基于半监督学习的单幅图像去雨算法

在雨天采集的图像通常存在背景物体被雨纹遮挡、图像变形等影响图像质量的现象,对后续图像分析及应用造成严重影响。近年来,已经提出了许多基于深度学习的去雨算法并获得了较好的效果。由于真实雨图的无雨纹干净背景图采集非常困难,大多数算法都采用监督学习即在含有配对标签的合成雨图数据集上进行模型训练。由于合成雨图和真实雨图中雨纹的亮度、透明度、形状等存在巨大差异,基于监督学习的去雨算法对真实雨图的泛化能力普遍较差。为提高去雨模型对真实雨图的去雨效果,提出了一种基于半监督学习的单幅图像去雨算法。该算法在模型训练过程中加入合成雨图和真实雨图并最小化两个输入图像转换成的特征向量的一阶信息和二阶统计信息差异,使两者特征分布一致。同时,针对雨纹复杂多样的特点,引入多尺度网络以获取更丰富的图像特征,并提高模型性能。实验结果表明,所提算法在Rain100H合成雨图测试集上相较JDNet、Syn2Real等算法在峰值信噪比（PSNR）和结构相似度（SSIM）上分别至少提升了0.66 dB、0.01,在去除雨纹的同时能最大限度保留图像细节和颜色信息;并且由于减少了分布差异,该算法在真实雨图测试集上的去雨效果明显优于现有的JDNet、Syn2Real等去雨算法,具有较强的泛化能力。所提算法可以应用于现有的基于监督学习的去雨算法并显著提高其去雨效果,拥有较高的独立性。     

基于支持向量约简的快速目标检测

支持向量机(SVM)由于其出色的泛化能力,已成为目标检测领域应用最为广泛的分类器之一.然而在检测过程中,过多的支持向量会产生很大的时间开销,从而降低目标检测系统的实时性.针对此问题,提出一种约简支持向量的方法,以降低分类器的决策开销,加快检测速度.此方法采用迭代的方式来估计特征空间中向量的原像,通过构建精简原像集来简化支持向量机,从而达到了提升分类速度的效果.利用精简的SVM结合Selective Search+ BoW模型构建了一款快速检测器,测试结果表明:该检测器能够在保证检测率的前提下,通过约简支持向量,提高目标检测的实时性.     

基于随机映射的特征压缩在快速目标检测中的应用

目标检测通常利用复杂的、高维度的特征来提高其检测精度,而高维特征往往会产生较高的计算复杂度和存储开销。经典的特征压缩算法常常被用于目标检测系统以实现特征降维,但在其求解过程中会涉及到大量的矩阵分解运算,从而降低了算法的实时性。针对此问题,提出一种基于随机映射的特征压缩算法。该算法仅通过一个稀疏随机矩阵和简单的矩阵乘法运算就实现了特征从高维空间到低维空间的映射。利用经该算法压缩后的特征向量构建了Ada-Boost分类器,实验结果表明,该分类器在保证检测精度的前提下,提高了目标检测的实时性。     

深度神经网络的小样本学习综述

随着最近深度学习技术的蓬勃发展,深度神经网络（DNN）在大规模的图像分类与识别任务中取得了突破性的进展,但其在解决小样本学习问题时仍面临巨大挑战。小样本学习（FSL）是指在少量有监督样本的情况下学习一个能解决实际问题的模型,在深度学习领域具有重要意义。这促使该系统梳理了已有的DNN下的小样本学习工作,根据它们在解决小样本学习问题时所采用的技术,将DNN下的小样本学习解决方案分为四种策略：数据增强、度量学习、外部记忆、参数优化。根据这些策略,对现有的DNN下的小样本学习方法进行了全面的综述,同时总结了每一种策略在相关基准上的表现。强调了现有技术存在的局限性并对其未来的发展方向进行了展望,为今后的研究工作提供参考。