伴随二元关系粒运算的布料色卡图像检索模型

伴随二元关系的信息粒的加粗、加细、信息粒之间的并和交等的运算法则,为实现信息粒之间的有机联系与不同层次上的信息粒之间的变换提供了一种简单且有效的实现模型。针对布料制品加工领域中存在的找料难和分类难等问题,提出一种基于伴随二元关系粒运算体制的布料卡图像检索模型。采用粒计算方法构建具有不同粒度的布料色卡图像粒度空间,基于伴随二元关系粒运算体制的布料色卡图像检索方法以模拟人类识别与检索图像的方式对布料色卡图像进行检索,旨在有效解决了目前布料制品加工领域中存在的找料难和分类难的问题。基于所提出的模型,一个实际所开发的系统已经得到初步应用。     

多分辨批量古典建筑图像深度学习检索算法

针对传统的模糊BP分类识别方法进行多分辨建筑图像检索误分率较高的问题,提出了一种基于深度学习神经网络分类和多特征融合的多分辨古典建筑图像检索算法。采用小波降噪方法对模糊图像进行降噪处理,对降噪后的图像采用LGB向量量化算法进行特征分解,采用颜色分量融合方法进行图像的信息增强处理,提取图像的灰度不变矩特征量。将提取的特征量输入BP神经网络分类器中,在检索器的隐含层采用深度学习算法进行图像特征聚类的自适应寻优,进行多特征融合处理,避免聚类中心扰动,实现了对批量多分辨古典建筑图像检索的优化。仿真结果表明,采用该算法进行多分辨古典建筑图像检索的准确性较好,抗类间属性扰动能力较强,图像输出的查全率较高,图像检索的时间开销较小。     

基于Android的色卡识别系统的设计与实现

针对箱包企业在原料采购过程中找料难的问题,结合目前Android智能手机的普及,基于Android系统开发了一个色卡识别系统移动端。系统结合基于HSV颜色空间的主色权重直方图和带参数的LBP算子提取色卡的颜色和纹理特征,基于粒计算构建识别模型,针对用户特定需求,使用4种匹配模式结合颜色和纹理特征进行色卡识别。系统使用CS架构、MVC框架,做出概要设计后详细设计各个模块。在完成系统的开发后,系统在华为C8816上进行真机测试。结果表明:系统运行流畅,无卡顿等异常现象,达到预期效果,性能测试也表明系统具有较高的实用价值。 更多还原     

基于Gabor滤波器和深度学习的图像检索方法

针对图像数据库日渐庞大的问题,研究了将特征提取与深度学习相结合进行图像检索的方法,提出了基于Gabor小波变换和受限玻尔兹曼机(RBM)的特征提取和降维模型.将整幅图像划分成局部图像块,利用Gabor滤波器组提取图像特征,通过RBM对特征进行学习和编码,从而实现图像特征的降维处理.采用基于深度信念网络(DBN)和Softmax分类器的图像检索算法,利用Corel图像库进行新方法的图像检索实验,并与其他两种方法进行比较.结果表明,本文方法在准确率、查全率和检索时间上均具有较好的性能,能得到更好的图像检索结果.     

利用深度图像改进光场描述符的三维模型检索算法

针对光场描述符丢失三维模型空间信息以及全景视图描述符投影视图较少的问题,提出一种结合深度图像的三维模型检索算法. 该算法引入深度图像对光场描述符加以改进,得到投影视图后,分别提取其离散小波变换特征和Zernike矩特征;然后对深度图像进行聚类去掉冗余信息,并通过随机游走算法来确定每一类的权重,以更好地反映类间关系;最后设计改进全景视图相似距离计算方法,用于进一步的三维模型检索. 在普林斯顿模型库上的实验结果表明,该算法有效利用了三维模型空间信息,提高了检索精确度.     

鞋印图像检索研究现状与发展趋势

鞋印是案发现场中常见的物证痕迹,查询比对鞋印图像是重要的刑侦技术.从基于文本和基于内容两个方面出发,综述鞋印图像检索的研究进展.针对基于内容的鞋印图像检索,介绍底层视觉特征提取、高层语义学习和检索结果评价等关键技术,以及鞋印图像数据库和鞋印图像检索的应用场景.最后,结合公安刑侦领域的实际需求,探讨鞋印图像检索技术的未来...     

CNN视觉特征的图像检索

卷积神经网络( CNN)是当前图像识别领域的研究热点,利用预训练的CNN网络提取的图像特征展示出了较强的图像识别能力。主要对比分析了传统视觉特征和CNN视觉特征在基于内容图像检索任务中的性能表现,并指出了一些可以值得深入研究的方向。在两个公开数据库(Pascal Sentence和Pascal VOC 2007)的实验尝试表明CNN视觉特征比传统的视觉特征更适用于图像检索。     

CNN视觉特征的图像检索

卷积神经网络(CNN)是当前图像识别领域的研究热点,利用预训练的CNN网络提取的图像特征展示出了较强的图像识别能力.主要对比分析了传统视觉特征和CNN视觉特征在基于内容图像检索任务中的性能表现,并指出了一些可以值得深入研究的方向.在两个公开数据库(Pascal Sentence和Pascal VOC 2007)的实验尝试表明CNN视觉特征比传统的视觉特征更适用于图像检索.     

基于深度特征与局部特征融合的图像检索

为了提高准确率与效率,提出一种基于深度特征与局部特征融合的图像检索方法,选择深度特征作为全局特征,局部特征采用加速不变特征(speeded up robust features,SURF)和局部二值模式(local binary pattern,LBP)等.为了解决典型相关分析(canonical correlation analysis,CCA)的特征融合方法存在信息缺失、信息冗余2个缺陷的问题,将目标函数改进为最小化特征之间的相关性,求解出变换基,通过投影变换得到2种特征中各自所包含的独立性信息,在此基础上加入其中一方所包含的相关性信息,得到最终的融合结果.改进后的融合方法能够更加全面地表征原始数据,同时消除冗余信息.在实验中,首先通过图像分类的应用验证了深度特征与LBP特征融合具有较好的判别能力,平均分类准确率达到99.1%,同时具有较高的时间效率.通过实验讨论不同维度对特征融合性能的影响,结果表明,增加特征选择的维度能够在一定程度上提高分类准确率.最后,验证基于深度特征与局部特征融合的图像检索方法,计算融合特征的相似性距离,根据距离度量得到检索排名.在实验数据集上查准率为98....     

图像数据挖掘的模型和技术

图像获取和存储技术的进步使人们每天都可以获取大量的包含很多对有用的信息图像数据,但缺乏有效的工具分析这些数据。图像数据挖掘的任务就是分析、提取海量图像中隐含的有用的信息和模式,发现图像数据间的关系。图像数据挖掘并不只是数据挖掘在图像领域的简单应用,它是一门包括计算机视觉,图像处理,图像检索,数据挖掘,机器学习,数据库和人工智能等的综合学科。本文将介绍现有的图像数据挖掘的模型和技术。     

基于深度学习的单幅图像三维重建算法

图像三维重建在逆向工程、人工智能等领域广泛应用基于深度学习利用单幅图像重构出三维模型,已经成为当前研究的热点。文章首先综述单幅图像三维重建的研究现状,重点研究基于体素表达的3D-R2N2、基于点云表达的PSGN、基于单片网格表达的Pixel2Mesh和基于多片三角形网格表达的AtlasNet四种算法,通过实验对比研究,来分析解决不同任务与输出模型不同表达方式的选择问题。     

图像检索研究进展

多媒体信息检索是当前计算机科学与信息技术的研究热点之一,图像检索是多媒体信息检索技术的一个重要组成部分。本文阐述了图像检索研究的历史、现状及未来的研究方向。     

基于深度卷积网络的图像分类算法研究

卷积神经网络在有大量训练数据的基础上,其分类精度已经可以超过支持向量机(SVM)分类精度。将图像分类算法应用于标准数据集CIFAR-10是测试算法性能和精度的一种方法,在此数据集中分别以3k批次和100k批次的数据训练深度卷积网络,可以分别达到70%和80%以上的分类精度。     

基于AlexNet深度学习模型的中草药植物图像分类研究与实现

本文研究了卷积神经网络中AlexNet模型在5种中草药图像分类过程中的应用。通过Python爬虫算法爬取百度图片中5类中草药3 000张图片,并通过数据增扩算法将数据集扩增到12 000张,以满足模型训练的需求。为了提高训练的效率将数据集转换成LMDB格式,并采用减均值的方式加快模型收敛,以最大限度平衡用CPU训练带来的训练周期过长的影响。合理调整模型参数,经过300次迭代得到87.5%的分类准确率。     

基于流形学习的图像检索算法研究

流形学习以发现非线性高维数据的本质维数为目标,使其更适合数据分析和高维数据的降维。图像检索中“语义鸿沟”问题指的是高维数据空间与低维的语义子空间之间的鸿沟,虽然利用相关反馈机制可以缩小这种鸿沟提高准确率,但是因为反馈图像数目较少,图像特征维数相对较高,会容易产生维数灾难问题。流形学习的引入为解决这一难题带来了新的希望,因为通过流形学习的方法学习高维图像特征数据的本征维数用于图像检索,大大提高了检索性能。基于流形学习的图像检索算法都是半监督的流形学习,充分利用了反馈信息,学习查询图像的语义子空间,有效的实现了高维数据的降维。     

基于深度学习编码模型的图像分类方法

针对矢量量化编码的量化误差严重,而稀疏编码只是一种浅层学习模型,容易导致视觉词典对图像特征缺乏选择性的问题,提出了一种基于深度学习特征编码模型的图像分类方法。首先,采用深度学习网络无监督的受限玻尔兹曼机（RBM）代替传统的K-Means聚类及稀疏编码等方法对SIFT特征库进行编码学习,生成视觉词典;其次,对RBM编码添加正则化项分解组合每个特征的稀疏表示,使得生成的视觉单词兼具稀疏性和选择性;然后,利用训练数据的类别标签信息有监督地自上而下对得到的初始视觉词典进行微调,得到图像深度学习表示向量,以此训练SVM分类器并完成图像分类。实验结果表明,本文方法能有效克服传统矢量量化编码及稀疏编码等方法的缺点,有效地提升图像分类性能。     

基于意象认知模型的图像检索技术

鉴于在产品造型设计过程中设计师对于图像检索技术的需求,提出了塑料产品的意象认知模型,并构建了基于该模型的意象看板系统（E-image board system）.该系统运用语意差异法分别建立了塑料椅子的形态和材质意象认知模型,利用距离分布直方图（DDH）结合Hu不变矩的形状提取与表示算法,提取和表示产品图像中的形态特征,采用纹理谱表示方法提取和表示产品图像中的纹理特征,并运用相似性度量和图像意象的相关度标注技术进行系统数据库的扩充和标注.该技术克服了传统检索方式不能体现用户意象的问题,满足了设计师利用意象词汇检索符合用户意象认知模型的产品图像的需求.     

深度学习的人体图像半自动标注系统

针对目前数据标注过于依赖硬件、手动数据标注效率低下的问题,提出了基于深度学习的人体图像半自动标注系统.系统通过对算法进行改进,增加人体关键点个数进行特征提取和加入运动信息的约束,提高了视频分阶段标注的准确率.使用真实数据集仿真实验证明了通过深度学习算法进行数据标注的可行性,并且使用半自动标注的速度快、准确率高.     

基于深度学习的眼底图像辅助诊断系统设计

目前多数眼底图像分类方法主要针对单一类别疾病不同级别进行分类,且网络模型存在参数量大、计算复杂等问题。基于轻量化的SqueezeNet深度学习模型,设计了一种实现多标签眼底图像辅助诊断系统。在公开数据集ODIR上进行训练和验证,实验结果表明该系统具备强大的特征提取能力,可以在非大幅降低模型精度的情况下最大程度地提高系统的运行速度、降低系统内存消耗。该基于深度学习的眼底图像辅助诊断系统适合于硬件部署,可以为人工智能应用于计算机辅助医疗设备中提供一定的参考价值。