基于深度神经网络的低空弱小无人机目标检测研究

针对低空无人机目标视觉特征较弱,传统识别模型在目标尺度较小时易受干扰导致识别精度下降等问题,提出了一种基于多隐含层深度神经网络的弱小无人机目标检测模型。根据低空监视图像输入特性和弱小无人机目标视觉表征特点,设计了包含多个隐含层的多通道深度神经网络模型结构,并通过建立多尺度、多角度、多背景条件下的无人机目标图像数据库,完成了对深度网络模型参数的训练及优化。仿真结果表明,所设计的深度模型对低空无人机目标具有较好的变尺度检测能力和抗干扰效果,体现出良好的鲁棒性和潜在工程应用前景。     

基于视觉显著图的图像融合方法

基于图像的不同视觉特征,构造各源图像的视觉显著图,提出一种基于视觉显著图的多尺度图像融合算法低频子带融合规则,构建了一种新的多尺度图像融合方法。结合àtrous小波和非下采样轮廓波变换(Non subsampled contourlet transform,NSCT),对多传感器图像和多聚焦图像的融合实验表明,应用本文方法所得的融合图像,无论是视觉效果还是客观评价得分均优于基于平均法或神经网络选择低频系数的融合方法。     

基于神经网络的配网电气拓扑识别算法

提出了一种基于多通道自适应加权神经网络的配网电气拓扑识别算法，构建了多通道一维卷积神经网络(1DCNN)模型，以电压、电流、功率和功率因数4种采集数据作为各通道的输入数据，通过两层叠加的卷积模块实现特征提取；同时，提出了一种自适应加权的特征融合方案，通过神经网络自适应学习各通道重要性特征。实验采用真实用电数据制作数据集，并针对通道数、数据种类、数据维度等参数进行了多组实验。实验结果表明，该算法融合多种用电数据特征，配网电气拓扑辨识准确率达到99.772%。     

基于小波变换和多通道脉冲耦合神经网络的高光谱图像融合

针对高光谱多波段图像融合的问题,提出了一种基于小波变换和多通道脉冲耦合神经网络模型的新融合方法。该算法利用小波变换对图像进行多尺度分解,将得到的低频和高频系数分别采用多通道PCNN模型进行非线性融合处理,对低频子带直接利用其点火频率图得到融合结果,对各高频子带则利用点火频率图的直方图矢量重心及偏差计算自适应阈值并进行区域分割,对不同的区域采用不同的融合规则进行融合处理;最后进行小波重构得到融合图像。对OMIS高光谱图像的实验结果表明:所提方法能够有效地融合高光谱多个波段图像信息,且纹理细节信息突出。     

模式分类中的特征融合方法

特征融合方法是模式识别领域的一种重要方法.计算机视觉领域的图像识别问题作为一种特殊的模式分类问题,仍然存在很多挑战.特征融合方法能够综合利用多种图像特征,实现多特征的优势互补,获得更加鲁棒和准确的识别结果.笔者基于信息融合理论分析了特征融合方法的原理,介绍了特征融合方法的研究现状,讨论了特征融合与3类主流基础理论相结合的方法,其中基于贝叶斯理论的特征融合算法可以实现多特征的融合决策,基于稀疏表示理论的特征融合算法能够得到多特征的联合稀疏表示,基于深度学习理论的特征融合算法能够强化深度神经网络模型的特征学习过程.     

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.     

一种基于深度神经网络模型的多聚焦图像融合方法

基于多聚焦图像融合中存在的低频信息易产生缺失的现象进行分析,提出一种基于深度神经网络模型的低频子带融合策略,并结合小波核滤波器及针对高频子带的融合策略,给出多聚焦图像融合方法。该方法利用自动编码器提取低频子带特征,利用网络隐层中的权值信息选择低频子带分量。采用3组聚焦不同的自然图像及1组医学图像进行算法测试,并与传统的低频子带融合策略进行对比,同时比较基于轮廓波变换的多聚焦图像融合方法、基于非下采样轮廓波变换的多聚焦图像融合方法。试验结果表明:其中一组图像采用深度神经网络模型的策略所得到的融合结果的边缘融合指标值能够达到0.802 7,优于其余比较方法的0.761 4、0.722 7和0.716 4,从而证实基于深度神经网络模型的融合策略的有效性。     

基于机器视觉技术与图像分割算法的篮球行为检测

为了自动分析篮球比赛战术与策略,精准识别赛场上运动员行为,提出一种基于机器视觉技术与图像分割算法的篮球行为检测方法。采用CCD摄像机采集篮球运动员俯视与侧视角度图像,基于GrabCut算法通过K维全协方差高斯混合模型对目标与背景信息建模,提取篮球目标前景信息;构建5层次卷积神经网络,在卷积层提取分割图像的特征、融合俯视与侧视图像特征,在全连接层提取高维深度特征信息,通过Softmax分类器完成篮球行为检测。结果显示,该方法取得了理想的图像分割效果,提高了篮球行为检测精准度,降低了行为检测的时间开销。     

基于深度学习和机器视觉的多源数据感知技术研究

机械臂位姿误差容易导致运行轨迹偏离,影响机械臂定位效果.为此,将机器视觉技术与深度学习算法有机结合,形成一种高性能的多源数据感知方法,以采集高精度的机械臂位姿数据.首先,基于视觉成像原理,设计多摄像机机械臂位姿数据采集方案布局,以获取视觉图像坐标与机械臂位姿的关系;其次,以卷积神经网络为核心,构建具有5层卷积层、4层最大池化层以及3层全连接层的深度学习模型,用以融合多摄像机采集的机械臂多源图像数据;再次,运用批量梯度下降法,优化模型的卷积核W和偏置参数b,以深度刻画图像特征;最后,结合机械臂位姿模型,得到精准的运行位姿数据.经测试检验,用本文方法感知机械臂的仰俯角、偏航角、翻滚角的最大误差值均小于0.6°,数据感知度较高,可以为机械臂工作路线的规划、机械臂行为的精准控制提供准确的数据基础.     

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。     

基于深度卷积神经网络的图像自编码算法

针对目前图像编码的研究工作更加重视信息无损性,而没有体现出社交网络图像区分度的问题,本研究提出一种新颖的基于深度卷积神经网络的社交网络图像自编码算法,将深度卷积神经网络提取特征的能力与社交网络中图像的特点相结合,得到性能良好的图像自编码。结合社交网络图片的特性与聚类算法,先将图片进行聚类得到距离信息,再利用深度卷积神经网络学习图片的距离信息,提取深度卷积神经网络中的全连接层作为编码,重复以上步骤,并得到最终的图像编码。试验结果表明,本研究提出的算法在图像搜索中的效果好于其他算法,更利于在社交网络图像搜索中使用。     

基于多级特征并联的轻量级图像语义分割

针对当前语义分割算法普遍具有网络结构复杂和计算开销巨大的问题,为了综合提高语义分割算法实时性和精确度,提出计算高效的基于多级特征并联网络（LSSN）的轻量级图像语义分割网络. 该算法综合考虑网络的参数量、运行速度和性能,能更好地应用到嵌入式设备和可移动设备上. 应用微调的深度卷积神经分类网络作为特征提取网络结构,提取网络不同深浅层语义和位置特征. 提出空洞残差增强模块和深度空洞空间金字塔模块分别处理来自特征提取基准网络的深层特征和浅层特征,并将深浅层特征按特定维度比例以并联的方式进行融合. 所提方法在PASCAL VOC 2012数据集上准确度（平均交并比）为77.13%,与当前具有高性能的语义分割算法和实时语义分割算法相比,能更好地平衡网络的实时性和精确度,具有更优的实用价值和性能效果.     

基于量子卷积神经网络的图像识别新模型

为了解决卷积神经网络对内存和时间效率要求越来越高的问题,提出一种面向数字图像分类的新模型,该模型为基于强纠缠参数化线路的量子卷积神经网络。首先对经典图像进行预处理和量子比特编码,提取图像的特征信息,并将其制备为量子态作为量子卷积神经网络模型的输入。通过设计模型量子卷积层、量子池化层、量子全连接层结构,高效提炼主要特征信息,最后对模型输出执行Z基测量,根据期望值完成图像分类。实验数据集为MNIST数据,{0,1}分类和{2,7}分类准确率均达到了100%。对比结果表明,采用平均池化下采样的三层网络结构的QCNN模型具有更高的测试精度。     

自适应深度卷积神经网络模型构建方法

针对传统卷积神经网络(CNN)模型构建过度依赖经验知识、参数多、训练难度大等缺点,同时鉴于复杂多类问题的CNN模型构建策略的重要价值,提出一种自适应深度CNN模型构建方法.首先,将初始网络模型的卷积层和池化层设置为仅含一幅特征图;然后,以网络收敛速度为评价指标,对网络进行全局扩展,全局扩展后,根据交叉验证样本识别率控制网络展开局部扩展,直到识别率达到预设期望值后停止局部网络学习;最后,针对新增训练样本,通过拓展新支路实现网络结构的自适应增量学习.通过图像识别实验验证了所提算法在网络训练时间和识别效果上的优越性.     

Object Recognition Algorithm Based on an Improved Convolutional Neural Network

In order to accomplish the task of object recognition in natural scenes, a new object recognition algorithm based on an improved convolutional neural network (CNN) is proposed. First, candidate object windows are extracted from the original image. Then, candidate object windows are input into the improved CNN model to obtain deep features. Finally, the deep features are input into the Softmax and the confidence scores of classes are obtained. The candidate object window with the highest confidence score is selected as the object recognition result. Based on AlexNet, Inception V1 is introduced into the improved CNN and the fully connected layer is replaced by the average pooling layer, which widens the network and deepens the network at the same time. Experimental results show that the improved object recognition algorithm can obtain better recognition results in multiple natural scene images, and has a higher degree of accuracy than the classical algorithms in the field of object recognition.     

一种基于多模态特征融合的骨质疏松评估方法

针对现有骨质疏松评估中诊断依据单一、准确率低的问题,综合考虑骨骼图像数据和问卷数据,首先提出一种基于深度神经网络的多模态特征融合骨质疏松评估方法;然后,针对骨骼图像特征较浅、结构固定的特点,使用Unet进行图像分割预处理,去除冗余信息以提升分类准确性;最后,针对普通卷积操作在把握全局信息方面的不足,提出采用基于non-local模块的卷积神经网络来进一步丰富特征信息.交叉验证结果表明,提出的多模态特征融合方法与仅单独使用图像数据或问卷数据的机器学习方法相比具有明显的优势,分类准确率分别提升了3.2%和22.3%.     

基于Gabor及深度神经网络的葡萄种子分类

种子成熟度需要受过长期训练的专家通过肉眼进行观察和判断。为了改变传统人工经验判断的方式,该文提出了一种基于Gabor小波特征提取及深度神经网络的葡萄种子图像分类识别算法,以便实现高效、准确的分类识别效果。首先,利用背景差分法在背景图像中分割出兴趣目标,从而完成图像的预处理。然后,通过改进的Gabor小波特征提取,使得Gabor滤波后的图像具有更多的细节纹理信息。最后,将深度卷积神经网络和提取到的纹理特征信息相结合进行分类。实验结果表明,基于机器学习的葡萄种子成熟度识别是切实可行的。且相比于其他类似分类算法,本文算法的图像分类精度有了一定的改善。     

基于小波域ADMM深度网络的图像复原算法

近年来,基于深度学习的方法在图像复原领域展现出了优秀的性能。然而现有大多数深度网络均是通过经验进行网络结构设计,较少在网络设计中考虑结合一些传统方法以提升网络可解释性。针对这一不足,本文对结合图像退化模型的深度学习方法展开研究,提出了一种基于小波域ADMM深度网络的图像复原算法。具体而言,本文首先提出了一种基于小波域ADMM的图像复原方法,该方法在小波域下使用ADMM算法将复原问题分解为一系列子问题。接着,分别对子问题求解,并根据其解的形式帮助进行网络的设计,构建了一个可解释的深度卷积神经网络用于图像复原。实验结果表明,本文提出算法取得了较好的复原结果,不论在视觉效果还是客观评价指标上都优于对比方法。     

基于卷积神经网络的视觉闭环检测研究

闭环检测是视觉SLAM中很重要的一部分,成功地检测出闭环能减小定位算法所产生的累积里程漂移.鉴于深度卷积神经网络在分类问题上的优越表现,本文首次将应用于图像分类的vgg16-places365卷积神经网络模型应用于视觉SLAM闭环检测中,将配准数据输入训练好的该卷积神经网络,其各个隐藏层的输出对应于图像特征表示.然后通过实验比较选用匹配精度较高的中间层完成场景特征提取,通过计算场景特征的相似性得到闭环区域.最后在闭环检测数据集上进行实验测试.测试结果表明,相比于传统的闭环检测方法,vgg16-places365卷积神经网络模型在相同召回率条件下准确率要高约3%;对于特征提取时间,在CPU上要快约5~10倍,而在GPU上更是比传统人工设计特征的闭环检测快近100倍.     

采用GRU模型的卫星RCS异常检测

针对传统基于雷达散射截面积的卫星目标姿态异常检测方法中提取有效特征困难、识别效果差的问题,提出了一种采用门控循环单元深度神经网络模型的异常检测方法。该方法首先利用滑动窗口法划分动态雷达散射截面积序列;然后采用门控循环单元深度神经网络完成对输入序列的自适应特征学习;最后结合全连接层实现卫星姿态异常检测。仿真实验结果表明,该方法提取的特征区分度高,与传统方法相比可以有效地检测出失稳翻滚卫星,并具有较强的噪声鲁棒性。