基于深度特征聚类的海量人脸图像检索

针对海量人脸图像数据库检索时长的问题,提出了一种基于深度特征聚类的海量人脸图像检索算法.该算法首先使用人脸图像训练集对深度卷积神经网络模型进行人脸图像分类训练,在此基础上采用三元组损失方法对已训练好的人脸图像分类网络模型进行微调,使得网络能够更加有效地提取人脸图像的高层语义特征,构建更具有表征性的人脸图像深度特征.其次采用K-means聚类算法对提取的人脸图像深度特征进行聚类,使得同一个人的人脸图像能够划分到同一簇中,然后在相应的簇中进行人脸图像的深度特征相似度匹配执行人脸图像检索任务.为了进一步提高系统的检索性能,提出人脸图像深度特征融合的查询扩展方法,对待检索的人脸图像深度特征进行融合再次执行检索任务得到最终的检索结果.通过在两个人脸检索数据集(Celebrities Face Set和Labeled Faces in the Wild dataset)上进行详尽实验验证,结果表明,该算法能极大地缩小海量人脸图像数据库的检索范围,在保证一定准确率的前提下有效地提高了人脸图像检索的速度.     

基于CNN特征和标签信息融合的图像检索

针对基于内容的图像检索(CBIR)中图像底层视觉特征与高层语义特征之间存在的"语义鸿沟"问题,提出了一种基于卷积神经网络(CNN)特征和标签信息融合的图像检索算法。首先使用CNN模型提取图像的CNN特征以及标签信息,然后使用余弦距离分别计算这两个特征的相似度,最后将这两个相似度进行加权融合,用作图像检索排序准则。在caltech101和caltech256数据集上分别进行实验,实验结果表明,所提算法加强了图像特征与高层语义的结合,大大提高了图像检索的查准率。     

一种基于全卷积网络的目标检索方法

基于预训练卷积神经网络的图像表示已成为一种新的图像检索方法,但这种图像表示方法是对图像整体特征的表示,无法适用于目标仅占被检索图像部分区域的检索,故主要研究将深度全卷积网络应用于实例目标较小、仅占被检索图像部分区域的检索.首先,利用全卷积网络对输入图像大小不受限制的优势,给定被检索图像,经过全卷积网络得到该图像的特征矩阵;其次,给定查询目标图像,利用全卷积神经网络得到目标图像的特征表示;最后,将目标特征与被检索图像的特征矩阵的每一个特征进行相似性比对,得到相似值和匹配最优位置.实验表明,本算法的检索性能优于现有算法.     

基于扩展卷积神经网络与度量学习的指静脉识别

针对在传统卷积神经网络(Convolutional neural networks, ConvNet)算法中由于提取的静脉特征信息不足而导致指静脉识别准确率不高的问题,提出了一种基于扩展卷积神经网络与度量学习的指静脉识别算法。该算法通过扩展卷积神经网络的宽度与深度来提高ConvNet的学习能力,并使用难样本采样三元组(Triplet hard loss with batch hard mining, TriHard)度量学习函数作为网络损失函数训练网络。此外,针对常用距离度量方法不能有效度量静脉特征之间的相似度的问题,在指静脉识别阶段采用了Wasserstein距离度量方法,以提高同源静脉间的相似度,降低异源静脉间的相似度。仿真实验结果表明:在FV-USM数据集上,指静脉识别准确率达98.33%,较使用ConvNet和常用距离度量方法准确率提高了3.56%;在MMCBNU_6000数据集上,指静脉识别准确率达98.02%,较使用ConvNet和常用距离度量方法准确率提高了2.01%。     

基于迁移学习及特征融合的现勘图像检索算法

为了改善有限的现勘图像数据量在训练卷积神经网络(convolutional neural network,CNN)时易产生过拟合现象的情况,以及更精准地描述图像内容,提出了基于迁移学习的两种CNN特征级联以及与图像低层特征融合的现勘图像检索算法。首先利用目标图像集对两个预训练CNN模型进行微调,分别提取其fc7层的特征并级联作为图像的高层特征,再与适合本目标图像集的低层特征进行融合,以此作为特征进行图像检索。在现勘图像数据库上的测试结果验证了算法的有效性,并在GHIM-10K数据库进行测试,结果证明了算法的普适性。     

一种改进卷积神经网络的教学图像检索方法

针对卷积神经网络在提取图像特征时所造成的特征信息损失以及降低高维度图像特征数据等问题,提出了一种改进卷积神经网络的图像检索优化方法。该方法首先利用融合的卷积层提取图像特征,并在融合的卷积层之间添加全连接层以减少特征信息的丢失;然后采用主成分分析法对高维的特征数据进行有效的降维处理;最后采用余弦相似度的方法进行相似度匹配,以实现相似图像的检索。采用当前经典的LeNet-L、LeNet-5等方法同文中方法在图像检索性能评价指标上进行对比实验。实验结果表明,所提出的检索方法比文中其他检索方法在查全率和平均查准率方面提高了3%27.3%。     

基于TensorFlow的车牌字符识别方法

全连接神经网络将车牌字符图像以一维矩阵的形式进行矩阵运算,忽略了图像自身的特性,且一旦图像像素过多,神经网络的参数规模会急剧增加,常规的神经网络很难训练.基于TensorFlow深度学习框架搭建一种卷积神经网络训练模型,在自制的大小为40×32像素点车牌字符灰度图像数据集基础上,使用搭建的神经网络模型训练得到较好的训练效果,利用多次卷积和池化层提取特征,与全连接神经网络相比极大减少节点数量,提高识别的精准度.通过不同识别算法的准确率对比可见,卷积神经网络对中文、英文和数字的识别更加准确,模型的鲁棒性和泛化能力有很大提高.     

改进的基于多尺度融合的立体匹配算法

针对局部立体匹配算法在弱纹理或视差不连续区域匹配精度低等问题,提出了一种结合卷积神经网络(CNN)和特征金字塔结构(FPN)的多尺度融合的立体匹配算法。在卷积神经网络的基础上应用了特征金字塔,实现立体图像的多尺度特征提取和融合,提高了图像块的匹配相似度;利用引导图滤波器(guided filtering)快速有效地完成代价聚合,在视差的选择阶段采用改进的动态规划(DP)算法获得初始视差图,对初始视差图精细化得到最后的视差图。所提算法在Middlebury数据集上提供的图像进行训练和测试,结果表明该算法得到的视差图具有较好的效果。     

基于卷积神经网络的深度线段分类算法

为解决单目图像中冗余像素点不利于深度神经网络快速完成深度信息检测的问题,提出一种基于卷积神经网络的深度线段分类算法。对NYU-Depth数据集使用线段检测算法进行线段检测得到原始图像的线段特征图,通过数据预处理结合深度数据得到表征深度信息的线段集合及其标签,提出适用于线段特征的卷积神经网络,实现单目图像中深度线段的分类。通过在不同线段数目上进行多次多组对比试验,深度线段分类准确率达到73.50%。试验结果证明了利用卷积神经网络实现深度线段分类的可实施性,有助于更好的利用图像几何特征解决深度估计问题。     

基于双向转换网络的域自适应单幅图像去雾方法

当前图像去雾算法对人工合成图像域去雾效果与真实图像域去雾效果存在较大差异。针对该问题,提出了一种基于双向域转换网络的自适应单幅图像去雾算法。首先,构建双向域转换网络,实现人工合成有雾图像与真实有雾图像之间的自适应域转换;然后,通过卷积神经网络进行图像去雾。在实验中采用RESIDE人工合成的数据集以及真实环境的有雾图像作为训练集。结果表明,在人工合成图像域和真实图像域所提算法都有较好的处理能力和模型泛化能力,峰值信噪比(PSNR)、结构相似度(SSIM)等指标均有提高。