一种基于二维网格的自动视频对象分割及跟踪方法

提出了一种基于二维网格的自动视频对象分割及跟踪方法。该方法首先检测图像中的特征点，然后将特征点分为运动和静止两类，再提取、构造粗糙运动对象轮廓，再进一步得出较精确的运动对象边缘，最后跟踪分割出的运动对象，实验证实算法是有效的。     

一种鲁棒性的少样本学习方法

少样本学习是目前机器学习研究领域的一个热点,它能在少量的标记样本中学习到较好的分类模型.但是,在噪声的不确定环境中,传统的少样本学习模型泛化能力弱.针对这一问题,提出一种鲁棒性的少样本学习方法RFSL(Robust Few-Shot Learning).首先,使用核密度估计(Kernel Density Estimation,KDE)和图像滤波(Image Filtering)方法在训练集中加入不同的随机噪声,形成多个不同噪声下的训练集,并分别生成支持集和查询集.其次,利用关系网络的关系模块通过训练集端到端地学习多个基分类器.最后,采用投票的方式对各基分类器的最末Sigmoid层非线性分类结果进行融合.实验结果表明,RFSL模型可促进小样本学习快速收敛,同时,与R-Net以及其他主流少样本学习方法相比,RFSL具有更高的分类准确率,更强的鲁棒性.     

一种基于时空分析的步态识别方法

提出一种基于侧影的非模型步态识别方法,从图像序列中提取特征进行识别.首先,采用背景减除技术检测跟踪人的侧影,提取出相应的侧影形状轮廓.然后,用新的轮廓形状描述和分析方法对轮廓形状进行时空分析,并运用离散傅立叶变换进一步提取最终用于识别的步态特征.该描述和分析方法兼顾步态的空间和时间信息,能在较低的代价下表达步态运动的时空变化模式.最后,运用标准的模式分类器对步态序列进行训练和识别.在常用数据库上所做测试的结果表明,本方法行之有效.     

一种基于主曲线的步态识别方法

提出将主曲线作为一种新的步态特征分析和分类方法.主曲线特征分析单独分析每类样本的特征,形成直接对各类样本特征及其趋势的低维流形描述,保留了数据集的内在拓扑结构.首先对步态序列时空分析,在低的代价下表达步态运动的时空变化模式;然后,对步态特征进行主曲线分析;最后,用针对该分析方法定义的新相似性度量和分类规则进行了步态的训练和识别.在常用数据库上的测试结果表明,本方法行之有效,主曲线具有很好的实用性.     

一种新的测地线主动轮廓图像分割方法

测地线主动轮廓模型是一种重要的图像分割方法,它对噪声图的分割效果很大程度上依赖于图像平滑的质量.为了使图像平滑和图像分割有机的结合起来,文中首先利用方向曲率模值提出描述图像平滑度的泛函,推导出一种四阶偏微分方程(PDE)图像降噪模型,它能在有效降噪的同时,保持良好的图像特征.该方法处理结果为分段线性图像,且在目标边缘处梯度存在阶跃.利用降噪结果的这一特点作为图像特征的描述函数,文中提出一种新的测地线主动轮廓(new geodesic active contour)模型.实验表明,新模型轮廓提取能力强、收敛速度快.以文中的降噪模型进行预处理,对基于区域的主动轮廓模型分割效果也有较大的提高.     

基于周期序列宽度图的步态识别方法

为了快速地提取步态,提出了一种基于周期序列宽度图的步态识别方法。该方法先按周期将侧影轮廓序列转换为宽度向量序列,然后再将宽度向量序列转换为用灰度值表示的周期序列宽度图。周期序列宽度图中的灰度值及其变化能清晰地反映步态运动,是一种以图的形式直观准确表征步态时空变化的方法。这种周期序列宽度图不仅保留了单帧图像中侧影的外观结构信息,而且很好地体现了步态随时间的变化。另外,还运用DCT对提取的步态特征进行降维,并采用RBF神经网络进行步态分类。在常用步态数据库上的测试结果表明,该方法简单而有效。     

基于Gabor滤波和形态学变换的手臂静脉线提取

提出了一种针对近红外图像的手臂静脉提取算法。首先利用限制对比度自适应直方图均衡化(CLAHE)对近红外图像进行预处理,增强对比度。然后利用Gabor滤波器对增强后的图像进行滤波,由Gabor滤波后的方向图和能量图获得手臂静脉位置。接着,对能量图进行高低帽变换,然后将整幅图像进行二值化,采用开闭运算处理二值化图像,利用形态学骨架提取的方法提取手臂静脉线,最后对骨架化后的图像进行毛刺修剪,得到比较完整有效的静脉线。实验结果表明,本文提出的算法可以有效地保证静脉线的连续性和完整性,有效地提高手臂静脉的匹配率。     

基于生成对抗网络的无监督域适应分类模型

生成适应模型利用生成对抗网络实现模型结构,并在领域适应学习上取得了突破.但其部分网络结构缺少信息交互,且仅使用对抗学习不足以完全减小域间距离,从而使分类精度受到影响.为此,提出一种基于生成对抗网络的无监督域适应分类模型（Unsupervised Domain Adaptation classification model based on GAN,UDAG）.该模型通过联合使用生成对抗网络和多核最大均值差异度量准则优化域间差异,并充分利用无监督对抗训练及监督分类训练之间的信息传递以学习源域分布和目标域分布之间的共享特征.通过在四种域适应情况下的实验结果表明,UDAG模型学习到更优的共享特征嵌入并实现了域适应图像分类,且分类精度有明显提高.     

面向上下文注意力联合学习网络的方面级情感分类模型

针对现有的方面级情感分类模型存在感知方面词能力较弱、泛化能力较差等问题,文中提出面向上下文注意力联合学习网络的方面级情感分类模型(CAJLN).首先,利用双向Transformer的表征编码器(BERT)模型作为编码器,将文本句子预处理成句子、句子对和方面词级输入序列,分别经过BERT单句和句子对分类模型,进行上下文、方面词级和句子对隐藏特征提取.再基于上下文和方面词级隐藏特征,建立上下文和方面词的多种注意力机制,获取方面特定的上下文感知表示.然后,对句子对隐藏特征和方面特定的上下文感知表示进行联合学习.采用Xavier正态分布对权重进行初始化,确保反向传播时参数持续更新,使CAJLN在训练过程中可以学习有用信息.在多个数据集上的仿真实验表明,CAJLN可有效提升短文本情感分类性能.