改进的基于深度学习的遥感图像分类算法

针对传统的基于深度学习的遥感图像分类算法未能有效融合多种深度学习特征，且分类器性能欠佳的问题，提出一种改进的基于深度学习的高分辨率遥感图像分类算法。首先，设计并搭建一个七层卷积神经网络；其次，将高分辨率遥感图像样本输入到该网络中进行网络训练，得到最后两个全连接层输出作为遥感图像两种不同的高层特征；再次，针对该网络第五层池化层输出，采用主成分分析（PCA）进行降维，作为遥感图像的第三种高层特征；然后，将上述三种高层特征通过串联的形式进行融合，得到一种有效的基于深度学习的遥感图像特征；最后，设计了一种基于逻辑回归的遥感图像分类器，可以对遥感图像进行有效分类。与传统基于深度学习的遥感图像分类算法相比，所提算法分类准确率有较高提升。实验结果表明，该算法在分类准确率、误分类率和Kappa系数上表现优异，能实现良好的分类效果。     

基于深度学习和迁移学习的水果图像分类

图像识别作为深度学习领域内的一项重要应用,水果图像的分类识别在智慧农业以及采摘机器人等方面具有重要应用。针对以往传统图像分类算法存在泛化能力差、准确率不高等问题,提出一种在TensorFlow框架下基于深度学习和迁移学习的水果图像分类算法。该算法采用Inception-V3的部分模型结构对水果图像数据进行特征提取,采用Softmax分类器对图像特征进行分类,并通过迁移学习方式进行训练得到迁移训练模型。测试结果表明,该算法与传统水果分类算法对比,具有较高识别准确率。     

结合多维度特征的病理图像病灶识别方法

长时间的病理图像人工诊断会使医生产生视觉疲劳，误诊和漏诊情况容易发生。针对以上现象，提出一种结合卷积神经网络中多维度特征的方法，快速准确识别出病理图像中的病灶区域。使用感兴趣区提取及图像裁剪获得小尺寸图块数据；使用染色校正的方法以解决图块染色不均，对比度弱等问题；搭建深度学习模型，使用多组深度可分离卷积提取不同尺度的特征，加入残差连接以避免梯度消失，联合不同维度的特征信息以提高特征利用率。实验结果表明，染色校正能够提高预测准确率，上述模型具有参数少、鲁棒性强的特点，最终对病理图像病灶的识别均能达到较高的准确率，假阳性及假阴性均较低，未来将具有广泛的应用前景。     

基于一维卷积神经网络的恶意代码家族多分类方法研究

为了提取有效的恶意代码特征,提高恶意代码家族多分类的准确率,提出一种改进模型.该模型将恶意代码的特征映射为灰度图,使用改进的恶意样本图像缩放算法进行图像的规范化处理,基于VGG模型构建一维卷积神经网络分类模型ID-CNN-IMIR.实验结果表明,恶意代码特征的提取和处理提升了分类效果;对比经典的机器学习算法、二维卷积神经网络、其他基于深度学习的恶意代码分类模型,ID-CNN-IMIR分类准确率是最好的,达到98.94％.     

基于内窥镜图像的胃出血检测算法设计

针对传统内窥镜图像中微小出血病灶特征丢失导致出血点检测准确率低的问题,提出基于深度卷积神经网络的内窥镜图像胃出血检测算法。首先,利用深度卷积神经网络提取内窥镜图像中的出血点特征;然后通过多尺度区域建议神经网络从特征金字塔中筛选出血目标的候选区域;之后构建自顶向下的特征网络进行目标浅层特征和深层特征融合,由此实现微小出血点的精准检测。实验表明,在微小出血病灶检测中,本方法的灵敏度、精确率和F1值分别取值为97.75%、94.52%和96.53%,相较于传统的DCNN出血检测方法分别高出了10.42%、12.85%和10.41%。而在复杂出血病灶图像中,本算法的检测率明显高于Faster RCNN算法。由此证明,本算法可有效解决内窥镜图像的特征丢失问题,检测准确率显著提升,具备较高的出血检测性能。     

三维纹理图像特征准确识别技术仿真研究

研究场景构建中纹理图像的三维特征识别,提高识别准确率。由于图像的效果取决于纹理识别,在三维空间中分析纹理图像时,仅使用聚类算法利用三维图像的空间坐标和三维像素灰度特征对其进行分类识别,忽略了不同方向光照对纹理图像的影响而简单聚类分类,导致因提取的特征信息不足而造成识别准确率不高的问题。因此,提出了一种机器学习的三维特征识别方法。通过变换光照的角度得到不同光照下的纹理图像,提取出多面光照下的三维图像特征信息,并利用机器学习算法对特征信息进行准确训练和分类识别,可避免聚类算法利用信息不足的特征进行分类而造成的识别准确率不高的问题。实验表明,这种方法能够有效提取出特征信息并进行准确分类,具有较高的识别准确率,取得了满意的结果。     

基于线性解码和深度回归预测的图像分类算法

针对图像分类研究中的分类器输入范围限制和缩放问题,提出一种基于线性特征解码和深度回归模型图像分类算法。首先,通过线性解码器学习低分辨率图像的特征参数;然后,运用学习到的特征对原始高分辨率图像进行卷积和池化操作,得到特征矩阵;再通过Softmax回归模型对图像进行深度学习和分类;最后用距离度量算法得到图像分类结果。实验结果从多方面对比和验证了该方法在分类效率方面超越了传统的误差反向传播算法BP和K最近邻分类算法KNN。     

实时动作识别方法研究

针对传统RGB视频中动作识别算法时间复杂度高而识别准确率低的问题,提出一种基于深度图像的动作识别方法。该方法首先对深度图像在三投影面系中进行投影,然后对三个投影图分别提取Gabor特征,最后使用这些特征训练极限学习机分类器,从而完成动作分类。在公开数据集MSR Action3D上进行了实验验证,该方法在三组实验上的平均准确率分别为97.80%、99.10%和88.35%,识别单个深度视频的用时小于1 s。实验结果表明,该方法能够对深度图像序列中的人体动作进行有效识别,并基本满足深度序列识别的实时性要求。     

基于ECA-Net与多尺度结合的细粒度图像分类方法

针对细粒度图像分类问题提出了一种有效的算法以实现端到端的细粒度图像分类.ECA-Net中ECA(efficient channel attention)模块是一种性能优势显著的通道注意力机制,将其与经典网络ResNet-50进行融合构成新的基础卷积神经网络ResEca;通过物体级图像定位模块与部件级图像生成模块生成物体级图像和部件级图像,并结合原始图像作为网络的输入,构建以ResEca为基础的三支路网络模型Tb-ResEca-Net(three branch of ResEca network).该算法在公有数据集CUB-200-2011、FGVC-aircraft和Stanford cars datasets上进行测试训练,分别取得了89.9％、95.1％和95.3％的准确率.实验结果表明,该算法相较于其他传统的细粒度分类算法具有较高的分类准确率以及较强的鲁棒性,是一种有效的细粒度图像分类方法.     

基于DBN与对象融合的遥感图像变化检测方法

在高分辨率光学遥感图像变化检测中,多数面向对象的方法只能利用简单的特征组合得到对象特征,难以进行高层特征的设计和提取。针对该问题,提出一种基于深度置信网络和对象融合的图像变化检测方法。将变化检测转化为二分类问题,并把图像像素作为分类单元,在特征学习和分类阶段设计多尺度的图像特征学习和分类方法,以充分利用图像目标的上下文信息。在此基础上设计基于对象的分类融合方法,对利用深度置信网络分类得到的结果进行融合,从而减小局部噪声的影响。在QucikBird影像数据集上的实验结果表明,该方法可有效提高图像变化检测的准确率。     

基于U-net和ResNet的图像缺陷检测

近年来,应用在图像分类问题上的深度学习的表现令人激动。但是传统的深度学习图像分类算法（比如AlexNet,GooLeNet,ResNet等）对数据过于依赖,一个表现好的图像分类算法,不但需要大量的数据集,而且需要训练很长时间。针对上述问题,论文结合图像分割网络U-net和图像分类网络ResNet来实现少量数据高准确率的图像缺陷检测。因为这个方法同时用到U-net图像分割网络和ResNet图像分类网络,所以称它为“UR”法。论文首先简要地介绍了深度学习的相关理论和论文使用的两个深度学习模型：U-net和ResNet。随后阐述了论文数据集的获取和处理,接下来详细地论述了论文用于图像分类的“UR”法的原理。最后根据实验结果得出结论,“UR”法在优化的速度和测试集准确率上都比普通的ResNet网络表现要好。     

基于深度模型迁移的细粒度图像分类方法

针对细粒度图像分类方法中存在模型复杂度较高、难以利用较深模型等问题,提出深度模型迁移（DMT）分类方法。首先,在粗粒度图像数据集上进行深度模型预训练;然后,使用细粒度图像数据集对预训练模型logits层进行不确切监督学习,使其特征分布向新数据集特征分布方向迁移;最后,将迁移模型导出,在对应的测试集上进行测试。实验结果表明,在STANFORD DOGS、CUB-200-2011、OXFORD FLOWER-102细粒度图像数据集上,DMT分类方法的分类准确率分别达到72.23%、73.33%和96.27%,验证了深度模型迁移方法在细粒度图像分类领域的有效性。     

联合集成学习与EfficientNet的光学遥感图像场景分类

深度学习能够提高光学遥感图像场景分类的准确率和效率,但光学遥感图像语义丰富,部分场景仍存在易误分类的情况,同时由网络模型规模扩大带来的硬件要求过高、时间成本消耗过大等问题制约着深度学习网络模型的推广应用。为此,提出一种基于轻量化网络模型的光学遥感图像场景分类方法。通过EfficientNet网络提取图像特征,对图像特征进行复合提取以生成语义信息更丰富的新特征,利用多个子分类器构建集成学习模块解析新特征得到预分类结果,集成加权预分类结果以获得最终的分类结果。在AID和NWPU-RESISC45数据集上的实验结果表明,即使只训练20%的数据样本,该方法也能分别达到94.32%和93.36%的准确率,相对D-CNNs、CNN-CapsNet等方法,所提方法对易误分类场景有更好的分类效果,且参数量和浮点运算量大幅减少。     

双核压缩激活神经网络艺术图像分类

目的 为了充分提取版画、中国画、油画、水彩画和水粉画等艺术图像的整体风格和局部细节特征,实现计算机自动分类检索艺术图像的需求,提出通过双核压缩激活模块（double kernel squeeze-and-excitation,DKSE）和深度可分离卷积搭建卷积神经网络对艺术图像进行分类。方法 根据SKNet（selective kernel networks）自适应调节感受野提取图像整体与细节特征的结构特点和SENet（squeeze-and-excitation networks）增强通道特征的特点构建DKSE模块,利用DKSE模块分支上的卷积核提取输入图像的整体特征与局部细节特征;将分支上的特征图进行特征融合,并对融合后的特征图进行特征压缩和激活处理;将处理后的特征加权映射到不同分支的特征图上并进行特征融合;通过DKSE模块与深度可分离卷积搭建卷积神经网络对艺术图像进行分类。结果 使用本文网络模型对有无数据增强（5类艺术图像数据增强后共25 634幅）处理的数据分类,数据增强后的分类准确率比未增强处理的准确率高9.21%。将本文方法与其他网络模型和传统分类方法相比,本文方法的分类准确率达到86.55%,比传统分类方法高26.35%。当DKSE模块分支上的卷积核为1×1和5×5,且放在本文网络模型第3个深度可分离卷积后,分类准确率达到87.58%。结论 DKSE模块可以有效提高模型分类性能,充分提取艺术图像的整体与局部细节特征,比传统网络模型具有更好的分类准确率。     

基于深度图像与骨骼数据的行为识别

为了充分利用深度图像与骨骼数据进行人体行为识别,提出了一种基于深度图形与骨骼数据的多特征行为识别方法。该算法的多特征包括深度运动图（DMM）特征与四方形骨骼特征（Quad）。深度图像方面,将深度图像投影到一个笛卡尔坐标系的三个平面获得深度运动图特征。骨骼数据方面,提出四方形骨骼特征,它是骨骼坐标的一种标定方式,得到的结果只与骨骼姿态有关。同时提出一种多模型概率投票的分类策略,减小了噪声数据对分类结果的影响。所提方法在MSR-Action3D和DHA数据库进行实验,实验结果表明,所提算法有着较高的识别率与良好的鲁棒性。     

基于全卷积深度学习网络的视频图像背景分割方法研究

针对传统视频图像背景分割方法效率低、抗干扰能力弱、层次模糊等问题，基于全卷积深度学习网络算法研究了一种视频图像背景的分割方法。应用全卷积神经网络算法，完成视频图像背景的特征提取，构建结构化学习模块，再利用深度学习网络实现视频图像背景的多模态特征融合，基于损失函数建立视频图像背景分割模型。结果显示，对于随机的10组视频图像数据包，设计方法完成分割处理所用时间的平均值为15.03min，像素准确率均值为99.24%，分割区域间对比度均值为0.91，区域内一致性测度值均值为9.52，分割合理性均值为0，表明本次设计方法有效改善了视频图像背景的分割质量和分割效果，具有较高的精准性和完整性。     

面向图像分类的深度模型可解释性研究综述

深度学习目前在计算机视觉、自然语言处理、语音识别等领域得到了深入发展,与传统的机器学习算法相比,深度模型在许多任务上具有较高的准确率.然而,作为端到端的具有高度非线性的复杂模型,深度模型的可解释性没有传统机器学习算法好,这为深度学习在现实生活中的应用带来了一定的阻碍.深度模型的可解释性研究具有重大意义而且是非常必要的,近年来许多学者围绕这一问题提出了不同的算法.针对图像分类任务,将可解释性算法分为全局可解释性和局部可解释性算法.在解释的粒度上,进一步将全局解释性算法分为模型级和神经元级的可解释性算法,将局部可解释性算法划分为像素级特征、概念级特征以及图像级特征可解释性算法.基于上述分类框架,总结了常见的深度模型可解释性算法以及相关的评价指标,同时讨论了可解释性研究面临的挑战和未来的研究方向.认为深度模型的可解释性研究和理论基础研究是打开深度模型黑箱的必要途径,同时可解释性算法存在巨大潜力可以为解决深度模型的公平性、泛化性等其他问题提供帮助.     

深度特征的实例图像检索算法综述

基于内容的图像检索算法（CBIR）目标是在数量庞大的图像数据库中通过分析视觉内容,找出与查询图像在语义上匹配或相近的图像。其中通过特征提取获得具有判别性的图像表示对检索结果至关重要。随着深度学习的不断发展,图像检索中使用的图像特征表示方法也逐渐由原来的基于手工特征的方法转变为基于深度特征的方法。通过从特征提取的不同方法角度出发,回顾并追踪了最近基于深度特征的图像检索算法。对基于深度特征的图像检索算法分为基于深度全局特征与基于深度局部特征的图像检索算法两方面进行综述,其中在基于深度局部特征算法中重点关注了深度卷积特征聚合技术。并对现在广泛应用的深度全局与局部特征融合的图像检索方法进行归纳。探讨了深度特征的实例图像检索技术在遥感图像检索、电子商务产品检索和医疗图像检索领域中的实际应用,并比较这些特征提取算法在图像检索精度方面的表现。最后展望了深度特征提取技术在实例图像检索领域的未来研究趋势。     

基于小样本学习融合随机深度和多尺度卷积的SDM-RNET网络

针对神经网络难以利用少量标注数据获取足够的信息来正确分类图像的问题,提出了一种融合随机深度网络和多尺度卷积的关系网络——SDM-RNET.首先在模型嵌入模块引入随机深度网络用于加深模型深度,然后在特征提取阶段采用多尺度深度可分离卷积替代普通卷积进行特征融合,经过骨干网络后再采用深浅层特征融合获取更丰富的图像特征,最终学习预测出图像的类别.在mini-ImageNet、RP2K、Omniglot这3个数据集上对比该方法与其他小样本图像分类方法,结果表明在5-way 1-shot和5-way 5-shot分类任务上该方法准确率最高.     

具备高层语义特征的离散哈希图像检索算法

深度哈希在图像搜索领域取得了很好的应用，然而，先前的深度哈希方法存在语义信息未被充分利用的局限性。开发了一个基于深度监督的离散哈希算法，假设学习的二进制代码应该是分类的理想选择，成对标签信息和分类信息在一个框架内用于学习哈希码，将最后一层的输出直接限制为二进制代码。由于哈希码的离散性质，使用交替最小化方法来优化目标函数。该算法在三个图像检索数据库CIFAR-10、NUS-WIDE和SUN397中进行验证，其准确率优于其他监督哈希方法。