基于多尺度特征融合的遥感图像场景分类

为了解决遥感图像场景分类中因样本量小而分类精度不高的问题,提出了一种基于多尺度特征融合(MSFF)的分类方法。首先,对遥感图像进行尺度变换,得到同一遥感源图像的多个不同尺度图像。接着,将其分别输入深度卷积神经网络(DCNN)中进行卷积操作。然后,将各卷积层和全连接层提取出的不同尺度特征进行降维和编码/平均池化操作。最后,将各尺度特征进行编码融合并利用多核支持向量机(MKSVM)进行场景分类。在两个公开遥感图像数据集UCM Land-Use和NWPU-RESISC45中进行试验,分类精度最高分别达到98.91%和99.33%。本文方法能够利用不同尺度的图像特征,结合低、中、高层语义表示,使融合特征的可辨识性更高,同时使用多核支持向量机提高了深度网络学习的泛化能力,因此分类效果更好。     

基于特征融合的AGV小车图像数字识别方法

针对自动引导车上的图像数字在识别时受现场环境影响大的缺陷，提出了一种基于特征融合的自动引导车图像数字识别方法，它将各工位图像数字归一化处理后，提取灰度信息、改进的穿越线特征等特征量进行特征融合计算，并输出最后结果。现场运行实验表明：在有噪声的情况下，该方法不仅能够提高图像数字的识别率，并且对由环境影响所导致的图像数字局部污染与残缺具有很好的鲁棒性。     

基于区域特征与神经元网络的图像融合

图像融合的目的是把来自多传感器的数据信息合并成一幅新的图像,以改善图像的视觉效果.本文提出了一种基于区域特征和神经元网络的图像融合方法.首先把要融合的图像分成32×32的块,将图像块的区域特征作为RBF网络的输入.通过RBF网络,来融合图像.试验证明,该方法取得了较好的效果.     

基于多尺度特征融合网络的多聚焦图像融合技术

多聚焦图像融合技术是为了突破传统相机景深的限制,将焦点不同的多幅图像合成一幅全聚焦图像,以获得更加全面的信息。以往基于空间域和基于变换域的方法,需要手动进行活动水平的测量和融合规则的设计,较为复杂。所提出的方法与传统的神经网络相比增加了提取浅层特征信息的部分,提高了分类准确率。将源图像输入训练好的多尺度特征网络中获得初始焦点图,然后对焦点图进行后处理,最后使用逐像素加权平均规则获得全聚焦融合图像。实验结果表明,本文方法融合而成的全聚焦图像清晰度高,保有细节丰富且失真度小,主、客观评价结果均优于其他方法。     

基于高层特征融合的图像语义分割

在深度学习下的图像语义分割中,为了探究高层特征对于户外场景语义分割性能的影响,在对高层特征进行分析的基础上,提出了融合高层特征的图像语义分割方法。在目前主流深度学习框架Caffe下搭建的分割模型,并采用斯坦福8类户外场景数据集对模型进行了训练和测试。测试结果验证了该方法的有效性和准确性。     

基于多特征的红外与可见光图像融合

针对传统图像融合方法易导致融合图像整体对比度低及细节反差小的问题,提出一种多特征加权多分辨率图像融合方法。首先,对多尺度分解后的低频系数进行边缘特征、平均梯度特征的提取,同时对高频系数进行相关信号强度比特征的提取。然后,通过边缘特征级融合指导像素级图像融合得到高频系数;针对合成模块中简单加权法易引起边缘或纹理局部模糊的问题,提出分两种情况分别合成同一位置的多尺度分解系数。最后,通过平均梯度特征自适应加权得到融合图像的低频系数,并对低频和高频系数进行多尺度逆变换得到融合图像。实验表明,本文方法的融合性能优于经典的融合方法,其融合质量评价指标中的标准差、空间频率、信息熵和平均梯度分别提高了15.12%、4.30%、6.15%和3.44%。     

基于迁移学习的VGG-16网络芯片图像分类

针对芯片图像分类过程中图像数量过少、需要大量人工标注以及效率低的问题,提出一种基于迁移学习的VGG-16网络芯片图像分类方法。该方法通过VGG-16网络直接从原始像素中自动学习图像特征,有效减少人工标注的成本,同时对比了VGG-16网络模型和基于迁移学习的VGG-16网络模型的准确率及其混淆矩阵。实验结果表明,所提出的基于迁移学习的VGG-16网络模型对芯片图像分类效果要优于原VGG-16网络模型。     

基于多通道特征融合学习的印制电路板小目标缺陷检测

提出了一种多通道特征融合学习的印制电路板小目标缺陷检测网络 YOLOPCB,首先删除 YOLOv7 主干网络中最后一组 MPConv 层与 E-ELAN 层,去掉融合层的 ECU 模块与 20×20 的预测头,使用跨通道信息连接模块串联精简后的主干和融合网络;其次设计了浅层特征融合模块与新的 anchors 匹配策略,增加了两个低层次、高分辨率检测头;最后将 YOLOv7 主干网络中的 3 个 E-ELAN 作为输入,将融合层中最底部的 E-ELAN 和两个拼接模块作为输出,使用自适应加权跳层连接以增加同维度内信息量。 在 PCB Defect 公开数据集上平均精度达到 94. 9% ,检测速度达到 45. 6 fps;最后在企业现场制作的Self-PCB 数据集中,YOLOPCB 达到了最高精度 76. 7% ,比 YOLOv7 检测精度提升了 6. 8% ,能有效提高印制电路板小目标缺陷检测能力。     

基于改进神经网络的图像融合技术

传统图像融合技术存在融合后图像边缘清晰度低的问题,为此,引入改进神经网络,提出一种图像融合技术的设计方法.通过分析改进神经网络的理论概述,提出基于改进神经网络构建脉冲融合数学模型的方式,对图像融合中的行为进行数学描述与约束.同时,根据每个神经元在网络中的不同状态,制定图像融合行为实施规则,对其附近区域内的神经元信息进行...     

乳腺肿瘤超声图像的特征分析

基于乳腺肿瘤良恶性在超声图像的不同特征,利用计算机自动识别,作为医生的辅助诊断.方法的步骤为本文先在常用超声仪上获得乳腺肿瘤超声图像,接着从图像中自动提取肿瘤边缘,然后自动提取不依赖于超声仪系统的特征参数,用特征选择器选择出最优特征矢量,最后经分类器判别乳腺肿瘤的良恶性.实验基于200例病例随机划分为训练集和测试集各半进行测试,获得结果Accuracy为0.960,Sensitivity为0.982,Specificity为0.935,PPV和NPV分别为0.946和0.977,结果表明本文方法泛化能力强,可以作为识别乳腺肿瘤良恶性的一种辅助手段.     

多模态特征融合与多任务学习的特种视频分类

特种视频(本文特指暴力视频)的智能分类技术有助于实现网络信息内容安全的智能监控。针对现有特种视频多模态特征融合时未考虑语义一致性等问题,本文提出了一种基于音视频多模态特征融合与多任务学习的特种视频识别方法。首先,提取特种视频的表观信息和运动信息随时空变化的视觉语义特征及音频信息语义特征;然后,构建具有语义保持的共享特征子空间,以实现音视频多种模态特征的融合;最后,提出基于音视频特征的语义一致性度量和特种视频分类的多任务学习特种视频分类理论框架,设计了对应的损失函数,实现了端到端的特种视频智能识别。实验结果表明,本文提出的算法在Violent Flow和MediaEval VSD 2015两个数据集上平均精度分别为97.97%和39.76%,优于已有研究。结果证明了该算法的有效性,有助于提升特种视频监控的智能化水平。     

基于多特征融合的汉英口语翻译自动评分方法研究

汉英口语翻译自动评分不仅仅可以提高评分的效率,同时也可以确保评分的公正客观性.本文提取了汉英口语翻译自动评分的相似度特征、句法特征和语音特征,得到了用于自动评分的11个特征.以某大学英语专业口语翻译课程考试所采集的语音信号为例,最终获得了包含8个特征的汉英口语翻译自动评分模型.结果表明,在去除特征之后,汉英口语翻译自动...     

基于像素分类的自适应SAR图像融合算法

提高纹理清晰度、保护边缘信息是合成孔径雷达（SAR）图像融合的重要目标。针对该问题,提出了一种基于像素分类的自适应SAR图像融合算法。首先使用canny算子提取图像的边缘并分类,然后利用混合高斯模型和隐马尔可夫树模型对小波系数进行建模;在此基础上使用EM算法求得模型参数,并进一步得到隐状态的概率,也就确定了小波系数的混合高斯分布;接着对两个待融合小波系数不同的类型组合采用不同的融合策略,并以隐状态概率加权;最后通过小波反变换、边缘分类增强获得融合以后的图像。实验结果表明,和传统的融合算法相比,该算法取得了更好的融合效果。     

基于多元神经网络融合的分布式资源空间文本分类研究

针对实体产业对科技资源的服务需求,以服务效应作为资源文本分类标准,提出一种基于多元神经网络融合的分布式资源空间文本分类模型。设计了包含词嵌入层、卷积层、双向门控循环单元层、注意力机制层和softmax层的多元神经网络通路;在此基础上采用基于需求—效应—资源分类策略,完成了从定性科技资源需求到定量资源服务效应求解,再到定性科技资源输出的映射变换,重点解决了分布式科技资源局部和全局语义特征形式多样、文本长距离依赖特征显著、重要资源信息难以准确识别的问题,进而从分布式科技资源空间中快速准确地获取效应知识,提升实体产业产品研发效率和创新能力;通过万方专利科技资源数据集验证了所提方法的可行性和有效性,为更加全面地挖掘资源文本特征和按需服务实体产业提供了一种新的思路和手段。     

基于Curvelet变换的遥感图像融合研究

Curvelet变换是继小波变换之后,更适合图像处理的一种新的多尺度变换分析方法,相比小波而言,它更加适合分析二维图像中的曲线或直线状边缘特征,而且具有更高的逼近精度和更好的稀疏表达能力,同时也具有很强的方向性.本文论述了Curvelet变换的理论和实现算法,基于考虑图像中的那些弱的边缘,提出了一种利用Curvelet变换进行遥感图像融合的方法.实验结果分析表明:将Curvelet变换引入图像融合,能够更好地提取原始图像特征,为融合图像提供更多信息,使融合图像在较好地保留光谱信息的同时,空间细节信息得到增强,优于典型的IHS变换、主分量变换及小波变换图像合方法.     

神经网络信息融合及其在球磨机测量中的应用

火电厂中钢球磨煤机筒内存煤量的测量问题一直是制粉控制效率低和自动控制难以投入运行的主要原因之一,针对D-S证据理论存在的不足,而利用神经网络具有的自组织、自学习,并行分布处理、高度容错性和鲁棒性的特点,本文提出了一种将证据理论与模糊理论相结合的模糊证据理论方法并将其用于解决球磨机存煤量的测量问题。融合结果表明该方法用于存煤量的测量能够有效判别出存煤量的数值范围及变化趋势,为球磨机自动控制的投入和运行操作提供了有效的保证。     

基于DBN的故障特征提取及诊断方法研究

随着装备日趋复杂化,依靠专家经验或信号处理技术人工提取和选择故障特征变得越来越困难。此外,以BP神经网络、SVM为代表的浅层模型难以表征被测信号与装备健康状况之间复杂的映射关系,且面临维数灾难等问题。结合深度置信网络(DBN)在提取特征和处理高维、非线性数据等方面的优势,提出一种基于深度置信网络的故障特征提取及诊断方法。该方法通过深度学习利用原始时域信号训练深度置信网络并完成智能诊断,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智能诊断,该方法对时域信号没有周期性要求,具有较强的通用性和适应性。在仿真数据集和轴承数据集上进行了故障特征提取和诊断实验,实验结果表明:本文提出的方法能够有效地从原始信号中进行多种工况、多种故障位置和多种故障程度的故障特征提取和诊断,并且具有较高的故障识别精度。     

基于轻量深度学习网络的机房人物检测研究

机房内的服务器受到破坏、信息泄露等问题时将对电网系统造成不可逆转的损失。该文提出一种基于轻量级深度学习网络的机房人物检测方法,以实时提醒管理人员监控视频中的异常信息。该方法以MobileNet作为特征提取网络,并调整SSD中的特征金字塔结构使其更适应于机房环境中的人物检测。以某电网系统机房为平台进行检测实验,结果表明,该方法较好地完成了机房人物检测任务,满足对视频流分析时的精度及实时性需求。     

基于深度卷积神经网络的车标分类

基于深度学习框架Caffe和具有强大计算能力的GPU,运用深度神经网络AlexNet和GoogleNet,对具有不同背景的汽车图像进行网络训练,以达到车辆自动识别的目的。分别对4类车标进行网络训练与测试,实验结果表明,在图像识别分类方面,与传统识别方法相比,深度卷积神经网络更具优势。     

基于多模态信息融合的图像情感标注方法

随着互联网中图像资源的不断增长,情感作为图像的一个重要语义,是人们检索和选择图像的重要依据,因此对于图像进行情感标注显得至关重要。结合脑电信号(EEG)和图像内容,提出了一种基于多模态信息融合的图像情感标注方法。首先,提取EEG频域特征及图像特征(颜色及纹理);其次,结合两者特征信息,基于两种融合策略(特征层和决策层),构建支持向量机分类模型,进行图像情感识别与标注。为了评估方法的有效性,使用国际情绪图片系统公共数据集进行了实验验证。结果表明,提出的多模态信息融合图像情感标注方法优于单独使用EEG或图像内容的标注方法。此外,该成果有助于缩小低层视觉特征和高层情感语义之间的语义鸿沟。