基于拓扑一致性对抗互学习的知识蒸馏

针对基于互学习的知识蒸馏方法中存在模型只关注教师网络和学生网络的分布差异,而没有考虑其他的约束条件,只关注了结果导向的监督,而缺少过程导向监督的不足,提出了一种拓扑一致性指导的对抗互学习知识蒸馏方法 (Topology-guided adversarial deep mutual learning, TADML).该方法将教师网络和学生网络同时训练,网络之间相互指导学习,不仅采用网络输出的类分布之间的差异,还设计了网络中间特征的拓扑性差异度量.训练过程采用对抗训练,进一步提高教师网络和学生网络的判别性.在分类数据集CIFAR10、CIFAR100和Tiny-ImageNet及行人重识别数据集Market1501上的实验结果表明了TADML的有效性, TADML取得了同类模型压缩方法中最好的效果.     

真实有雾场景下的目标检测

在有雾场景中实现对目标精确检测,是视频监控、智慧城市、无人驾驶等多个实际应用中一个重要的研究内容.为促进真实有雾场景下的目标检测研究,探讨了2个问题:有雾场景目标检测数据集的构建以及真实有雾场景下目标检测的解决方案.首先,设计了一种系统化的、具有真实感的有雾图像合成方法,并建立了合成有雾场景的目标检测数据集.同时,探讨了对真实有雾场景下目标检测器具有提升性能作用的数据集处理方法.其次,探讨了先验知识和模型的联合优化对真实有雾场景的目标检测性能的有效性,并提出了2个框架:基于知识引导的目标检测框架和基于图像去雾和目标检测的联合学习框架.基于知识引导的目标检测框架将统计先验知识用于指导通用目标检测网络学习有雾场景下的目标特征,使通用目标检测器能更好地适应特殊的目标检测场景.基于图像去雾和目标检测的联合学习框架通过去雾模型和目标检测模型的联合优化学习,有效学习图像去雾中恢复的结构细节和颜色特征,从而提高真实有雾场景下的目标检测精度.在RTTS数据集上的实验结果表明,基于知识引导的目标检测框架和基于图像去雾和目标检测的联合学习框架能够有效地提高有雾场景下目标检测器的性能,均值平均精度(mAP)分别为70.5％和66.6％.     

一种迁移学习和可变形卷积深度学习的蝴蝶检测算法

针对自然生态蝴蝶多种特征检测的实际需求,以及生态环境下蝴蝶检测效率低、精度差问题,本文提出了一种基于迁移学习和可变形卷积深度神经网络的蝴蝶检测算法（Transfer learning and deformable convolution deep learning network,TDDNET）.该算法首先使用可变形卷积模型重建ResNet-101卷积层,强化特征提取网络对蝴蝶特征的学习,并以此结合区域建议网络（Region proposal network,RPN）构建二分类蝴蝶检测网络,以下简称DNET-base;然后在DNET-base的模型上,构建RPN网络来指导可变形的敏感位置兴趣区域池化层,以便获得多尺度目标的评分特征图和更准确的位置,再由弱化非极大值抑制（Soft non-maximum suppression,Soft-NMS）精准分类形成TDDNET模型.随后通过模型迁移,将DNET-base训练参数迁移至TDDNET,有效降低数据分布不均造成的训练困难与检测性能差的影响,再由Fine-tuning方式快速训练TDDNET多分类网络,最终实现了对蝴蝶的精确检测.所提算法在854张蝴蝶测试集上对蝴蝶检测结果的mAP_0.5为0.9414、mAP_0.7为0.9235、检出率DR为0.9082以及分类准确率ACC为0.9370,均高于在同等硬件配置环境下的对比算法.对比实验表明,所提算法对生态照蝴蝶可实现较高精度的检测.     

目标跟踪的视觉注意计算模型

借鉴心理学中有关视觉注意的研究成果,提出一种应用于视频图像序列的注意焦点计算模型。针对Itti模型算法计算复杂度高、运算速度慢等缺点,通过对注意焦点的跟踪来降低计算量,实现注意焦点的实时监测。利用相邻帧之间的相似性,通过加权颜色直方图,以最大匹配度作为预测模型,得到下一帧注意焦点的位置。实验结果表明,该注意焦点计算鲁棒性较好,可以满足动态场景实时监测的 需要。     

一种自然场景图像的目标材质视觉特征映射算法

针对自然场景图像目标材质视觉特征映射中,尚存在特征提取困难、图像无对应标签等问题,本文提出了一种自然场景图像的目标材质视觉特征映射算法.首先,从图像中获取能表征材质视觉重要特征的反射层图像;然后,对获取的反射层图像进行前景、背景分割,得到目标图像;最后,利用循环生成对抗网络对材质视觉特征进行无监督学习,获得对图像目标材质视觉特征空间的高阶表达,实现了目标材质视觉特征的映射.实验结果表明,所提算法能够有效地获取自然场景图像目标的材质视觉特征,并进行材质视觉特征映射;与同类算法相比,具有更好的主、客观效果.     

基于支持向量机的显著性建筑物检测

提出了一种针对自然图像中显著性建筑物的检测方法.首先,采用自底向上的注意力机制,对图像进行Haar小波分解,对得到的HL,LH分量进行平方求和,得到增强图像,然后对该增强图像在垂直方向上进行侧投影,基于得到的投影曲线进行多层阈值分割,找到显著性建筑物候选区域.进而,利用Sobel算子进行水平边缘与垂直边缘的检测,并统计较长的水平边缘与垂直边缘的数目,组成特征矢量.最后利用线性支持向量机对特征进行分类.实验证明了所提算法的有效性.