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.     

一种基于图像簇多核学习模型的图像分类方法

依靠单一特征核函数不能很好地表示图像语义内容的融合,导致其图像分类算法只具备一般的判别能力。针对上述问题,采用基于图像簇模型的图像分类方法,研究将给定样本图像类别中具有相似形状、纹理或颜色特征的样本图像聚类到一个图像簇中,确保图像分类的准确性;该方法解决了样本图像簇和单个样本目标之间的关系,即样本图像中单个图像之间的差异,使学习模型获得较高的判别能力。经实验验证,图像簇多核学习模型能很好地减弱类内差异性和类间相似性的影响,且得到鲁棒性更强的图像分类模型。     

基于SOM聚类平滑图信号生成的MFR工作模式识别方法

针对无人机集群截获的信号样本难以直接融合分析,以及训练样本较少且工作模式样本不平衡条件下多功能雷达(MFR)工作模式识别精度低的问题,提出了一种基于自组织映射(SOM)聚类平滑图信号生成的MFR工作模式识别方法。首先,利用分布式SOM算法对截获的信号样本集进行聚类,提取样本之间的相似性;然后,依据聚类结果将信号样本集以平滑图信号的方式表征,建立同一工作模式下信号样本的关联;最后,采用图注意力网络对上述图信号进行图节点数据融合与分类,完成MFR工作模式识别。实验结果表明,在工作模式样本不平衡度约为10∶1,每种类别训练样本数为25时,该方法的识别准确率和F1指数相对现有方法分别提高了22.8%、22.34%,且能适用于存在一定噪声干扰的情况。     

基于稀疏矩阵的谱聚类图像分割算法

在图像分割中谱聚类算法需要计算像素之间的相似度矩阵,构造数据量大,并且要对拉普拉斯矩阵进行特征分解,计算比较耗时。针对这一问题,提出了一种基于稀疏矩阵的谱聚类图像分割算法。算法结合图像特征信息在不同尺度上对谱聚类进行误差分析,设计了一种新的样本信息选取方案,并利用选取的图像信息直接创建稀疏相似度矩阵。理论分析以及图像分割实验结果表明,该算法能够有效降低谱聚类的计算复杂度,同时,提高了分割的准确性和鲁棒性。     

基于区间数的不确定数据流2k近邻聚类算法

现有数据流聚类算法多数面向的是确定性数据,可是不确定数据的数据流聚类逐步被受到关注,因为经典的不确定数据聚类算法具有概率密度函数获取困难、实用性不强以及计算复杂等缺点,提出一种基于区间数的不确定数据流聚类算法UIDStream.算法用区间数来表示属性不确定性数据和基于区间数的距离计算方法,定义了不确定性数据之间的相似度,并利用传统k近邻聚类的思想,提出基于区间数的2k近邻微簇和最优2k近邻微簇的概念,通过最优2k近邻微簇的融合,实现不确定数据流的聚类.实验结果表明:改进后的算法具有良好的聚类效果,提高了不确定数据流聚类的聚类质量和速率.     

聚类与跟踪相结合的人脸数据集生成方法研究

为提高人脸数据集生成的准确率和效率,提出了一种将人脸跟踪与人脸聚类相结合的人脸数据集生成方法.首先,对KCF算法进行改进,并将改进的KCF算法用于人脸跟踪,得到不同时间片段的人脸图像集; 其次,从每个人脸图像集中通过人脸图像优选算法选出高质量的人脸图像; 再次,将优选出来的人脸图像进行人脸聚类,以完成视频中每个人的人脸数据集的生成; 最后,通过实验对比基于人脸跟踪、基于人脸聚类和基于本文方法的人脸数据集生成效果.实验结果表明,本文方法与基于人脸跟踪的人脸数据集生成方法相比,纯度提升约15%; 与基于人脸聚类的人脸数据集生成方法相比,效率提升约50%.     

基于组合零样本学习的接触网吊弦线缺陷识别

目前现场接触网吊弦缺陷图像严重不足，导致模型特征学习不充分，识别准确率难以得到有效提高，为此提出基于组合零样本学习的接触网吊弦线缺陷识别方法.采用以ResNet-50作为主干网络的视觉特征提取模块提取图像视觉特征；使用预训练的Word2Vec词向量对标签组合图中的节点特征进行初始化，并通过2层图卷积网络学习标签组合图中各节点之间的依赖关系，从而优化组合标签节点的语义特征，改善最终的识别效果；将提取到的视觉特征和优化后的组合标签节点的语义特征相对齐，构建相似度函数计算图像视觉特征与组合标签语义特征之间的相似度得分，并通过交叉熵损失完成图像组合标签的预测.仿真实验结果表明：所提方法对可见类样本的类平均检测准确率为93.5%，对不可见类样本的类平均检测准确率为86.5%.     

一种改进的短文本层次聚类算法

互联网上存在着海量蕴含丰富信息的短文本数据,由于短文本存在特征稀疏、用语不规范的特点,使用传统的聚类算法效果较差。提出了一种使用词向量表示特征并结合关键词提取的短文本聚类算法:定义特征权重计算公式,计算类簇中特征的权重,得到类簇的关键词;使用Skip gram模型训练得到的词向量计算关键词之间的语义相似度进而得到类簇的相似度实现聚类。在4个数据集上进行的实验结果表明文章的方法效果优于传统的聚类算法,宏平均较次优结果分别提高了22.3%、24.9%、2.9%和34.4%。     

结合代表点和密度峰的增量动态聚类算法

为了解决增量大数据聚类速度缓慢问题,提出了一种结合密度峰和代表点分析的快速聚类算法.先对样本集进行初始化聚类,然后根据删除失效的聚类数据调节聚类簇群的密度均值,再利用代表点的算法对样本集进行更新,最后采用密度峰算法进行重复聚类从而更新聚类核心点.通过实验分析表明:该算法可有效提高算法收敛速度.在应用方面,将这种聚类算法引用到大数据量的人脸聚类工作中,优化人脸聚类的效果.     

基于变色龙算法的共享单车站点聚类研究

为了更好地调度共享单车,提出了一种新的、基于变色龙算法的共享单车站点聚类算法,算法先按照k-近邻思想将站点关联图简化为k-近邻图,并以边割最小原则将图划分成大量子簇;然后,算法按照子簇的相似度不断合并子簇,直到构成指定的聚类数目。详细的实证分析表明:基于变色龙算法的站点聚类分析可以按照不同的聚类数目将站点聚类成不同粒度的聚类,凭借这些聚类可以找出城市中共享单车流动相对封闭的区域(城市小世界特征)。     

基于鉴别矢量角嵌入的人脸识别

针对基于构造邻接图的降维人脸识别问题,提出了一种鉴别矢量角嵌入的识别方法.构造了一幅有正/负连接边的邻接图,同类样本之间为正连接边,不同类样本的k近邻为负连接边.连接边权系数的测度采用矢量角代替矢量模,不但省去了传统方法中对热核权函数t参数的估计,而且降低了由于图像样本间的亮度差异对识别率造成的影响.样本数据保持邻接矢量角从高维空间嵌入至低维子空间,在分类识别中采用了角度最近邻分类器.Yale库和UMIST人脸库上的人脸识别实验结果表明,该算法比其他算法有更好的识别率.     

Color image segmentation using mean shift and improved ant clustering

To improve the segmentation quality and efficiency of color image, a novel approach which combines the advantages of the mean shift (MS) segmentation and improved ant clustering method is proposed. The regions which can preserve the discontinuity characteristics of an image are segmented by MS algorithm, and then they are represented by a graph in which every region is represented by a node. In order to solve the graph partition problem, an improved ant clustering algorithm, called similarity carrying ant model (SCAM-ant), is proposed, in which a new similarity calculation method is given. Using SCAM-ant, the maximum number of items that each ant can carry will increase, the clustering time will be effectively reduced, and globally optimized clustering can also be realized. Because the graph is not based on the pixels of original image but on the segmentation result of MS algorithm, the computational complexity is greatly reduced. Experiments show that the proposed method can realize color image segmentation efficiently, and compared with the conventional methods based on the image pixels, it improves the image segmentation quality and the anti-interference ability.     

基于轻量级卷积神经网络的人脸识别方法

针对传统卷积神经网络在人脸识别中模型复杂程度高、处理数据较慢的问题,提出一种轻量级卷积神经网络算法。首先,通过对数据集采用剪裁、旋转等方式增强样本数据;然后,采用基于MobileNet的轻量级卷积神经网络对样本数据进行特征提取,并采用SSD目标检测器对样本数据中的人脸进行识别;最后,利用Python编程实现上述算法,并与传统的人脸识别算法进行比较。实验结果表明,采用的轻量级卷积神经网络算法在不失精度的前提下,处理速度更快,模型复杂程度更低。     

BDCN和U-net边缘生成两阶段修复算法

为了对图像中大面积不规则缺失区域进行合理的结构修复和精细的纹理重构,提出了一种基于双向级联边缘检测网络（BDCN）和U-net残缺边缘生成的两阶段网络图像修复算法.第一阶段首先基于BDCN网络提取边缘,然后基于U-net架构的边缘生成网络用下采样对缺失图像边缘提取特征,再结合上采样的输入信息和下采样各层信息还原图像边缘纹理细节;第二阶段使用空洞卷积进行下采样和上采样,经过残差网络重建细节丰富的缺失图像.在公开数据集上将所提算法与现有经典算法进行对比,实验结果表明,所提算法能得到合理的结构和精细的纹理细节,优于对比算法.     

基于非采样高斯差分金字塔的多尺度融合边缘检测

针对传统边缘检测算法抗噪性差、边缘连续度低、细节边缘冗余,对运动目标检测应用领域的适用性差等缺点,论文基于图像多尺度的思想,结合小尺度图像边缘信息准确,大尺度图像抗噪性强、边缘冗余度低的优点,提出一种基于非采样高斯差分金字塔的多尺度融合边缘检测算法。算法首先对图像进行非采样高斯金字塔分解得到多尺度图像,同时在分解过程实现基于高斯差分算子的边缘检测,得到多尺度边缘图像。最后采用多尺度图像边缘融合策略实现多尺度边缘融合。论文通过实验对算法的有效性进行验证：通过对边缘融合结果进行Abdou-Pratt品质因数分析,表明该算法抗噪性强,边缘定位准确;连续度分析结果表明该算法在降低边缘冗余度的同时保留了主要边缘,且边缘连续度较高;车辆检测实验结果表明基于该算法得到的车辆检测结果准确度较高。     

融合Gabor特征与卷积特征的小样本行人重识别

针对视频监控环境下采集的可用行人图像数量有限,以及非可靠数据标注导致监督学习算法性能下降等问题,提出一种融合Gabor特征和卷积特征的无监督小样本行人重识别方法.采用Gabor变换提取多尺度、多方向行人纹理和边缘信息,实现小样本行人图像特征级数据增强,进一步通过特征编码消除冗余信息,提升相似度比对效率.采用卷积自编码网...     

基于遗传算法的动态模糊聚类基于遗传算法的动态模糊聚类

提出了一种基于遗传算法的动态模糊聚类方法。通过计算样本之间的模糊相似性,不失真地反映它们之间的内在关联。同时将样本之间的模糊相似性映射到样本之间的欧氏距离,即将高维样本映射到二维平面。利用遗传算法不断优化两者之间的映射,使样本之间的欧氏距离逐步趋近于其模糊相似性,实现动态模糊聚类。克服了聚类有效性对样本分布的依赖性;同时,增加了聚类的灵活性和可视化。该方法在性能上较经典的模糊聚类算法有一定改进,具有较好的聚类效果和较快的收敛速度。仿真实验结果证明了该方法的可行性和有效性。     

基于多尺度条件生成对抗网络血细胞图像分类检测方法

针对血细胞图像中白细胞样本较少和生成细胞图像细节不清晰,导致检测精度较低的问题,提出基于多尺度鉴别器的条件生成对抗网络. 该网络通过生成并添加大量逼真的白细胞图像到分类检测网络训练集的方式,实现对血细胞图像的生成和分类检测. 在现有条件生成对抗网络真假鉴别器中,引入多尺度卷积核、池化域并在通道上拼接,提升鉴别器对微观细节纹理特征和宏观几何特征的鉴别能力;引入梯度相似性损失函数,以提高生成细胞图像的亮度及边缘清晰度,提升图像的真实感. 实验证明,在图像生成阶段,增加多尺度鉴别器和梯度相似性损失函数提高了生成细胞图像的质量;在图像分类检测阶段,对比仅有真实数据训练的情况,增加细胞样本多样性使细胞分类检测的平均精度由90.4%提升至94.7%.     

Improved face image classification method based on the local embedding network

In order to improve the accuracy of facial expression recognition and face classification in a local linear embedding network, an improved face image classification method based on the local linear embedding network is proposed. Based on the local linear embedding algorithm, the intra-class to inter-class discrimination matrix is used as the input of the network. At the same time, the reconstruction of the face image set is used to improve the local linear embedding algorithm, and the improvement of the local linear embedding algorithm based on clustering is embedded into the construction process of the convolution kernel, thus increasing the discrimination degree of different types of faces. By the Extended Yale B data set and Olivetti Research Laboratory data set on the contrast experiment, the experiment is analyzed in the treatment of facial expressions and the effects of various methods in the face recognition task, the results show that, compared with the other methods, the recognition rate of the proposed improved locally linear embedding network face image classification method is raised by 11%~26%.