图像处理技术在粮食害虫识别中的应用进展

在储粮过程中,粮食害虫的监控至关重要.常见粮虫的检测方法主要有人工检测、声音检测、传统机器学习图像处理以及深度学习图像处理等.传统机器学习图像处理检测粮虫的步骤有图像预处理、特征提取及特征分类.深度学习技术包括图像分类和目标检测两大技术,详细介绍了粮虫检测应用的两阶段和单阶段的目标检测算法.研究了使用图像检测技术进行粮...     

基于深度学习的种子质量检测综述

“种优则粮丰,粮安则民安”。我国是粮食大国,为保障粮食安全,需要紧抓种子质量,健康的种子和适宜的品种可以显著提高农作物的产量和质量。因此实现快速、无损地检测种子质量的技术对于粮食生产具有重要的意义。近年来,机器视觉作为一种无损检测方法在粮食种子质检领域得到了广泛应用。通过对粮食种子图像数据进行训练,最终得到能够准确、快速识别种子外观品质的模型。重点从数据集角度出发,总结了基于深度学习算法在小麦、稻米、玉米等主要粮食种子的外观品质检测方面的研究进展,并根据这些研究存在的不足对该领域未来的研究方向进行了展望。     

多极化SAR图像目标的智能识别应用研究

针对小样本集的多极化合成孔径雷达(SAR)图像目标,提出利用迁移学习、多极化SAR图像增广以及网络架构适应性改进,实现了多极化SAR图像目标端到端的智能分类识别;利用实测机载全极化SAR目标图像进行了实验.实验结果表明,与传统机器学习SVM方法相比,基于多极化SAR深度学习方法所包含的多个神经网络隐含层能自适应地提取目标高层语义特征,其目标分类识别精度更高,从而验证了本文深度学习方法用于多极化SAR图像目标识别分类的有效性.     

基于Gabor及深度神经网络的葡萄种子分类

种子成熟度需要受过长期训练的专家通过肉眼进行观察和判断。为了改变传统人工经验判断的方式,该文提出了一种基于Gabor小波特征提取及深度神经网络的葡萄种子图像分类识别算法,以便实现高效、准确的分类识别效果。首先,利用背景差分法在背景图像中分割出兴趣目标,从而完成图像的预处理。然后,通过改进的Gabor小波特征提取,使得Gabor滤波后的图像具有更多的细节纹理信息。最后,将深度卷积神经网络和提取到的纹理特征信息相结合进行分类。实验结果表明,基于机器学习的葡萄种子成熟度识别是切实可行的。且相比于其他类似分类算法,本文算法的图像分类精度有了一定的改善。     

人脸表情识别综述

人类面部表情在安全驾驶、智能监护、人机交互领域都有着广泛应用。随着机器学习的兴起和发展,表情识别也逐渐从传统方法向深度学习过渡。简要地概述了表情识别的研究意义、技术、常见的表情数据库、研究方法,提出了表情识别目前存在的不足并对未来研究方向作出了展望。     

深度学习在电力领域的研究现状与展望

深度学习技术,近年来已经广受学术界和工业界的关注,已在图像处理及分类,自然语言处理和生物医疗领域中取得卓越成果.对于存在大量高维度数据的电力领域,引入深度学习的理论具有一定的意义.介绍了深度学习的几个经典模型结构、工作原理,以及相关领域的部分研究成果,并围绕深度学习在电力领域中的研究现状展开了论述,指出了存在的不足和未来研究的方向.     

基于深度学习的变压器图像识别系统

针对变压器型号多、图像复杂,以及传统基于机器学习的人工设计特征的方法不能对大规模变压器图像准确分类等问题提出了基于深度学习的变压器图像识别系统直接对原始图像进行"端对端"的学习。为实现变压器图像的准确分类,提出了改进VGG-16卷积神经网络的变压器图像识别模型。在VGG-16模型的基础上,重新构建了全连接层,针对原有的SoftMax分类器,采用3标签的SoftMax分类器进行替换,以实现网络结构优化,并通过迁移学习共享V GG-16模型卷积层和降采样层的权值参数。通过构建变压器图像的训练集和测试集对改进模型进行了训练,并进行性能测试。结果表明,与深度神经网络、卷积神经网络模型相比,改进VGG-16模型具有更好的效果,识别误差达到了9.17%,并实现了对3种变压器的准确区分。     

卷积神经网络在纺织及服装图像领域的应用

随着大数据时代的到来,作为类脑计算领域的一个重要研究成果,卷积神经网络(convolutional neural net-works,CNNs)已广泛应用于多个领域.与传统机器学习相比,卷积神经网络拥有更复杂的网络结构和更多隐藏层,有更强的特征学习和特征表达的能力,已被较好地运用处理多个大规模分类识别任务.目前纺织服装行业大量丰富的图像数据正好迎合了它的应用,已经有许多纺织服装图像领域的研究运用卷积神经网络技术,并取得了较好的效果.梳理了卷积神经网络运用在图像分类和目标检测两方面的主要经典网络结构,并分别介绍了这些网络为更好地应用于纺织服装领域而进行的改良与创新,最后结合现阶段发展给出未来可以运用的理论方向.     

服装图像分类技术综述

服装图像分类技术的发展对电子商务行业影响巨大,准确的服装图像分类不仅可以完成大量自动标注任务,减少人力成本,而且有助于提高服装检索的效果。文章通过对现有国内外文献的领域研究进行梳理,概述了服装图像分类方法的技术框架,分析了基于传统图像内容和基于深度学习的服装分类方法之间的差异、优缺点以及适用情况,探讨了当前研究存在的主要问题和未来可能的发展方向,为该领域的进一步研究提供参考。综述结果显示:不同类型的分类任务应选择恰当的方法;对于分类类别数量少且区分度高的分类任务,利用传统图像内容方法可以取得较高准确率;对于分类类别数量多且区分度低的分类任务,采用深度学习更为合适。基于深度学习的分类方法更具广泛性、有效性,是未来发展的主要方向。     

基于深度学习的推荐算法研究综述

深度学习技术是机器学习领域的一个研究热点,已被深入研究并广泛应用于许多领域. 推荐系统是缓解信息过载的重要技术,如何将深度学习融入推荐系统,利用深度学习的优势从各种复杂多维数据中学习用户和物品的内在本质特征,构建更加符合用户兴趣需求的模型,以提高推荐算法的性能和用户满意度,是深度学习应用于推荐系统的主要研究任务. 对基于深度学习的推荐算法研究和应用现状进行了综述,讨论并展望了深度学习应用于推荐系统的研究发展趋势.     

基于特征融合和集成学习的隧道内车辆视频识别方法

随着数字视频技术在交通领域的广泛应用,视频车辆识别成为了一个"ITS"领域的基础问题.视频图像中的车辆识别是一个典型的分类学习问题,针对这一问题,提出一种基于特征融合和集成机器学习的车辆识别算法.该方法首先获取视频序列中的兴趣区域;然后对兴趣区域提取纹理特征、Hu不变矩特征和小波特征,将这些特征组合成一种新的特征向量;然后将组合特征向量作为BP神经网络输入进行训练得到基分类器,最后利用Adaboost方法将BP神经网络集成得到强分类器.对所用方法进行了实验对比分析,其统计正检率、误检率、漏检率以及准确率等多参数结果均优于其他两种算法,实验验证该方法具有较好的识别率和鲁棒性.     

纱线横截面图像中的材质识别

应用主成分分析(PCA),在尽量减少信息损失的前提下,把毛粘混纺纱线横截面图像中羊毛和粘胶的原始特征指标转化为少数综合性指标.利用BP(Error Back Propagation)神经网络较强的学习能力,对羊毛和粘胶的混纺纱线横截面图像进行识别分析.通过对实例图像进行预处理,提取特征数据;应用主成分分析法进行数据降维并利用BP神经网络进行机器学习及识别分类,取得了与实际相符的羊毛和粘胶两种材质的分离效果.     

生物医学文本中命名实体识别的智能化方法

介绍了使用机器学习方法进行生物医学文本命名实体识别的技术，包括Generalized Winnow算法、支持向量机方法和条件随机域模型。根据学习算法的特点，识别过程中使用了丰富的特征集，包括局部特征，全文特征及外部资源特征。各种类型特征的优化组合、识别结果的后处理包括缩写词识别和嵌套词识别以及边界校正等都提升了命名实体识别系统的性能。实验结果表明，通过上述策略的应用，系统取得了很好的识别结果。     

基于深度学习的中文命名实体识别综述

命名实体识别作为信息抽取的核心任务,能够从文本中识别出各类命名实体。近年来,深度学习技术在字词表示、特征提取等方面上的应用,使中文命名实体识别任务取得了较为丰富的研究成果。目前,基于深度学习的中文命名实体识别技术,在特征提取的深度和模型的精确度上已逐渐超过了传统的基于规则的方法、基于特征工程的有监督方法和基于无监督的方法。围绕深度学习的识别框架,将现有基于深度学习的中文命名实体识别方法分嵌入层、编码层和标签解码层三部分进行介绍,并对未来可能的研究方向进行探讨和展望。     

生物医学文本中命名实体识别的智能化方法

介绍了使用机器学习方法进行生物医学文本命名实体识别的技术，包括Generalized Winnow算法、支持向量机方法和条件随机域模型。根据学习算法的特点，识别过程中使用了丰富的特征集，包括局部特征，全文特征及外部资源特征。各种类型特征的优化组合、识别结果的后处理包括缩写词识别和嵌套词识别以及边界校正等都提升了命名实体识别系统的性能。实验结果表明，通过上述策略的应用，系统取得了很好的识别结果。     

基于深度学习的行为识别算法综述

人体行为识别一直是计算机视觉研究中的热点.随着近几年人体行为识别在虚拟现实、短视频等方面的广泛应用, 以及深度学习算法的快速发展, 基于深度学习的行为识别算法层出不穷.相较于传统方法, 基于深度学习的行为识别算法具有鲁棒性强、准确率高的优点.基于此, 本文对近年来提出的基于深度学习的行为识别算法进行了梳理, 并对由双流卷积网络和3D卷积网络结构发展而来的行为识别的系列算法进行了重点介绍, 并总结了各种算法的性能和成果, 最后对该领域进行了展望.     

深度迁移学习在高光谱遥感图像分类中的研究现状与展望

高光谱遥感通过利用许多窄电磁波波段获取包含丰富的空间、辐射和光谱信息,在对地观测研究领域扮演着重要角色。随着深度学习的迅速发展,深度神经网络及深度森林等算法在高光谱遥感图像分类任务中得到广泛应用,但同时也产生了一系列困难,如对训练样本数量需求高、模型训练耗时以及分类代价大等问题。将深度学习与迁移学习结合,能够有效解决上述问题,在高光谱遥感图像分类领域得到初步应用。本工作首先介绍高光谱遥感图像分类的相关背景,之后介绍深度学习在高光谱遥感图像分类中的应用,并指出其具有的优势与不足,最后介绍深度迁移学习在高光谱遥感图像分类中的应用,并对当前研究存在的问题进行总结与展望。     

基于Transformer的人脸深度伪造检测技术综述

人脸深度伪造检测旨在对人脸图像和视频进行真伪鉴别，能为肖像权保护、虚假消息鉴定、网络诈骗防范等提供理论和技术支撑。早期的检测技术主要基于卷积神经网络(Convolutional Neural Networks,CNNs)实现，并取得了显著的效果，但普遍存在泛化性能不足的问题。为了进一步提高人脸深度伪造检测技术的泛化性，最新的研究工作开始引入一种基于自我注意力机制的深度神经网络Transformer，其具有长距离依赖建模能力和全局感受野，可用于捕捉到图像上下文关联和视频时序关系，有效提高了检测器的表征能力。本综述首先简要介绍了该领域研究背景，阐述了人脸深度伪造生成典型技术，然后对现有基于Transformer的检测技术进行总结和归纳，最后探讨人脸深度伪造检测技术面临的挑战和未来研究方向。     

二维人体姿态估计研究进展

人体姿态估计是人体动作行为识别与分析的基础,在计算机视觉领域有着广阔的应用前景。二维人体姿态估计算法可分为基于整体特征的、基于模型的和基于深度学习的3种:基于整体特征的人体姿态估计算法的研究集中在图像特征的提取和实现图像特征到部位定位的非线性映射函数上;基于模型的人体姿态估计算法的研究集中在人体模型、部位外观模型、搜索空间和推理算法四个方面;基于深度学习的人体姿态估计算法的研究集中在如何利用深度学习模型提取抽象图像特征和实现从图像到人体姿态的非线性映射两个方面。人体姿态估计研究虽已取得较好效果,但在估计准确度、收敛速度、鲁棒性和通用性等方面仍需进一步研究提高。     

一种基于卷积神经网络的人脸表情自动识别方法

针对传统机器学习方法在人脸表情识别上存在特征提取繁琐、表情识别准确率不高的问题,提出一种基于深度学习的人脸表情自动识别方法.设计了一个卷积神经网络模型,以原始图像数据为输入,中间以卷积层和池化层交替作为隐层进行特征自动提取,最后将提取到的特征数据映射到全连接层,并采用Softmax函数作为分类器计算分类得分概率,实现人脸表情的自动识别分类.在公开的人脸表情数据集CK+上进行实验,结果表明本文方法能更准确地识别人脸表情.