LSF参数的模拟退火法连接分裂矢量量化

本文基于模拟退火算法,提出了一种全局最优的模拟退火法连接分裂矢量量化(SA-LSVQ)方案.实验表明,该算法与LBG法相比,有效地改善了LSVQ的性能.     

中医舌象分割技术研究进展: 方法、性能与展望

中医舌诊的客观化、定量化研究是中医现代化发展中的重要课题. 数字化采集到的舌图像包括舌体及部分面部区域, 为了便于后续舌象自动分析, 需要首先将舌体部分从图像中分割出来, 分割效果将直接影响后续舌象特征分析的准确性. 基于传统方法的舌象分割技术虽然取得了很大进展, 但其性能仅能达到半自动分割, 对较难分割的图像往往需要借助人机交互来完成. 近年来, 深度学习技术在图像处理及计算机视觉等多个领域取得了突破, 其在图像语义分割任务中也取得了远超传统方法的进展. 基于深度学习的舌象分割技术已经基本实现了全自动的鲁棒分割. 本文首先从传统分割方法和基于深度学习的分割方法两方面对中医舌象分割技术发展中的主要方法进行综述; 其次, 采用我们收集的舌象数据库对典型的方法进行性能评估, 并对不同舌象分割方法的特点进行分析与讨论. 最后, 对中医舌图像分割方法潜在的发展方向进行了展望.     

基于深度卷积神经网络特征层融合的小尺度行人检测

针对目前行人检测算法计算量过大和对小尺度行人检测精度不高的问题,提出了一种基于深度卷积神经网络特征层融合的小尺度行人检测方法,设计了一种包含9个卷积层的深度神经网络架构.在进行行人检测时,首先,对输入图像进行分块预处理操作,避免损失原始图像的视觉信息;然后,将网络不同层的卷积特征进行融合,提升行人特征的区分能力和表达能力,进而提升行人检测的精度,在保证检测精度的同时有效降低网络的复杂度.在INRIA、Caltech等公共行人数据集上的实验结果表明,所提出的行人检测方法能够有效检测小尺度的行人,且网络架构的参数量更少,检测速度更快,能得到更高精度的行人检测结果.     

应用于中医面诊的人脸区域分割方法

面诊是中医四诊之一,在中医面诊时通常将人脸区域分成5个部分,每个部分对应于不同的人体内脏部位,内脏的病变表现为人脸对应区域的颜色变化。实现了一种简单快速的人脸区域分割方法,首先用Gabor小波变换定位人眼,将AdaBoost和唇色模型相结合定位嘴角,然后根据先验知识确定内眉点位置,用提取轮廓算法确定人脸边界,从而实现人脸区域的自动分割。通过对样本图片的测试,实验结果表明该方法可以满足面诊实时分割人脸区域的需求。     

高分辨率与高动态范围图像联合重建研究进展

超分辨率复原技术的目标是提高图像的空间分辨率,而高动态范围(HDR,high dynamic range)图像合成技术能够增强图像表达高对比度场景的能力。将两者结合起来进行高分辨率和高动态范围图像联合重建的研究,对高质量图像信息的获取具有重要的意义,可满足广泛的多媒体应用的需求。对高分辨率与高动态范围图像联合重建研究进展进行梳理,分析其基本思想的产生、发展以及存在的难点,并进一步提出在基于学习的框架内进行联合重建的思路。     

行人再识别技术综述

行人再识别指的是判断不同摄像头下出现的行人是否属于同一行人, 可以看作是图像检索的子问题, 可以广泛应用于智能视频监控、安保、刑侦等领域.由于行人图像的分辨率变化大、拍摄角度不统一、光照条件差、环境变化大、行人姿态不断变化等原因, 使得行人再识别成为目前计算机视觉领域一个既具有研究价值又极具挑战性的研究热点和难点问题.早期的行人再识别方法大多基于人工设计特征, 在小规模数据集上开展研究.近年来, 大规模行人再识别数据集不断推出, 以及深度学习技术的迅猛发展, 为行人再识别技术的发展带来了新的契机.本文对行人再识别的发展历史、研究现状以及典型方法进行梳理和总结.首先阐述了行人再识别的基本研究框架, 然后分别针对行人再识别的两个关键技术(特征表达和相似性度量), 进行了归纳总结, 重点介绍了目前发展迅猛的深度学习技术在行人再识别中的应用.另外, 本文对行人再识别中代表性的数据集以及在各个数据集上可以取得优异性能的方法进行了分析和比较.最后对行人再识别技术的未来发展趋势进行了展望.     

匹配场被动定位方法的优化研究

讨论了利用遗传算法对匹配场被动定位进行优化的问题,给出了计算机模拟与结果分析．结果表明,采用遗传算法,大大地降低了运算量,同时搜索精度有了大幅度的提高．     

MPEG-4中的差错控制方法

根据MPEG-4视频编码原理,讨论了MPEG-4中所采用的几种差错控制方法以及不等的错误保护机制.这些技术在无线视频通信中有着广泛的应用前景.     

全局关系注意力引导场景约束的高分辨率遥感影像目标检测

高分辨率遥感影像中地物目标往往与所处场景类别息息相关,如能充分利用场景对地物目标的约束信息,有望进一步提升目标检测性能。考虑到场景信息和地物目标之间的关联关系,提出全局关系注意力(RGA)引导场景约束的高分辨率遥感影像目标检测方法。首先在多尺度特征融合检测器的基础网络之后,加入全局关系注意力学习全局场景特征;然后以学到的全局场景特征作为约束,结合方向响应卷积模块和多尺度特征模块进行目标预测;最后利用两个损失函数联合优化网络实现目标检测。在NWPU VHR-10数据集上进行了4组实验,在场景信息约束的条件下取得了更好的目标检测性能。