基于纹理和草图的图像铅笔画绘制

针对目前铅笔画生成方法中的线条不够灵活、纹理缺少方向感的问题,提出了一种基于带方向的纹理和线条草图将一幅图像转换为铅笔画风格的方法。首先,对输入图像进行直方图匹配得到图像的色调图,并将图像分割为多个区域,对每个区域,根据其颜色和形状计算其色调和方向,以此决定铅笔纹理的色调和方向;然后,通过可调整的线性卷积方法得到铅笔画的线条草图;最后,将纹理和草图结合得到铅笔画效果。运用提出的方法对不同类型的自然图像进行了铅笔画的转换,并与已有的线卷积积分方法和基于色调的方法进行了对比。实验结果表明带方向的区域纹理能更好地模拟手工铅笔画纹理的方向,可调整的线条能够更好地模拟手工铅笔画的线条的随意性和灵活性。     

基于空间注意力下边缘图融合的草图图像检索

基于草图的图像检索任务根据用户提供的手绘草图,从图像数据库中检索得到与该草图对应的自然图像.与传统基于内容的图像检索不同,草图和自然图像间存在明显的域差异,这使得二者的特征难以直接进行比较.针对自然图像边缘图和草图的相似性,提出了空间注意力下的边缘图融合模型,将自然图像和对应的边缘图分别编码到各自的特征空间,再通过空间...     

笔输入草图的分层识别

针对计算机支持的草图设计技术中的草图识别这个核心问题,给出了一套分步逐层的识别方案：从原始笔划的在线识别与线元转换,到几何层基于上下文的草图规整,到语义层基于领域知识的草图理解．整个识别过程通过一个带有黑板的知识库系统实现,逐步有效地解决了草图的模糊性与不确定性,将原始草图转换为精确的几何图形．文中方法已经过原型草图工具系统ISID的验证,并取得良好效果．     

基于改进深度学习的图像敏感信息识别研究

对网站图像敏感信息识别检测问题,提出一种基于改进深度学习的图像敏感信息识别方法。通过特征融合网络,将经全局优化后的区域检测网络与全局识别网络提取特征相融合,并引入注意力机制,对图像中包含敏感部位的区域进行加权聚焦,提高模型检测效率和准确性。实验证明,采用通过全局特征优化后的区域检测网络,平均检测精度提高1%,相较于SSD、Faster R-CNN等目标生成网络,平均检测精度高8.54%与10.63%,提取结果更精准;融合局部特征的全局识别网络,识别精度随着局部特征提取准确度上升而上升,当提取种类到达10种时,识别精度比未加入高1.8%;通过引入注意力机制,本模型检测准确率提升明显,当聚焦点数为7时,比未引入高0.7%;最终,相较于未包含局部特征的ResNet50网络、虽然未包含局部特征但结构更复杂的ResNet101网络,与虽然考虑局部特征,但未与全局特征进行融合的DMCNet网络,本模型检测准确率平均高出3.25%、2.15%和6%,且耗费时间较短,具有更高的鉴别力和检测效率。     

融合词性特征的基于BiGRU-Attention的影评分类研究

笔者提出了一种结合词性特征与注意力机制的双向门控循环神经网络分类模型。使用文本词性特征,提升了模型深入挖掘上下文之间隐含特征的能力,降低了噪音文本对模型的干扰。在隐层增加注意力机制,为隐层输入的特征分配相应概率权重,提升重要隐层特征的关注度。此分类模型的准确率为91.36%,相比于原模型BiGRU,提升近3个百分点,有显著改进效果。     

基于用户建模的手绘草图识别

在线草图识别包括预处理、特征提取、图形规整和用户建模等几个方面的问题。其中用户建模是手绘草图识别的核心和关键问题。提出了一种在线草图识别用户建模方法,方法用动态用户建模技术进行笔划和复杂图形的识别。方法采用增量决策树记录草图的笔划构成及其手绘过程,实现对复杂手绘草图的用户建模和在线识别。实验表明所提出的方法不仅能得到较好的检索结果,而且具有较好的用户适用性     

基于多特征融合的双通道医疗实体识别

针对医疗实体识别中词向量特征单一和忽略文本中局部特征的问题,提出一种基于多特征融合的双通道医疗实体识别模型。对医疗文本字形特征和卷积神经网络进行研究,发现构造的外部特征和挖掘的内部特征进行差异融合能够丰富词向量的特征信息;利用注意力机制改进的卷积神经网络实现特征优化选择,区分不同特征的重要性;设计CNN和BiLSTM并行的双通道神经网络,充分考虑文本的局部特征和上下文特征。在CCKS2017数据集上的实验结果表明,该模型能有效提高医疗实体识别的准确率。     

基于草图的人机交互技术研究进展

从草图识别和语义理解这两个方面对基于草图的人机交互技术的研究状况进行了分析和总结．对草图识别方法按其模式单元定义（笔划、图元、特征和组合图形）进行了分类和剖析;对草图语义理解所涉及的语义获取、语义解释和语义应用这三个关键问题及其解决方法进行了分析和阐述;并分别从基于草图的人机交互技术的几何模糊性、用户适应性和应用独旁性及其关系角度提出了这一领域的主要研究课题及其解决思路．     

用RCR特征和NN识别实时手绘工程草图

针对实时手绘工程草图(简称手绘草图)的识别，引入草图重心、重径距和正规化重径(RCR)等图形特征概念，提出手绘草图的神经网识别方法．该方法以图素具有统计意义的正规化重径作为特征、以图素交叉方式组织正规化重径的值作为学习样本，应用弹力传播的Rprop算法训练BP神经网，一次训练即可得到能够识别任意倾角和位置手绘草图图素的识别器．从而达到了理想的识别效果．     

一种获取重复绘制草图单元识别特征数据的方法

提出了一种草图识别特征数据分析结合图像边缘提取算法的方法,以得到设计师重复绘制草图单元的识别特征数据,从而完成重复绘制草图单元的识别。首先通过记录设计师绘制的所有草图数据,然后通过图像边缘提取算法提取出目标草图,再根据目标草图分析所有原始草图数据得到构成目标草图的原始草图序列,最后通过数据分析计算,得到该目标草图的草图识别特征数据。     

基于纹理特征融合的人脸表情识别

局部二值模式(LBP)和韦伯局部描述算子(WLD)是两种图像的纹理描述算子,在图像的特征提取方面有较强的能力。为了更加准确地对人脸表情进行识别与分类,针对LBP在特征提取的过程中只考虑了中心像素点与周围的其他像素点的灰度值之差,WLD仅考虑中心像素点与周围像素点灰度值之间的激励强度与梯度方向关系的问题,提出一种新的特征提取算法—局部二值韦伯模式(LBWP)。首先对图像进行预处理,检验人脸和裁剪有效的表情区域,接着对图像进行LBWP特征提取,在特征提取之后采用SVM的分类器对表情进行识别和分类。该算法在CK+数据集和JAFFE数据集上进行实验仿真,识别率分别达到了97.14%和95.77%。实验结果验证了LBWP算法在表情识别方面的有效性,且丰富了人脸图像特征提取方法。     

基于纹理特征融合约减的虹膜识别研究

为了获得更完整的虹膜特征,通过空域和频域两个角度提取纹理特征,以变化分数维和小波特征值共同构成虹膜的初始特征序列．然后使用多目标遗传算法对所抽取的特征序列进行优化约减,最后以优化好的特征序列来训练虹膜分类器对虹膜进行识别．并针对虹膜认证实际应用中变化的安全性要求,使用了非对称的支持向量机．实验结果表明,结合时域和频域的特征序列较好地反映了虹膜的纹理变化特性,提高了虹膜识别的正确率．     

基于时序特征的草图识别方法

草图识别是一项很具有挑战性的工作。目前,大部分草图识别的工作都将草图当作普通的纹理图像,忽视了草图的时序性。因此,文中通过挖掘草图的时序性,将草图笔画按照时间分组。为进一步利用时序特征在草图识别过程中的作用,使用了循环神经网络将笔画分组按照时间序列作为输入,最后使用联合贝叶斯将各个时序下获得的草图特征进行整合,完成草图的识别工作。在公开标准数据集上对所提算法进行了测试,实验结果显示该算法的识别准确率明显高于其他算法。     

基于多特征多分类器融合的图像纹理分类

论文提出了一种新的基于多特征多分类器融合的图像纹理分割方法。该方法结合Log-Gabor滤波方法对于规则纹理识别的高分辨性和DCT方法在纹理识别上的稳定性,对两种图像滤波特征分别用模糊c-均值方法进行聚类以获得模糊隶属度矩阵,针对此类高维数以及强非线性的软分类结果,论文引入多类支持向量机进行融合。实验表明,这种多特征多分类器融合方法与传统的单一特征、单一分类器方法相比,具有高准确度以及抗干扰能力。     

利用形状特征实现人脸身份识别

为了克服传统人脸形状描述符所具有的不稳定、缺乏平移、旋转、尺度不变性等缺点,新方法通过对人脸图像进行小波变换,获得多尺度下的不变矩,得到图像的特征描述符,采用改进的线性判别分析法获取分类特征,最终实现人脸识别。实验在PIE人脸数据库上进行,结果证明新方法具有很好的检索效果,获得的描述符具有旋转、平移、尺度不变性等优点,能够很好地描述人脸的形状和空间分布信息。     

基于结构和纹理特征融合的场景图像分类

利用整体结构特征和局部纹理特征的优势,采用两级分类器对场景图像进行分类。第1级分类器利用全局结构信息得到候选类别,并通过分类结果判定相似类别对;第2级分类器则利用局部纹理信息区分相似类别,采用分类器的级联综合利用场景图像的整体结构信息和局部纹理信息。实验结果表明,该方法能够做到不同场景类别鲁棒分类,有效区分相似场景类别,提高场景图像的分类准确率。     

基于手势特征融合的操作动作识别

针对动态复杂场景下的操作动作识别,提出一种基于手势特征融合的动作识别框架,该框架主要包含RGB视频特征提取模块、手势特征提取模块与动作分类模块.其中RGB视频特征提取模块主要使用I3D网络提取RGB视频的时间和空间特征;手势特征提取模块利用Mask R-CNN网络提取操作者手势特征;动作分类模块融合上述特征,并输入到分...     

基于上下文特征融合的行为识别算法

针对LSTM网络无法充分提取短时信息导致人体行为识别率不高的问题,提出一种基于上下文特征融合的卷积长短时记忆网络联合优化架构,用于仅具有RGB数据的行为识别网络。使用3D卷积核对输入的动作序列提取其空间特征和短时时间特征,并将多通道信息进行融合,将融合后的特征送入下一级卷积神经网络和LSTM层中进行长期时间的特征学习,获取上下文的长期时空信息,最后用Softmax分类器进行人体行为的分类。实验结果表明,在人体行为识别公开数据集UCF-101上,提出的基于上下文特征融合的卷积长短时记忆网络的平均识别准确率达93.62%,相比于未进行特征融合的卷积长短时记忆网络提高了1.28%,且平均检测时间降低了37.1%。     

基于特征融合的被动声纳目标识别

在被动声纳目标的分类识别中,不同的特征提取方法提取的特征反映了噪声信号不同的特性,一般情况下,很难做出某种方法优劣的判断.如何把这些不同的特征提取方法提取的特征矢量融合起来,对被动声纳目标分类识别非常有意义.在应用数据融合的方法对基于倒谱的特征提取方法、基于局域判别基的特征提取方法和基于听觉响度特征提取方法提取的特征矢量进行融合.提出了基于正态分布的概率密度函数的确定基本概率赋值的方法,利用三种特征提取方法对水声目标噪声信号进行特征提取,对提取的特征矢量进行融合,并进行分类实验,结果表明,特征融合使分类过程中的不确定性样本数减少,从而相应地提高目标分类的正确概率.     

特征采样和特征融合的子图像人脸识别方法

提出一种基于特征采样和特征融合的子图像人脸识别方法(RS-SpCCA).首先,对子图像进行特征采样;然后,将全局特征和采样后的特征使用CCA进行信息融合,以获取包含全局特征和局部特征的相关特征;最后,在相关特征上构建分量分类器.在该方法中,特征采样是为了构建更多且多样的分量分类器;而引入特征融合思想是为了充分利用图像的全局特征.AR,Yale和ORL这3个数据库上的实验结果表明,基于特征采样和特征融合的子图像方法(RS-SpCCA)优于单纯的信息融合方法(SpCCA)和特征采样方法(Semi-RS).