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.     

奇异值分解在粮虫检测系统中的应用

简介了基于图像处理的粮虫检测系统的结构,阐明了图像增强和图像压缩对于检测系统的意义。接着介绍了奇异值分解的基本理论,并应用该理论实现了图像的增强,还原和压缩。基于Matlab7.1仿真实验表明将奇异值分解应用于粮虫检测系统中是有效的。     

针对密码芯片数据搬移能量曲线的机器学习攻击

机器学习和传统侧信道攻击技术中的模板攻击有类似的处理过程,它们都由学习和测试两个阶段组成。模板攻击可以看作是有监督学习的分类技术,而机器学习领域也有很多这样的分类算法。为了探索机器学习算法在侧信道攻击中的应用,以实际密码芯片中的数据搬移操作为攻击对象,研究了一些机器学习算法利用已知搬移数据值的能量曲线,对新的能量曲线的搬移数据值的预测效果。结果表明,在采用一条能量曲线进行测试时,一些机器学习算法比模板攻击预测的正确率更高。     

光伏航拍红外图像的热斑自动检测方法

针对光伏电站传统巡检技术的高成本、低效率以及准确率不高等问题,提出二阶段式的航拍红外图像热斑检测方法,实现对红外图像中热斑缺陷的组件级定位及精细化分类诊断. 该方法将传统图像处理技术与深度学习方法融合,进一步提升缺陷诊断的准确率与效率. 基于航拍红外图像前、后景灰度值的差异,提出基于边缘检测的组件分割方法来提取光伏组件轮廓以实现组件级定位,该方法以相对较小的硬件需求实现光伏组件有效检出率可达99.3%. 考虑到热斑成因、危害及对应处理方式的差异性,提出基于EfficientNet的红外缺陷分类模型对热斑进行精细的四分类,为电站运维人员提供更为精准的决策支撑,该模型在空间占用20.17 MB的情况下获得97.0%的热斑分类准确率. 经过实验对比分析,论证了本研究所提出的方法在缺陷诊断的效率以及准确率上都较高.     

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.     

基于相对熵阈值法的储粮害虫图像分割

介绍了储粮害虫智能检测系统的图像采集、图像增强、特征抽取及其识别分类,阐述了相对熵阈值分割算法,利用该法进行粮虫图像的在线分割,效果较好,通用性强.     

基于迭代法和连通域的储粮图像粮虫分割算法

提出了一种迭代法与连通域相结合的粮虫分割算法,以实现机器视觉在线检测储粮粮虫系统中储粮图像粮虫的分割.该算法先运用迭代法对粮样图像进行预分割;然后用连通域和粮虫图样的面积作为判别依据将图像进一步分割.算法中以单个粮虫形态阈值平均值作为迭代法的迭代处理,大大加快了算法收敛速度;而连通域方法的运用,有效弥补了迭代法在图像分割中的不足.     

基于机器视觉的谷物品种识别研究进展

品种纯度是谷物种子重要的质量指标,种子质量安全直接关乎国家粮食安全。国标规定的品种纯度鉴定采用形态鉴定法和苯酚染色法,鉴定结果受制于检验人员的经验且耗时较长。近年来,机器视觉技术和机器学习、深度学习算法发展迅速,在谷物品种识别和纯度、净度检测中取得了较大进展。主要从图像采集、图像预处理以及机器学习、深度学习技术在谷物品种识别领域的应用等方面进行归纳,分析了目前取得的研究成果以及存在的问题,对该领域未来研究重点进行了展望。     

基于深度学习的仓储货物监控方法研究

针对传统仓储货物监控存在对管理人员依赖程度较高,并且在发生失窃时不能及时报警等问题,本文设计了一种基于深度学习的仓储货物监控方法.通过摄像头定时抓取图像,获取一定时间间隔的两张图像,采用图像粗定位处理检测图像变化区域,并利用深度学习网络,识别变化区域是否为目标物,实现对仓储货物实时有效地监管和自动报警功能.同时,以仓储...     

基于深度卷积神经网络的车型识别方法

针对现有车辆车型视觉识别技术中的检测精度不高、难以适应天气环境变化、难以从视频图像中准确提取出用于识别的车辆图像、难以对车辆车型子类进行识别分类、难以兼顾识别精度和检测效率等不足,将深度卷积神经网络引入车辆目标定位、识别和分类（子类）问题中.利用深度卷积神经网络自动完成车型的深度特征学习,在特征图上进行逻辑回归,从道路复杂背景中提取出感兴趣区域;利用softmax分类器训练特征实现车型识别;为了优化softmax在深度卷积神经网络分类过程中出现的类内间距大的问题,引入中心损失函数对softmax损失函数进行优化,提高类间分散性与类内紧密性.在BIT-Vehicle车型数据集中的实验结果显示,提出方法的平均精度为89.67%,检测和识别时间为159 ms;与传统的分类方法相比,识别精度提高约20%,效率提高10倍以上,检测鲁棒性有明显提升;与未改进前的深度卷积神经网络相比,检测精度提高0.6%,速度提高0.29倍.     

重构迁移学习的红外目标分类

红外图像目标分类在目标识别等领域有重要的应用价值,目前卷积神经网络在可见光图像分类方面达到了优异的性能。但对于红外图像来说,由于有标记样本数量少和图像成像差异大,直接使用现有的网络模型来处理红外图像无法取得理想效果。该文将可见光图像作为源域,将红外图像作为目标域,在深度网络中使用迁移学习方法来解决此问题。在迁移学习中,目标域网络提取的特征越能体现出本域数据的真实分布,那么在此基础上进行两个域的分布适配就更加有效,迁移后的目标域网络性能和泛化能力越好。该文首先利用大量无监督的红外样本训练了红外图像深度卷积自编码器,增强了红外图像域网络的特征表达能力。其次,通过减小源域和目标域的特征分布距离,使得两个图像域特征分布相似,从而将源域中深度网络的学习能力迁移到目标域。经过上述改进,相比于可见光图像预训练微调的方法,分类准确率提升了11.27%。     

图像特征检测与匹配方法研究综述

几十年来,图像特征检测与匹配一直是图像处理的最核心领域之一,是计算机视觉的基石.没有特征检测与匹配就没有SLAM、Sfm、AR、通用图像检索、图像配准、全景图像等视觉任务.本文在回顾几十年来的经典检测算法的基础上,阐述了引用最新的以深度学习为首的机器学习算法后,在本领域取得的最新进展,包括特征点、局部特征子、全局特征子、匹配及优化、端到端框架等所有关键点,展示了算法各自的优缺点.总而言之,面对工业界的宽基线、实时、低算力检测的要求,图像特征检测和匹配仍然是一项未能完整攻克的任务,融合特征点、局部特征子、全局特征子、匹配及优化的多任务全局框架成为未来发展的趋势.     

网络空间安全与人工智能研究综述

网络空间安全与人工智能间存在广泛的研究结合点。一方面,人工智能技术成为网络空间安全技术难题的重要解决手段,越来越多的研究基于人工智能去构建恶意代码分类、入侵检测以及网络态势感知的智能模型。另一方面,人工智能技术本身具有一定脆弱性,带来诸如对抗样本攻击等新的漏洞。人工智能模型需要先进的网络安全防御技术来抵御对抗性机器学习攻击,保护机器学习中的隐私数据,构建安全的联合学习模型。综述了网络空间安全与人工智能研究的契合点。首先,总结了在使用人工智能对抗网络攻击方面的现有研究成果,包括采用传统的机器学习方法和现有的深度学习解决方案。然后,分析了人工智能模型自身可能遭受的攻击,并对相应的防御方法进行了分类。     

基于机器学习的网络流量分类综述

网络流量分类对于网络优化、网络安全预警、用户个性化服务等具有重要意义。随着通信和信息技术的发展，传统的基于端口以及深度包检测的分类方法由于私有协议的广泛应用已不能满足需求。基于机器学习的分类算法被应用于流量分类研究，但加密技术为流量分类的特征提取带来一定难度。首先总结了网络流量分类的基本流程；其次分析了分类粒度及其应用场景，并对目前流量分类的主要技术按照监督学习、半监督学习、无监督学习进行了分类研究；最后对网络流量分类技术的发展趋势及面临挑战做了展望，为网络流量分类研究提供一定的参考。     

自适应控制深度学习和知识挖掘图像分类

针对传统分类方法的局限性,提出了一种深度学习结合知识挖掘的零样本图像自适应控制图像分类算法.利用对图像属性的深度学习来实现图像深层次特征及属性的学习和预测,基于图像的属性-类别映射使分类器性能有较大差异,通过稀疏表示模型挖掘图像类别和属性之间的关系并设计自适应控制的属性分类器实现对图像的分类操作.结果表明,与DBN和SVM算法相比,在监督模式和零样本模式下,该算法具有较高的属性预测准确度.在零样本情况下对Shoes数据集进行分类时,该算法具有最高的准确分类识别率,比其他算法的分类识别率提高了15%.     

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。     

一种快速排序筛选SAR图像目标CFAR检测算法

传统SAR图像目标CFAR检测算法通常针对低分辨率图像,目标在高分辨率图像中表现为扩展目标时难以获得较好的检测性能.为解决高分辨率SAR图像的目标检测问题,借鉴3种传统CFAR检测算法,研究了一种快速排序筛选SAR图像目标CFAR检测算法.该算法引入杂波像素排序筛选机制,通过获取候选目标区域减少CFAR检测像素点,针对滑窗移动时杂波像素大量重合进行参数快速估计.实验结果表明,该算法与传统CFAR算法相比,在检测效果和检测效率上都有显著提升;而SAR图像的检测性能与筛选深度有关.     

动态场景图像去模糊技术研究进展

模糊是图像退化的主要降质因素之一,图像去模糊技术一直是计算机视觉和图像处理领域的一个重要课题,广泛应用于安防、刑侦、交通、金融、医疗图像等领域.首先,对传统去模糊算法进行阐述并说明其存在的问题.然后,在此基础上对现有基于深度学习的图像去模糊方法进行综述并分析了算法存在的优势与不足,着重讨论了基于动态网络的非均匀模糊处理新趋势.最后,结合最新的研究成果,展望了图像去模糊技术未来的发展方向.     

基于遮挡目标去除的公交车拥挤度分类算法

由于公交车中场景复杂、干扰因素繁多容易出现遮挡乘客问题,现有深度学习和目标检测方法在对公交车内的拥挤程度分类时精度低、效果差,往往达不到令人满意的效果。针对这一问题,提出一种基于遮挡目标去除的公交车拥挤度分类算法,对公交拥挤进行分类和分析。该方法有遮挡物检测、图像去遮挡和拥挤度分类模块三部分组成。基于目标检测算法检测出遮挡物,通过图像修复算法对乘客图像进行修复,利用拥挤度分类算法分析拥挤度。本研究从真实的公交车中采集数据生成数据集,并进行标注。试验结果表明,基于遮挡目标去除的分类算法的准确率达到了67.12%,与现有的方法对比具有最高的预测精度。     

基于改进卷积神经网络的藻类分类与识别方法

通过观测水体中海藻的种类和数量对水质的影响,达到预防藻类污染和检测水质好坏的 目的.基于改进卷积神经网络与深度学习 目标检测模型相结合的方法对藻类图像的大小、形态等特征进行提取与训练,实现藻类图像的识别分类.实验结果表明,运用改进的卷积神经网络和目标检测模型使得藻类识别的平均准确率达到95％以上,有效避免了过拟合的现象.该方法用于水质检测可以有效地解决由于人工识别分类带来的误差,减少人力输出,提高效率.