及未充分利用类别的全局特征信息的问题,提出了修复局部描述子网络(RLDN).相邻GCN模块通过利用同张图像内的空间位置关系增强局部描述子之间的联系,修复了部分背景噪声局部描述子.全局特征提取模块通过学习并融合图像的全局特征输出类别的全局描述子,再串接局部描述子对其作进一步修复.此外还引入了三元组损失,将其融入到传统的交叉熵损失中提出了全新的混合损失函数,增大了不同类别的间距,有助于分类器减少错误分类的情况.实验结果表明,与传统的局部描述子方法对比,修复局部描述子网络能降低噪声特征对分类器的干扰,有效提升模型的分类准确率.     

基于人眼侧抑制机制的自动色彩均衡化算法

针对传统自动色彩均衡化(ACE)算法增强后的图像局部效果较差、运算速度较慢等问题,提出一种基于人眼侧抑制机制的ACE算法。ACE算法模拟人眼的侧抑制机制,在目标点周边选取符合侧抑制有效作用范围的二维圆形区域,并在该区域内选取服从高斯分布的采样点,将目标点和采样点进行差分比较,增强对比度。该算法能使运算集中在相关度较高的像素点内,降低算法复杂度。实验结果表明,该算法具有较好的细节增强效果及较快的处理速度。     

FPGA的高性能暗原色先验算法设计

对暗原色先验算法中引导滤波器进行改进,提出了一种快速计算像素模板均值的方法,并设计了这种改进方法的电路结构。模板均值是通过存储局部窗口第一列和最后一列的和,加上/减去其相应列中某个像素点的值得到,这种计算方法不仅能够在不改变滤波效果的前提下使计算复杂度降低到常数级,而且更符合FPGA的并行流水设计。实验结果表明,在Altera公司CycloneII系列的EP2C70的FPGA开发板上的逻辑和内存的使用量分别占7.9%和35%,低端FPGA能够满足需求,每秒可处理100帧[1 024×1 024]的图像,实时性完全达到要求。     

基于双广义高斯模型和多尺度融合的纹理图像检索方法

纹理因素是描述图像的重要特征之一,为了准确地刻画纹理特征,增强图像的区分能力,该文提出一种基于双树复数小波域统计特征的纹理图像检索方法。首先对图像采用双树复数小波变换得到各子带系数,由于系数存在细微不完全对称分布特性,将其建模为双广义高斯模型。其次,因为各子带系数之间不完全独立也不完全冲突,存在不确定关系,所以采用模糊集合和证据理论(FS-DS)的方法,融合各子带系数特征。最后,对Brodatz和彩色纹理图像库进行仿真实验,并与多种统计建模的方法相比较。结果表明,该方法有效地提高了纹理图像的平均检索率。     

在线多示例学习目标跟踪方法研究

多示例学习是不同于传统机器学习的一种新的学习模式,近年来被应用于图像检索、文本分类等领域。提出一种基于在线学习的多示例学习算法,将其应用于目标跟踪。该算法通过构造一个在线学习的多示例分类器作为检测器,无需制作大量的样本进行离线的训练,只需在第一帧手动选中目标,便可以自动生成正样本和负样本,并在随后的帧序列中,根据跟踪到的目标自动更新分类器,在跟踪器丢失目标或者目标从场景中消失后,它能够重新检测到目标并更新跟踪器,从而有效地支持了跟踪器跟踪目标。实验证明该方法在背景复杂,光线变化,摄像机抖动等复杂条件下,可以很好地跟踪到目标,且对遮挡具有较好的鲁棒性。     

一种新的面向对象的概率图模型

针对大规模Bayes网络的知识表示和推理等问题,使用面向对象的方法扩展Bayes网络结构,提出了一种新的概率图模型——对象概率模型（OPM）．该模型充分利用层次结构中所蕴含的条件独立性,有效地降低了知识表示的复杂度．在Bayes网络消元推理算法的基础上设计了OPM的一种有效的推理算法,该算法可以根据需要调节推理的计算量,在一定程度上解决了概率推理的计算的复杂度问题．将OPM用于解决图像中文本的自动检测与定位问题,实验结果验证了模型的有效性．     

基于照度分割的局部多尺度Retinex算法

针对现有多尺度Retinex图像增强算法采用线性加权的方法来综合各个单尺度Retinex增强效果,不能很好地体现出各个尺度在色彩保真和细节增强上的特点与优势,本文提出一种新的基于照度分割的局部多尺度Retinex图像增强算法.该算法首先通过引入带参数的LIP模型将图像分解成四个照度区域,然后对各区域根据照度的差异采用相应尺度的Retinex算法进行增强,最后通过基于面积的比例因子对各增强后子图进行照度融合,实现图像增强.实验结果表明,与现有多尺度Retinex算法相比,本文算法在图像亮度保持和细节增强上,处理效果较好,在色彩方面也有较好的效果.     

基于MDL原理与混合遗传算法的Bayesian网络结构学习

从大型数据库中学习Bayesian网络结构是Bayesian网络应用的难点之一。在分析标准遗传算法与爬山算法各自优点与不足的基础上，将这两种算法相结合，以最小描述长度为评价函 数，得到一种混合遗传算法，实现了它们的优势互补。文章给出了混合遗传算法的计算步骤，并通过对ALARM数据库学习得到的Bayesian网络结构。