深度学习在现勘图像分类中的应用

针对刑侦现勘图像分类的需求,研究了典型的卷积神经网络VGG网络和Res网络及其训练优化方法。分别使用VGG网络和Res网络执行图像分类任务,给出了网络搭建与训练的方法,并在刑侦现勘图库上进行了测试,结果表明,采用VGG网络和Res网络执行现勘图像分类,效果优于传统的方法。最后,引入金字塔池化层以改善图像特征的质量,分别对VGG网络和Res网络结构进行优化,测试结果证实优化后的网络分类准确率进一步提升。     

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。     

基于深度卷积特征的图像实例检索方法

针对计算机视觉领域的图像实例检索问题,提出了一种从卷积神经网络提取图像全局特征表示和目标对象区域特征表示的图像实例检索方法。该方法首先利用区域生成网络学习目标实例的区域位置坐标,并结合相关卷积网络提取的图像区域特征构建由过滤阶段和空间重排阶段组成的实例检索系统。在此基础上提出过滤阶段和空间重排两阶段查询扩展方法进一步提高系统检索性能。最后,提出了两种微调网络模型策略,更新网络前两个卷积层后所有层的权重以适应图像实例检索和位置坐标。通过在两个公用实例检索数据集(Oxford Buildings 5k和Paris Buildings 6k)上进行详尽实验验证,结果表明,提出的基于深度卷积特征的图像实例检索方法有效地提高了图像实例检索的准确率和可靠性,降低了实例检索误检率,得到的实例位置更加准确。     

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。     

基于深度卷积神经网络的高光谱遥感图像分类

传统的高瀑布图像分类模型只考虑光谱特征信息,忽略了图像空间结构信息在分类中的重要作用。为提高高光谱遥感图像的分类精度,提出一种同时利用高瀑布图像的光谱信息和空间信息的深度卷积神经网络分类模型。通过对低层特征自动分层地学习来提取更加抽象的高层特征,提取的特征具有平移、缩放及其他形式扭曲等高度不变性;基于学习到的深度特征,用logistic回归分类器进行分类训练。高光谱数据实验结果表明,深度卷积神经网络模型能够提高高光谱遥感图像的分类精度,从而验证了深度卷积神经网络进行高瀑布图像分类的可行性和有效性。     

基于深度学习特征融合的遥感图像场景分类应用

针对传统手工特征方法无法有效提取整体图像深层信息的问题,本文提出一种基于深度学习特征融合的场景分类新方法.利用灰度共生矩阵（GLCM）和局部二值模式（LBP）提取具有相关空间特性的纹理特征和局部纹理特征的浅层信息;通过基于AlexNet迁移学习网络提取图像的深层信息,在去除最后一层全连接层的同时加入一层256维的全连接层作为特征输出;将两种特征进行自适应融合,最终输入到网格搜索算法优化的支持向量机（GS-SVM）中对遥感图像进行场景分类识别.在公开数据集UC Merced的21类目标数据和RSSCN7的7类目标数据的实验结果表明,5次实验的平均准确率分别达94.77%和93.79%.该方法可有效提升遥感图像场景的分类精度.     

基于卷积神经网络的多标签图像分类

针对BING算法对物体建模的不足,提出了multi-BING算法。该算法计算训练样本的CS-LBP特征,并对其进行聚类,对聚类后的数据建立BING模型。在物体检测过程中,融合了多个模型结果进行候选框判别,将多标签图像分类问题转化为多个单标签分类问题。以Fast R-CNN模型为基础,将采用本文物体检测方法得到的候选框作为模型输入。同时,采用LReLU函数作为Fast R-CNN模型的激活函数,从而在几乎不增加计算复杂度的情况下,提高模型的平均准确率(AP)。实验表明,本文方法优于BING算法和OBN算法。     

基于改进纹理特征的现堪图像检索算法

针对灰度共生矩阵缺少图像纹理的整体空间分布特征与双树复小波变换对图像结构细节敏感的缺陷,提出一种融合图像空间分布与结构细节的纹理特征提取算法,应用于现堪图像检索。首先,利用灰度共生矩阵与双数复小波提取图像的纹理信息;然后,将图像均匀分块,分别计算各个块的角点疏密度和纹理细节特征并级联,以此组成图像的空间分布特征和结构细节特征;最后,对纹理信息融合图像的空间分布特征与结构细节特征,完成现堪图像的纹理特征提取。在现堪图库上的检索实验结果表明,该算法能更全面的描述图像的纹理内容,并且可有效提升现堪图像检索算法的检索准确率。     

基于深度卷积和自编码器增强的微表情判别

为了判别微表情种类,提出基于深度卷积神经网络和迁移学习的微表情种类判别网络MecNet.为了提高MecNet在CASME Ⅱ、SMIC和SAMM联合数据库上的微表情种类判别准确率,提出基于自编码器的微表情生成网络MegNet,以扩充训练集.使用CASME Ⅱ亚洲人的微表情样本,生成欧美人的微表情样本.设计卷积结构实现图像编码,设计基于子像素卷积的特征图上采样模块实现图像解码,设计基于图像结构相似性的损失函数用于网络优化.将生成的欧美人的微表情样本加入MecNet训练集.实验结果表明,使用MegNet扩充训练集能够有效地提高MecNet微表情种类判别准确率.结合MegNet、MecNet的算法在CASME Ⅱ、SMIC和SAMM组成的联合数据库上的表现优于大部分现有算法.     

一种改进的现勘图像分类算法

针对加速鲁棒特征在尺度变化和旋转变化方面表现不够理想的问题,提出一种改进的现勘图像分类算法。根据高斯金字塔模拟人眼由近及远视物且能保持物体尺度不变的特性,对图像提取基于高斯金字塔的加速鲁棒特征,并用词袋模型描述图像。通过训练得到支持向量机分类器,对输入图像进行分类。实验结果表明,改进算法分类准确率有明显提高。     

基于多尺度CNN特征的国画图像分类算法

为了捕获国画图像的局部表现手法而实现风格分类,提出一种基于多尺度卷积神经网络(Convolutional Neural Network,CNN)特征的国画图像分类算法.该算法先对AlexNet网络模型进行改进,得到精简AlexNet网络模型以降低网络深度与参数规模.然后采用非对称空间分块方法对训练样本进行数据扩充,训练...     

基于多尺度空间LLC的图像语义分类方法

为了提高图像的空间分布和语义信息的有效利用,采用金字塔模型提出一种将多尺度空间、LLC和图像语义分析相融合的图像语义分类方法.首先对图像空间域金字塔划分的各个层次的局部块分别进行线性局部稀疏编码,并对不同层次上的量化编码进行串接生成共生矩;其次使用概率潜在语义模型对图像进行语义分析以获得最终的图像表示;最后采用线性多类别SVM对图像进行分类.实验结果表明,本文提出的算法生成的图像特征具有较高的分类性能和效率.     

现勘图像数据库检索技术实例探讨

基于内容的图像检索技术(CBIR)发展已经有三十多年,但相关技术在公共安全领域的应用尚处于初步阶段。依托公安部重点实验室平台,使用实际刑侦现勘图像数据库,介绍在现勘图像数据库检索、车胎花纹数据库检索方面取得的研究进展情况,讨论现有成果与公共安全行业实际需求之间存在的差距,并分析现勘图像数据库检索研究的未来发展趋势。     

Aurora images classification via features salient coding

The change of the form of the aurora reveals the atmospheric activities and the degree of the influence of the sun on the earth. The research on aurora image classification is an effective way to study the aurora phenomenon. In this paper, an image classification method for auroras is developed. According to the characteristics of aurora images, the SIFT features of aurora image are extracted. Then the clustering centers of all SIFT features are obtained by the fuzzy C-means clustering method. Further, the weights of those clustering centers are calculated by the Salient Coding method and they are regarded as the final features for final aurora classification. Finally, the support vector machine is used to classify the 3200 aurora images. Experimental results show that the proposed method has a good performance not only on arc shape aurora images but also on complicated crown shape aurora images.