基于卷积神经网络和监督核哈希的图像检索方法

当前主流的图像检索方法采用的视觉特征,缺乏自主学习能力,导致其图像表达能力不强,此外,传统的特征索引方法检索效率较低,难以适用于大规模图像数据.针对这些问题,本文提出了一种基于卷积神经网络和监督核哈希的图像检索方法.首先,利用卷积神经网络的学习能力挖掘训练图像内容的内在隐含关系,提取图像深层特征,增强特征的视觉表达能力和区分性;然后,利用监督核哈希方法对高维图像深层特征进行监督学习,并将高维特征映射到低维汉明空间中,生成紧致的哈希码;最后,在低维汉明空间中完成对大规模图像数据的有效检索.在ImageNet-1000和Caltech-256数据集上的实验结果表明,本文方法能够有效地增强图像特征的表达能力,提高图像检索效率,优于当前主流方法.  

基于最优非线性扩散的快速相干斑抑制算法研究

合成孔径雷达(Synthetic Aperture Radar,SAR)图像相干斑去噪一直以来都是SAR图像处理的一项关键技术.本文提出一种基于最优非线性扩散的快速相干斑抑制算法,该算法使用最近提出的基于可训练非线性扩散的图像复原框架,并针对合成孔径雷达强度图像,结合相干斑噪声的统计特性,训练非线性扩散过程中的滤波器参数和响应函数参数.实验结果表明,该算法性能与PPBit、SAR-BM3D等主流相干斑去噪算法性能相当甚至更优;同时与这些算法相比,该算法计算效率能够提高75％以上,并且适于并行运算实现.  

基于集成学习的室性早博识别方法

本文提出了一种集成学习方法以提升室性早搏的识别性能.MIT-BIH两个通道的数据分别经过卷积神经网络进行室性早搏心拍分类,然后按照融合规则对分类结果进行融合决策,其准确率、灵敏度和特异性分别为99.91％、98.76％、99.97％,优于已有算法的室性早搏心拍分类结果.此外,面向临床应用,本文还利用卷积神经网络和诊断规则相结合的方法实现了病人间室性早搏识别实验,在有14万多条记录的数据集上,取得的准确率、灵敏度及特异性分别为97.87％、87.94％、98.02％,验证了该算法的有效性.  

一种基于卷积神经网络的性别识别方法

采用人工智能进行性别识别时,人脸图像在获取的时候容易受到光照、遮挡等影响,这些因素给人脸性别识别带来了困难。采用卷积神经网络用于性别识别,并通过扩展网络结构,进一步增强卷积神经网络的分类能力。并且对识别效果进行置信度分析,通过设置卷积神经网络的拒识区域来解决拒绝区间的问题。在实际测试中,通过拒绝7.46%的测试样本,达到98.67%的正确识别率。  

基于多分支卷积神经网络的车辆图像比对方法

为了更有针对性地从车辆图像的不同区域提取出独特的图像特征,提出基于多分支卷积神经网络的车辆图像比对方法.首先,根据车牌定位结果获取比对车辆的车脸图像,并根据车脸图像的纹理丰富度将车脸图像划分为多个图像块;其次,使用多分支卷积神经网络分别提取各车脸图像块的深度特征;最后,通过计算车脸图像深度特征的相似度判定比对的车辆图像是否属于同种车型.实验表明,提出的方法能够提取有效的车辆图像各区域的深度特征,获得良好的车辆比对准确率,可用于套牌车辆识别.  

基于递进卷积神经网络的台标识别及其并行化

针对台标的视觉特征,提出一种基于递进卷积神经网络的台标识别算法.该网络不仅有对图像特征进行隐性提取的卷积层和采样层,还包括识别常规台标的泛化模块和识别偏差台标的特异模块.针对串行卷积神经网络训练耗时长的缺点,提出基于Spark的并行递进卷积神经网络算法,采用数据共享及批处理方式对算法模型进行并行化处理.实验证明,递进卷积神经网络算法对台标进行识别能达到98％的正确率,多节点并行化卷积神经网络相比于单节点模型能有效缩短80％以上训练所需的时间.  

一种云平台下高识别率的手写汉字光学图像识别系统

针对原有手写汉字识别系统中文字特征提取的相关问题,结合卷积神经网智能化学习字形相似字的有效特征,设计了一种全新的手写汉字光学图像识别系统.通过手写云平台中丰富的数据资源对模型进行高效训练,根据频度统计形成特定的相似子集,有效优化识别率.实验结果表明,与支持向量机(SVM)及最近邻分类器方法相比,提出的方法能够显著提升识别率.  

基于移动小车的行人监控系统

行人监控属于监控系统中比较重要的一个方面.传统的行人监控手段存在监控区域受限的问题,即监控设备一旦安装后,只能监控固定的区域,目前仍然需要人工判别监控画面中是否有行人.针对这个问题,设计了基于计算机视觉的移动行人监控系统.通过操控搭载了监控摄像头的移动小车,实现监控区域的自由切换.另外,配合成熟的深度卷积神经网络算法和相关滤波器,实现了监控画面中行人的自主识别、定位.最后对该系统进行了实地测试,验证了行人监控系统的可行性.  

基于迁移学习的红外图像超分辨率方法研究

针对红外图像空间分辨率低、成像质量不高的问题,提出了基于迁移学习的红外图像超分辨率方法。该方法以基于卷积神经网络的自然图像超分辨率方法为基础进行改进:增加网络的层数进行更深层次的学习训练,串联多层小的卷积核使其能够利用更多的图像信息,以“相差图”为目标进行训练,减小网络训练时间,提升网络收敛速度;利用迁移学习知识,再以少量高质量红外图像为目标样本,对自然图像超分辨率的网络进行二次训练,将网络权重经过微调后迁移应用到红外图像的超分辨率上。实验结果表明:基于卷积神经网络的超分辨率方法能够有效迁移应用到红外图像的超分辨率上,且改进后的网络具有更好的自然及红外图像的超分辨率性能,验证了本文所提方法的有效性及优越性。