排序方式: 共有20条查询结果,搜索用时 15 毫秒
1.
针对基于人工特征的背景感知相关滤波(CACF)算法在形变、运动模糊、低分辨率情形跟踪效果较差以及跟踪器遇到严重遮挡等情形容易陷入局部最优而导致跟踪失败的问题,提出一种融合重检测机制的卷积回归网络(CRN)目标跟踪算法。在训练阶段,将相关滤波作为CRN层融入进深度神经网络,使网络成为一个整体进行端到端训练;在跟踪阶段,通过残差连接融合不同网络层及其响应值,同时引入重检测机制使算法从潜在的跟踪失败中恢复,当响应值低于给定阈值时激活检测器。在数据集OTB-2013上的实验表明,所提算法在50个视频序列上精确度达到88.1%,相比原始CACF算法提高9.7个百分点,在具有形变、运动模糊等属性的视频序列上相比原始算法表现更优秀。 相似文献
2.
3.
标准的低秩矩阵恢复算法是把原始数据集分解成一组表征基和与此相应的稀疏误差,并以此分解对原始数据建模。受Fisher准则启发,文中提出基于带有Fisher判别准则的低秩矩阵恢复算法,在有监督学习模式下对低秩矩阵进行恢复,即当所有的标签信息都知道的情况下考虑类内散度和类间散度。文中所构造的模型可利用增广拉格朗日乘子法求解,并通过对标准的低秩矩阵模型增加判别性提高性能,利用文中算法所学习到的表征基使类内结构相关,而类间相互独立。在人脸识别问题上的仿真实验表明该算法的有效性。 相似文献
4.
基于深度学习的视频超分辨率方法主要关注视频帧内和帧间的时空关系,但以往的方法在视频帧的特征对齐和融合方面存在运动信息估计不精确、特征融合不充分等问题。针对这些问题,采用反向投影原理并结合多种注意力机制和融合策略构建了一个基于注意力融合网络(AFN)的视频超分辨率模型。首先,在特征提取阶段,为了处理相邻帧和参考帧之间的多种运动,采用反向投影结构来获取运动信息的误差反馈;然后,使用时间、空间和通道注意力融合模块来进行多维度的特征挖掘和融合;最后,在重建阶段,将得到的高维特征经过卷积重建出高分辨率的视频帧。通过学习视频帧内和帧间特征的不同权重,充分挖掘了视频帧之间的相关关系,并利用迭代网络结构采取渐进的方式由粗到精地处理提取到的特征。在两个公开的基准数据集上的实验结果表明,AFN能够有效处理包含多种运动和遮挡的视频,与一些主流方法相比在量化指标上提升较大,如对于4倍重建任务,AFN产生的视频帧的峰值信噪比(PSNR)在Vid4数据集上比帧循环视频超分辨率网络(FRVSR)产生的视频帧的PSNR提高了13.2%,在SPMCS数据集上比动态上采样滤波视频超分辨率网络(VSR-DUF)产生的视频帧的PSNR提高了15.3%。 相似文献
5.
卷积神经网络模型所需的存储容量和计算资源远超出移动和嵌入式设备的承载量,因此文中提出轻量级卷积神经网络架构(SFNet).SFNet架构引入切分模块的概念,通过将网络的输出特征图进行“切分”处理,每个特征图片段分别输送给不同大小的卷积核进行卷积运算,将运算得到的特征图拼接后由大小为1×1的卷积核进行通道融合.实验表明,相比目前通用的轻量级卷积神经网络,在卷积核数目及输入特征图通道数相同时,SFNet的参数和计算量更少,分类正确率更高.相比标准卷积,在网络复杂度大幅降低的情况下,切分模块的分类正确率持平甚至更高. 相似文献
6.
基于谱流形学习算法的一个核心问题是局部邻域的构建,可通过KNN或ε准则构建局部邻域.受压缩传感理论的启发,提出一种基于l2和l1范数重构准则的邻域构建模式,称之为基于压缩传感的邻域嵌入(CSNE).在此基础上,利用无标签数据,提出半监督的CSNE.在多个数据集上的可视化和半监督分类实验,证明该算法的有效性. 相似文献
7.
应用小波分析研究信号消噪 总被引:1,自引:0,他引:1
噪声的去除一直是信号处理中较为关键的技术之一。小波变换在时、频两域都具有表征信号局部特征的能力 ,突破了传统 Fourier分析的局限性 ,很适合检测信号的奇异现象。用 Daubechies小波分别对信号本身的奇异性、噪声的奇异性进行分析 ,结果表明 ,二者具有较大的不同。因而 ,将小波用于信号消噪具有重要的参考价值。 相似文献
8.
深度卷积神经网络学习的图像特征表示具有明显的层次结构.随着层数加深,学习的特征逐渐抽象,类的判别性也逐渐增强.基于此特点,文中提出面向图像检索的深度汉明嵌入哈希编码方式.在深度卷积神经网络的末端插入一层隐藏层,依据每个单元的激活情况获得图像的哈希编码.同时根据哈希编码本身的特征提出汉明嵌入损失,更好地保留原数据之间的相似性.在CIFAR-10、NUS-WIDE基准图像数据集上的实验表明,文中方法可以提升图像检索性能,较好改善短编码下的检索性能. 相似文献
9.
一种有监督的线性降维人脸识别算法 总被引:1,自引:0,他引:1
保局投影(LPP)忽略了数据的类别标记信息且鲁棒性较差,为此,提出一种线性判别投影(LDP)算法。引入类问权重矩阵和类内权重矩阵,使各流形间的分离性最大,局部子流形的内在紧致性最小,同时通过一种鲁棒的类内处理方式使算法对outlier数据具有鲁棒性。在ORL、AR和ExtendedYaleB人脸数据集上进行实验,结果表明,与PCA、LDA、LPP、LSDA和LPDP算法相比,该算法的最佳平均识别率较高,分别可达95.3%、93.64%和96.28%,证明了算法的有效性和可靠性。 相似文献
10.