基于任务感知关系网络的少样本图像分类

针对关系网络(RN)模型缺乏对分类任务整体相关信息的感知能力的问题,该文提出基于任务感知关系网络(TARN)的小样本学习(FSL)算法。引入模糊C均值(FCM)聚类生成基于任务全局分布的类别原型,同时设计任务相关注意力机制(TCA),改进RN中的1对1度量方式,使得在与类别原型对比时,局部特征聚合了任务全局信息。和RN比,在数据集Mini-ImageNet上,5-way 1-shot和5-way 5-shot设置中的分类准确率分别提高了8.15%和7.0%,在数据集Tiered-ImageNet上,5-way 1-shot和5-way 5-shot设置中的分类准确率分别提高了7.81%和6.7%。与位置感知的关系网络模型比,在数据集Mini-ImageNet上,5-way 1-shot设置中分类准确率也提高了1.24%。与其他小样本图像分类算法性能比较,TARN模型在两个数据集上都获得了最佳的识别精度。该方法将任务相关信息和度量网络模型进行结合可以有效提高小样本图像分类准确率。     

基于迁移集成学习的无人机图像识别算法

针对当前小型无人机目标图像识别方法准确率较低的问题,提出了一种基于迁移集成学习的无人机图像识别算法。首先,基于AlexNet、VGGNet-19、Inception-V3以及ResNet-50四种结构具有差异的卷积神经网络对源数据集进行预训练,获取图像的深层次特征;然后,对目标数据集进行迁移学习,得到目标的分类特征,构建分类模型;之后,采用相对多数投票法和加权平均法的集成学习方法,对分类模型进行集成得到迁移集成模型。构建了一个包含小型无人机图像、飞鸟图像以及直升机图像的图像数据集UavNet,在对数据集进行数据增强的基础上开展了图像识别算法性能实验,结果表明,算法对多类目标的识别准确率为99.42%,无人机类目标识别的F1-score指标为99.12%,优于主流的卷积神经网络方法和传统的支持向量机方法,具有一定的理论意义和应用价值。     

利用最小冗余最大相关和SVM的SAR图像海上溢油识别

近年溢油事故频发,海洋污染日益严重。利用合成孔径雷达（SAR）卫星可以有效跟踪由海上溢油事故导致的油膜扩展情况。利用最大冗余最小相关-支持向量机（mRMR_SVM）算法进行SAR图像溢油识别,为溢油事故决策支持提供重要前提。首先采用mRMR提取最优特征向量集,对输入值进行降维; 然后采用SVM算法解决油膜图像分类问题,同时选择径向基函数（RBF）为核函数;使用训练集训练该模型,调整模型参数;以测试集特征向量作为输入,利用训练好的模型进行溢油识别。实验结果表明,mRMR_SVM模型对SAR图像的油膜和类油膜识别有效,准确率为96.875%.     

融合快照集成与知识迁移的人体行为识别算法

用卷积网络进行人体行为识别是毫米波雷达的一个热门研究方向。由于卷积网络结构的缺陷性,而且目前用于人体行为识别公开的雷达领域数据样本量过少,传统深度学习算法对雷达微多普勒图像的识别率不高,且在训练过程中容易出现过拟合的现象。针对上述问题,本文提出一种融合快照集成与迁移学习的雷达人体行为识别算法。首先,针对深度卷积网络无法提取图像全局特征的问题,该算法通过搭建Vision Transformer(VIT)模型引入注意力机制。其次,通过VIT模型在公开自然数据集上进行任务迁移和特征空间的迁移,解决微多普勒图像的识别过拟合的问题。最后,利用基于快照集成的投票机制算法,提升模型对复杂雷达微多普勒图像的识别能力。试验结果表明,在目标任务数据集样本量少、背景复杂的情况下,该算法能在不增加训练成本的前提下提升微多普勒图像的识别准确率,在VIT模型下该算法识别准确率达到了89.25%,优于经典卷积神经网络。     

距离选通成像在无人机识别分类中的应用北大核心CSCD

针对无人机夜间难以识别的问题,采用YOLOv5算法对无人机激光图像进行识别分类。首先对距离选通成像原理进行了说明,其次介绍了YOLOv5网络结构,然后建立了五种无人机激光图像数据集,最后使用YOLOv5的四种网络模型对数据进行训练。实验结果得出,四种模型的准确率都是99.73%,损失率都在1%以内,同时,在YOLOv5s网络下五种无人机识别分类的平均识别率为96%、94.6%、95.2%、95.7%、95.4%,识别准确率较高。     

基于深度学习的石油污染物三维荧光光谱识别技术研究

石油油品在一定的激发光照射下可产生相当强度的三维荧光光谱，是鉴别和分析石油污染物的重要依据。由于石油油品的荧光光谱特征复杂、数据庞大，不宜直接用数学模型描述，也不宜简单依靠人工观察分析。因此，根据深度学习的卷积神经网络（CNN）理论提出了一种直接利用石油油品原始荧光数据进行CNN建模的方法，利用其强大的非线性运算能力、自适应表示学习能力，自动隐性地从训练数据中进行特征学习，实现水环境中石油污染物种类识别。通过大量的荧光实验构建了石油油品（汽油、机油、柴油）的训练和验证光谱数据集，基于Python深度学习框架Keras建立了CNN模型，并对CNN模型在光谱数据集上进行了训练、验证与测试实验，实现了被测油品的种类判别。实验结果表明：该CNN模型对3种油品的训练集与验证集三维荧光光谱的分类准确率都达到了99.76%，综合测试分类准确率达到82.65%，对单物质分类准确率为100%，验证了三维荧光技术结合深度学习算法能够实现对石油油品准确可靠的判别分类，也为进一步研究基于深度学习的水环境污染物智能识别系统提供了技术支持，为环境检测提供了一种新思路与新方法。     

基于自注意力的合成孔径雷达图像目标分类方法北大核心CSCD

基于自注意力的视觉变换器(ViT)模型在自然语言处理和计算机视觉领域显示出强大的特征提取和模式表征能力。针对合成孔径雷达(SAR)图像特征与自然物体图像特征存在明显差异的问题,文中提出一种使用ViT模型进行SAR图像目标分类识别的方法,探索基于自注意力的深度学习模型在SAR图像智能化处理的可行性和有效性。ViT模型架构设计与自然语言处理模型架构相似,具有设置简单、可扩展性好、开箱即用的优点。模型主要由图像块分割、图像块投影嵌入、位置嵌入、自注意力模块序列和全连接分类器五部分组成。选择MSTAR公开数据集作为实验数据集,并对数据集训练样本进行数据增强,在增强数据集上对ViT模型进行训练,以在验证集上获得较低的误差和较高的识别率并使网络收敛。使用训练好的ViT模型对SAR图像测试样本进行分类测试,结果显示ViT模型对于SAR图像分类有着高准确率和良好的泛化能力,基于自注意力深度学习方法在SAR图像自动化处理领域具有广阔的应用前景。     

基于共轭梯度法的CNN图像分类模型研究

本文针对处理图像分类的卷积神经网络(CNN)模型,设计并应用修正的三项PRP共轭梯度法(M-PRPCG)训练模型以提高图像分类的准确率。首先,基于CIFAR-10图像分类数据集构建ResNet18和VGG16卷积神经网络(CNN)模型;然后在训练集上,采用修正的三项PRP共轭梯度法(M-PRPCG)训练模型;最后在测试集上进行验证。实验结果表明,修正的三项PRP共轭梯度法(M-PRPCG)训练的ResNet18和VGG16模型相比于Adam算法训练的模型在图像分类准确率上分别提高了3.46%和1.97%。     

基于深度学习的乳液泵缺陷检测算法

为了实现对工业产品乳液泵的缺陷检测,本文采集泵顶、泵上端、泵下端、尾管4个角度的样本图像,并基于深度学习中迁移学习和卷积神经网络的原理分别构建各角度的分类模型以检测缺陷样本。首先,使用Mini-ImageNet数据集预训练网络模型。然后,调整模型结构并加载预训练网络的参数,并将乳液泵各角度的训练集和验证集经过图像预处理算法后输入至卷积神经网络中训练,根据训练过程中验证集准确率的变化调整网络超参数,得到最终网络模型。最后,将预处理后的乳液泵测试样本输入至训练好的模型中,检测最终模型的缺陷识别效果。最终4个角度检测准确率均在93%以上,单样本检测用时为2.52s,优于传统方法。本文算法可用于设计乳液泵缺陷检测系统,该系统能与工业结构相结合筛选出有缺陷的泵体,也可拓展到工业其他物件的缺陷检测。     

基于深度学习的光学薄膜元件损伤识别与分类研究

激光诱导光学薄膜元件损伤是限制激光向高功率、高能量发展的瓶颈,因此,光学薄膜损伤的快速检测已成为亟需解决的问题。为提高光学薄膜元件损伤识别与分类的准确率和效率,提出了一种基于深度学习的损伤图像分类模型训练方法。采集激光辐照氧化物薄膜损伤图像,通过噪声去除、图像增强等预处理,提取损伤区域RGB值、灰度、纹理、形状等特征信息,投入BP神经网络训练识别,受数据集较少和计算误差的影响导致分类结果未达期望值,因此,使用迁移学习训练数据集,结果表明,使用迁移学习在准确率和灵敏度等评价指标上均优于BP神经网络,准确率达90%,将深度迁移学习技术用于光学薄膜元件的损伤识别,为解决激光诱导的光学薄膜损伤判别提供了新思路。     

深度学习结构优化的图像情感分类

自然图像情感分类在分析用户需求、监控网络舆情等方面具有重要意义。然而基于深度学习的分类算法存在训练过程难以控制、分类结果缺乏解释的问题。为此提出一种人类知识驱动的深度学习结构优化算法。首先通过特征可视化显示卷积神经网络提取的情感特征;其次结合人类对图像情感可视化结果的感知来优化网络结构,利用人类知识驱动网络,重点学习情感信息更明显的特征;最后对所构建网络的参数进行微调,使其更适用于自然图像情感分类任务。在Twitter情感图像数据集上与其他分类方法的对比实验表明,所提出的算法获得了88.1%的分类准确率,优于其他方法。消融实验证明网络优化结果比未优化提高了8.1%。类激活图、空间位置和神经元组特征可视化直观解释了模型运作的过程与原因,进一步证实算法识别自然图像情感的能力。     

改进的U-Net算法在遥感图像典型农作物分类研究

针对传统算法提取遥感图像分类特征不全,及识别农作物分类准确率不高的问题,以无人机遥感图像为数据源,提出改进U-Net模型对研究区域薏仁米、玉米等农作物进行分类识别。实验中首先对遥感影像进行预处理,并进行数据集标注与增强;其次通过加深U-Net网络结构、引入SFAM模块和ASPP模块,多级多尺度特征聚合金字塔方法等对算进行法改进,构建改进的U-Net算法,最后进行模型训练与改进修正。实验结果表明:总体分类精度OA达到88.83%,均交并比MIoU达到0.52,较传统U-Net模型、FCN模型和SegNet模,在分类指标和精度上都有明显的提升。     

基于改进聚类算法的图像特征提取

图像的识别与分类技术作为人工智能方向的研究热点之一,具有很重要的研究意义。图像的特征提取作为其中的关键,从本质上决定着图像识别正确率的高低。随着大数据时代的到来,以深度学习模型为代表的特征学习方法展现了其在图像特征提取任务上的强大能力。通过逐层训练的方式,深度学习模型能够以高度自主化的方式提取出图像的深层特征,并取得了现有究阶段的最好成果。尽管深度学习模型的学习能力极其强大,但其模型结构的复杂以及训练之中的开销也为其训练带来了阻碍。因此文章以聚类算法为基础,通过构建层次的图像特征提取模型以提高图像分类的准确率。     

一种基于集成卷积神经网络的SAR图像目标识别算法

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别问题，提出了一种基于集成卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先对原始数据集进行数据增强的预处理操作，以扩充训练样本；接着通过重采样的方法从训练样本中获取不同的训练子集，并在训练各基分类器时引入Dropout和Padding操作，有效增强了网络泛化能力；然后采用Adadelta算法与Nesterov动量法结合的思想来优化网络，提高了网络的收敛速度和识别精度；最后采用相对多数投票法对基分类器的分类结果进行集成。在MSTAR数据集上进行的实验结果表明，集成后的模型识别准确率达到99.30%,识别性能优于单个卷积神经网络，具有较强的泛化能力和较好的稳健性。     

基于CNN的金属疲劳裂纹超声红外热像检测与识别方法研究

传统超声红外热像检测与识别金属疲劳裂纹主要是通过图像处理算法提取红外热图像的相关热特征,并与裂纹特征进行匹配,其过程过于繁琐,识别率较低且需要人工筛选有效特征。结合主动红外热成像技术以及卷积神经网络（Convolutional Neural Network,CNN）在金属结构无损检测与缺陷自动识别中的优势,提出了一种基于CNN的金属疲劳裂纹超声红外热像检测与识别方法。通过超声红外热成像装置对实验对象（文中为金属平板试件）进行检测,获取红外热图像并制作图像数据集。运用设计的卷积神经网络对不同尺寸裂纹的超声红外热图像进行特征提取与识别分类。此外,对所提出的方法与两种常见图像分类网络模型以及支持向量机的分类结果进行对比。实验结果表明,设计的卷积神经网络在该数据集上识别分类准确率为100%,优于其他网络模型和支持向量机的识别分类,可以有效检测与识别金属疲劳裂纹。     

基于双线性注意力网络的垃圾图像识别与分类方法

针对传统图像识别技术应用于垃圾图像的识别及分类中存在的误差较大的问题,文章提出一种基于双线性注意力网络的垃圾图像识别与分类方法。采用二维中值滤波法,对自主拍摄和网络收集而构建的居民生活垃圾图像数据集图像进行去噪处理。应用多尺度融合方法对去噪后的图像质量进行增强处理,以此完成对垃圾图像的预处理。最后,设计一个双线性注意力网络模型,经过模型训练完成垃圾图像的分类识别。实验结果表明,应用该方法识别并分类居民生活垃圾图像的准确率为96.5%,说明该方法具有较好的有效性与较高的准确性。     

基于热释电红外传感器的人体动作识别方法

针对目前人体动作识别技术中存在的隐私暴露、技术复杂度高和识别精度低等相关问题,提出了一种基于热释电红外（PIR）传感器的人体动作识别方法。首先,采用一组安置在天花板上经过视场调制的PIR传感器采集人体运动时散发的红外热辐射信号,将传感器输出的电压模拟信号进行滤波放大后通过ZigBee无线模块传送到PC端打包成原始数据集;其次,将原始数据的两路传感器输出数据进行特征融合,对融合后的数据做标准化处理封装为训练集和测试集;然后,基于数据的特征提出一种两层级联的混合深度学习网络模型作为人体动作的分类算法,第一层采用一维卷积神经网络（1DCNN）对数据进行特征提取,第二层采用门控循环单元（GRU）保存历史输入信息防止丢失有效特征;最后,利用训练集来训练该网络模型得出参数最优的分类模型,通过测试集验证模型的正确性。实验结果表明,提出的该动作识别技术模型对基本动作分类的准确率高于98%,与图像动作识别或穿戴式设备动作识别相比,实现了实时、便捷、低成本和高保密性的高精度人体动作识别。     

一种基于EfficientNet与BiGRU的多角度SAR图像目标识别方法

合成孔径雷达(SAR)的自动目标识别(ATR)技术目前已广泛应用于军事和民用领域。SAR图像对成像的方位角极其敏感,同一目标在不同方位角下的SAR图像存在一定差异,而多方位角的SAR图像序列蕴含着更加丰富的分类识别信息。因此,该文提出一种基于EfficientNet和BiGRU的多角度SAR目标识别模型,并使用孤岛损失来训练模型。该方法在MSTAR数据集10类目标识别任务中可以达到100%的识别准确率,对大俯仰角(擦地角)下成像、存在版本变体、存在配置变体的3种特殊情况下的SAR目标分别达到了99.68%, 99.95%, 99.91%的识别准确率。此外,该方法在小规模的数据集上也能达到令人满意的识别准确率。实验结果表明,该方法在MSTAR的大部分数据集上识别准确率均优于其他多角度SAR目标识别方法,且具有一定的鲁棒性。      

基于Inception V3的图像状态分类技术

为了实现对物体状态的分类识别,本文在GoogLeNet的Inception V3模块基础上进行了优化,使用Tanh作为激活函数并结合RMSprop,SGD优化器提升了模型的准确率。首先采用三次卷积插值,GAN对图像集进行预处理,再利用Inception对图像进行训练,最后结合RMSprop和SGD优化器对模型进行优化。用本文提出的模型在20个烹饪对象的图像上进行实验,结果表明,本文优化的Inception V3模型能够以71.5%的准确度对这些图像的状态进行分类,与对比算法相比,在分类准确度、训练损失上都有明显提升,可以满足图像分类的可靠性、稳定性等要求。     

基于多姿态角模型的SAR图像分类方法

针对传统合成孔径雷达(SAR)图像目标识别存在精度低、效率差的问题,提出一种多姿态角模型SAR图像分类方法。根据SAR图像姿态角敏感特性,首先将数据集按照不同方式和间距进行划分,得到不同的数据集组合,其次利用卷积神经网络训练划分后的数据集得到不同组子模型,并将效果最好的一组子模型融合成一种多姿态角模型,最后使用稀疏表示的方法对待测样本进行姿态角的角度估计,获取其姿态角信息后送入多姿态角模型中进行模型匹配,得到图像分类结果。实验结果表明,所提方法的目标识别准确率高于传统算法,在姿态角变化较小的数据集中训练得到的模型能够对目标群体进行更精确的目标类别估计。