基于加权K近邻算法的缺失数据填补研究

针对数据缺失问题,本文在完全随机缺失的前提下,对完整数据集进行不同比例的挖空处理,并使用K近邻算法进行缺失值填补;采用交叉验证法优化K值;最后借用高斯函数,对传统K近邻算法进行加权处理,提出加权K近邻算法.实验结果表明,不论K取值多大,加权K近邻算法填补效果均优于传统K近邻算法;且K=2时,两种算法填补效果达到最佳.     

海杂波中基于可控虚警K近邻的海面小目标检测

由于高分辨海杂波具有复杂的特性以及海面小目标具有多样性,没有精确的简单统计模型可以较好地描述海杂波和目标回波时间序列,这导致目标检测遇到了很多阻碍。为了区分海杂波和目标回波,分别提取它们的特征将检测问题转化为特征空间中的分类问题是一种有效的方法。基于特征的检测可以归结为在特征空间中的一种2元假设检验问题,但是其有两个问题需要解决:一是目标回波数据远少于杂波数据;二是虚警概率不可控。为了解决第1个问题,一种典型小目标的仿真回波产生器被用于产生充足的典型目标回波数据,以辅佐后续检测器的设计。K近邻(K-NN)是一种简单有效的分类方法,但是因为无法精确地控制虚警率而不能直接在目标检测中使用。该文提出一种基于改进K-NN的海面小目标检测方法,可以很好地实现可控虚警。经IPIX雷达数据集验证,所提出的方法在观测时间分别为0.512 s和1.024 s时获得了85.1%和89.2%的检测概率,相比现有的检测器获得了7%和5%的提升,具有良好的检测效果和稳定性。      

一种新的基于距离加权的模板约简K近邻算法

作为一种非参数的分类算法,K近邻(KNN)算法简单有效并且易于实现。但传统的KNN算法认为所有的近邻样本贡献相等,这就使得算法容易受到噪声的干扰,同时对于大的数据集,KNN的计算代价非常大。针对上述问题,该文提出了一种新的基于距离加权的模板约简K近邻算法(TWKNN)。利用模板约简技术,将训练集中远离分类边界的样本去掉,同时按照各个近邻与待测样本的距离为K个近邻赋予不同的权值,增强了算法的鲁棒性。实验结果表明,该方法可以有效地减少训练样本数目,同时还能保持传统KNN的分类精度。     

不完备框架下K近邻目标识别方法

在传统目标识别方法中,一般认为待识别的目标类别都包含在训练知识中然而在实际应用中经常会遇到一些新型目标,其没有任何训练样本可用于分类学习,此时传统的分类方法不再适用。针对该问题,提出了一种面向不完备辨识框架的K近邻目标识别算法。首先根据目标与其在训练样本空间中K近邻之间的距离信息选择一些明显的新型目标（训练集中没有包含该类型的目标）,然后将这些新型目标样本加入训练集中,学习一个新分类器（包含已知类别和新型目标类别）,并利用该分类器对其他目标数据再次分类,可有效检测出新型目标。利用多个实际数据集对新的识别方法与其他方法进行了比较分析,结果表明新方法能够显著提高新型目标识别准确率。     

基于深度学习的显著性目标检测方法综述

显著性目标检测旨在对图像中最显著的对象进行检测和分割,是计算机视觉任务中重要的预处理步骤之一,且在信息检索、公共安全等领域均有广泛的应用.本文对近期基于深度学习的显著性目标检测模型进行了系统综述,从检测粒度的角度出发,综述了将深度学习引入显著性目标检测领域之后的研究成果.首先,从三个方面对显著性目标检测方法进行了论述:...     

基于K近邻算法的主机异常行为检测

基于主机异常的入侵检测方法可以识别用户操作是否存在异常,从而提醒用户进行处理以保证系统安全。为了能够快速高效地识别用户操作异常,文章提出了基于K近邻算法的主机异常检测方法。该方法首先在特征提取过程中使用自然语言处理的算法来提取特征向量,然后采用主成分分析算法进行降维处理,接着使用K近邻算法学习主机的正常操作和异常操作的相关特征,建立检测模型,最后使用学习后建立的模型来判断主机是否存在异常操作。该方法采用澳大利亚国防学院的ADFA-LD数据集进行实验,验证了所提出方法性能良好。     

基于显著性目标检测的改进火焰检测算法

针对靶场炮弹定位方法定位精度差、实时性差且存在安全隐患等问题,提出了一种基于显著性目标检测的炮弹火焰检测算法.首先针对数据集缺失问题,构建了一个炮弹火焰数据集,用于网络模型训练和推理.其次,采用并列交叉的双分支ResNet为特征提取模块,分别学习前景和背景语义信息,并在该模块中引入空洞卷积和注意力机制网络,提高感受野的...     

一种基于维度加权盲K近邻算法的数字预失真技术

传统的数字预失真(DPD)模型通常在所有的输入信号功率上采用单一多项式模型和单一记忆深度对功率放大器(PA)进行线性化矫正。然而,功率放大器在不同的功率水平下会呈现出不同的非线性特性,并产生不同的记忆效应。针对这一问题,该文提出一种基于维度加权盲K近邻(KNN)算法的数字预失真模型,所提模型根据功放当前输入信号以及记忆输入信号的幅度进行维度加权的KNN分类,组成维度加权盲KNN记忆多项式(WKMP)模型,并为每一类输入信号序列建立子模型。所提方法用Doherty功率放大器进行实验验证,使用带宽为30 MHz、频点为2.2 GHz的3载波长期演进(LTE)信号作为输入,反馈端使用122.88 MHz的采样率进行采样。实验结果表明,所提维度加权盲KNN分类方法与记忆多项式(MP)模型结合时,功放正向建模效果和数字预失真效果均超过了广义记忆多项式(GMP)模型,并远超记忆多项式模型的效果,实验结果验证了所提模型的优良性能。     

一种基于加权稀疏编码的频域视觉显著性检测算法

 针对现有的基于频域的视觉显著性检测算法检测准确度不高的弱点,本文提出了一种基于加权稀疏编码的频域算法,旨在提高检测准确度的同时保持频域算法运算速度快的优势.在传统的稀疏编码算法基础上,本文根据各子码的增量编码长度来设置它们的权重,实现对图像的加权稀疏编码而不是直接对原始图像进行处理.最后,为了处理多维的稀疏编码信号,本文利用信息论的思想对最新发表的图像签名算法进行了多通道改进,以香农自信息的形式输出图像的显著性检测结果.在公开的人眼跟踪数据库上同9种流行算法的实验对比和对算法复杂度的分析证明了本文算法的有效性和快速性.     

面向显著性目标检测的SSD改进模型

传统显著性目标检测方法常假设只有单个显著性目标,其效果依赖显著性阈值的选取,并不符合实际应用需求。近来利用目标检测方法得到显著性目标检测框成为一种新的解决思路。SSD模型可同时精确检测多个不同尺度的目标对象,但小尺寸目标检测精度不佳。为此,该文引入去卷积模块与注意力残差模块,构建了面向多显著性目标检测的DAR-SSD模型。实验结果表明,DAR-SSD检测精度显著高于SOD模型;相比原始SSD模型,在小尺度和多显著性目标情形下性能提升明显;相比MDF和DCL等深度学习框架下的方法,也体现了复杂背景情形下的良好检测性能。     

基于加权K-近邻分类的非视距识别方法研究

超宽带(UWB)定位系统中,针对复杂的环境下,信号的遮挡、直达信号的错误判断严重影响定位精度问题,该文基于信道冲激响应(CIR)提出一种新型特征参量——饱和度(S),结合前人提出的特征参量利用Relief算法和互信息特征选择(MIFS)算法进行特征选择,在相关性的基础上赋予特征相应的权重,选择最优的特征子集进行加权K-近邻(WKNN)分类,提高了非视距(NLOS)识别系统准确度。并且分析了WKNN算法中的训练数据集数量与近邻数K对算法的影响,确定优选方案,减小了算法计算量,提高了NLOS识别系统实时性。在不同环境下进行实验验证,结果表明,该方法具备较高的识别准确度和环境适用性,识别精度达到95%。     

CANet: Context-aware Aggregation Network for Salient Object Detection of Surface Defects

Surface defect detection has become more and more important in the industrial manufacture and engineering application in recent years. However, due to the lack of overall perception and interaction among features layers, lots of computer vision-based detection methods cannot grab the complete details of defects when dealing with complex scenes, such as low contrast and irregular shape. Therefore, in this paper, we propose a Context-aware Aggregation Network (CANet) to accurately pop-out the defects, where we focus on the mining of context cues and the fusion of multiple context features. To be specific, embarking on the multi-level deep features extracted by encoder, we first deploy a sufficient exploration to dig the context information by deploying the weighted convolution pyramid (WCP) module, which extracts multi-scale context features, transfers the information flow between different resolution features, and fuses the features with same resolution. By this way, we can obtain the effective context pyramid features. Then, the decoder deploys the weighted context attention (WCA) module to filter the irrelevant information from context features and employs the cascaded fusion structure (CFS) to aggregate the multiple context cues in a hierarchical way. Following this way, the generated high-quality saliency maps can highlight the defects accurately and completely. Extensive experiments are performed on four public datasets, and the results firmly prove the effectiveness and superiority of the proposed CANet under different evaluation metrics.     

基于多特征扩散方法的显著性物体检测

现有的大部分基于扩散理论的显著性物体检测方法只用了图像的底层特征来构造图和扩散矩阵,并且忽视了显著性物体在图像边缘的可能性。针对此,该文提出一种基于图像的多层特征的扩散方法进行显著性物体检测。首先,采用由背景先验、颜色先验、位置先验组成的高层先验方法选取种子节点。其次,将选取的种子节点的显著性信息通过由图像的底层特征构建的扩散矩阵传播到每个节点得到初始显著图,并将其作为图像的中层特征。然后结合图像的高层特征分别构建扩散矩阵,再次运用扩散方法分别获得中层显著图、高层显著图。最后,非线性融合中层显著图和高层显著图得到最终显著图。该算法在3个数据集MSRA10K,DUT-OMRON和ECSSD上,用3种量化评价指标与现有4种流行算法进行实验结果对比,均取得最好的效果。     

基于多图神经网络协同学习的显著性物体检测方法

目前基于深度卷积神经网络的显著性物体检测方法难以在非欧氏空间不规则结构数据中应用,在复杂视觉场景中易造成显著物体边缘及结构等高频信息损失,影响检测性能。为此,该文面向显著性物体检测任务提出一种端到端的多图神经网络协同学习框架,实现显著性边缘特征与显著性区域特征协同学习的过程。在该学习框架中,该文构造了一种动态信息增强图卷积算子,通过增强不同图节点之间和同一图节点内不同通道之间的信息传递,捕获非欧氏空间全局上下文结构信息,完成显著性边缘信息与显著性区域信息的充分挖掘;进一步地,通过引入注意力感知融合模块,实现显著性边缘信息与显著性区域信息的互补融合,为两种信息挖掘过程提供互补线索。最后,通过显式编码显著性边缘信息,指导显著性区域的特征学习,从而更加精准地定位复杂场景下的显著性区域。在4个公开的基准测试数据集上的实验表明,所提方法优于目前主流的基于深度卷积神经网络的显著性物体检测方法,具有较强的鲁棒性和泛化能力。     

基于特征排列和空间激活的显著物体检测方法

显著物体检测目前在计算机视觉领域中非常重要,如何处理不同尺度的特征信息成为能否获得优秀预测结果的关键。该文有两个主要贡献,一是提出一种用于显著目标检测的特征排列方法,基于自编码结构的卷积神经网络模型,利用尺度表征的概念将特征图进行分组和重排列,以获得一个更加泛化的显著目标检测模型和更加准确的显著目标预测结果;二是在输出部分利用了双重卷积残差和FReLU激活函数,抓取更全面的像素信息,完成空间信息上的激活。利用两种算法的特点融合作用于模型的学习训练。实验结果表明,将该文算法与主流的显著目标检测算法进行比较,在所有评测指标上都达到了最优的效果。     

一种基于图的流形排序的显著性目标检测改进方法

该文针对现有的基于图的流形排序的显著性目标检测方法中仅使用k-正则图刻画各个节点的空间连接性的不足以及先验背景假设过于理想化的缺陷,提出一种改进的方法,旨在保持高查全率的同时,提高准确率。在构造图模型时,先采用仿射传播聚类将各超像素(节点)自适应地划分为不同的颜色类,在传统的k-正则图的基础上,将属于同一颜色类且空间上位于同一连通区域的各个节点也连接在一起;而在选取背景种子点时,根据边界连接性赋予位于图像边界的超像素不同的背景权重,采用图割方法筛选出真正的背景种子点;最后,采用经典的流形排序算法计算显著性。在常用的MSRA-1000和复杂的SOD数据库上同7种流行算法的4种量化评价指标的实验对比证明了所提改进算法的有效性和优越性。     

基于图像显著轮廓的目标检测

为了应对由复杂场景和目标形变所造成的目标难以检测的问题,提出一种基于图像显著性轮廓的目标检测方法.该方法首先利用全局概率边界算法（Globalized probability of boundary,gPb）提取图像轮廓,然后利用改进的最大类间方差法（Otsu）自适应地阈值处理获得图像的显著性轮廓;再通过检测并移除目标不稳定轮廓部分构造目标的鲁棒扇形模型;最后联合轮廓的多种局部及全局特征提出三种相似且基于特征概率密度分布的匹配策略,分别检测目标、目标镜面翻转以及发生旋转的目标.通过对多个数据库的实验分析,该方法能够有效地检测出目标及目标镜面翻转,同时在小偏转角范围有效检测旋转后的目标.     

Precise Object Detection Using Iterative Superpixels Grouping Method

The region completeness of object detection is very crucial to video surveillance, such as the pedestrian and vehicle identifications. However, many conventional object detection approaches cannot guarantee the object region completeness because the object detection can be influenced by the illumination variations and clustering backgrounds. In order to overcome this problem, we propose the iterative superpixels grouping (ISPG) method to extract the precise object boundary and generate the object region with high completeness after the object detection. First, by extending the superpixel segmentation method, the proposed ISPG method can improve the inaccurate segmentation problem and guarantee the region completeness on the object regions. Second, the multi-resolution superpixel-based region completeness enhancement method is proposed to extract the object region with high precision and completeness. The simulation results show that the proposed method outperforms the conventional object detection methods in terms of object completeness evaluation.