选择多模态组特征提升社交媒体谣言检测性能

社交平台新闻常常是文字、图片与音视频多种模态结合。多模态数据结构复杂，特征冗杂，噪声特征影响检测精度。针对以上难题提出基于组特征选择的谣言检测方法FS-MKL,基于多核学习的组特征选择将同构数据作为一个整体，检测其重要性，并融合fastPCA和SVM-RFE算法进行降维，过滤噪声特征。实验结果表明，FS-MKL方法对于推特中的多模态谣言有较好的识别效果，是一种有效的多媒体社交谣言检测方案。     

基于蚁群优化算法的复杂背景图像文字检测方法

针对复杂背景图像中的文字检测问题,提出一种基于蚁群优化算法的复杂背景图像文字检测方法。该方法首先采用蚁群优化算法提取图像边缘;然后在边缘图像上提取特征,采取由粗到精多级检测、验证的策略进行文字检测。与基于Soble算子、Canny算子等方法的对比实验结果表明,所提出的基于蚁群优化算法的文字检测方法可有效地实现复杂背景图像中的文字检测。     

基于深度学习的复杂气象条件下海上船只检测

为了解决复杂海情环境下的不同种类和大小的舰船检测问题,提出一种实时的深度学习的目标检测算法。首先,提出了一种清晰图片和模糊图片（雨、雾等图片）判别的方法;然后,在YOLO v2的深度学习框架的基础上提出一种多尺度目标检测算法;最后,针对遥感图像舰船目标的特点,提出了一种改进的非极大值抑制和显著性分割算法,对最终的检测结果进一步优化。在复杂海情和气象条件下的舰船目标公开比赛的数据集上,实验结果表明,相比原始的YOLO v2,该方法的准确率提升了16%。     

基于Gentleboost算法的人物检测

传统的人物检测方法多是对于小样本,并且对于背景复杂的图片检测率很低,但是现实中的场景复杂,而且实时检测系统需要处理大量图片。针对传统检测方法在人体检测中的这些不足,提出了一种基于集成学习的方法——Gentleboost算法的人物检测方法,利用人物的身体碎片以及这些碎片相对于身体中心的相对位置作为特征,用Gentleboost算法训练的分类器来对人体进行分类。为了提高分类器的学习效率,解决复杂场景中人体检测的难题,提出了一种利用线性回归末端作为弱分类器的方法,从正、负两个方面对预测模型进行加权,改变了原来的仅从正预测进行加权的方法。将Gentleboost和基于YCbCr外表滤波加上身体部分特征的人物检测算法（简称为YCbCr算法）进行比较,并且对不同迭代次数的分类性能也进行了比较。实验结果表明,Gentleboost的性能要优于YCbCr算法,而且随着迭代次数的增加,检测精度也随着增加,并且逐渐趋于稳定。该方法执行起来简单,数值上也比较稳定,正确率高,可以处理大量图片,解决了人体检测中的一些关键问题。     

基于深度学习的图片中商品参数识别方法

计算机计算性能的提升使得深度学习成为了可能。作为计算机视觉领域的重要发展方向之一的目标检测也开始结合深度学习方法并广泛应用于各行各业。受限于网络的复杂度和检测算法的设计,目标检测的速度和精度成为一个trade-off。目前电商领域的飞速发展产生了大量包含商品参数的图片,使用传统方法难以有效地提取出图片中的商品参数信息。针对这一问题,本文提出了一种将深度学习检测算法和传统OCR技术相结合的方法,在保证了识别速度的同时大大提升了识别的精度。本文研究的问题包括检测模型、针对特定数据训练、图片预处理以及文字识别等。本文首先比较了现有的目标检测算法,权衡其优缺点,然后使用YOLO模型完成检测任务,并针对YOLO模型中存在的不足进行了一定的改进和优化,得到了一个专用于检测图片中商品参数的目标检测模型,最后使用tesseract完成文字提取任务。在将整个流程结合到一起后,我们的系统不仅有着较好的识别精度,而且是高效和健壮的。本文最后还讨论了优势和不足之处,并指出了未来工作的方向。     

基于蚁群算法的文字识别

在智能自动化领域,具有群体智能特征的蚁群算法引起了人们的广泛关注。目前,在文字识别方面的研究仍较少,而在当今社会很多方面都需要用到文字图像边缘的检测与文字识别,在文字信息泛滥的时代,利用人工识别技术检测识别图片、纸张、广告牌、视频等媒介上的文字已经变得不太现实。为了准确、高效地检测识别出文字,在学习了蚁群算法的基本原理之后,改进了传统的蚁群算法,并将其应用于图像分割、提取文字领域,同时结合图像文字识别技术OCR和纹理特征检测文字图像边缘,由此提高文字检测识别的准确性。     

基于扩展失败文字检测的MaxSAT完备算法

为提高MaxSAT完备算法剪枝率和运算效率,分析失败文字检测寻找冲突集的过程,提出扩展失败文字检测方法。通过延长失败文字搜索冲突的路径,形成搜索1步、2步和任意步的递进失败文字检测方式,实现改进的MaxsatzEF算法。实验测试了MaxSAT国际竞赛4个类别的500多个算例,实验结果表明,递进失败文字检测方法找到了更多独立冲突集,可有效提高算法的下界,大幅缩短复杂算例的运行时间。     

基于公路监控视频的车辆检测和分类

在学习了已有的检测与分类算法以后,设计了一种将改进的高斯混合模型（GMM）与分类网络（GoogLeNet）融合的方案用于车辆的检测和分类.针对高斯混合模型存在模型初始化速度慢和计算复杂的问题,改进了初始化模型的算法提升初始化效率.运用五帧差法做车辆初提取,在提取到的车辆区域上运用高斯混合模型获得车辆图片,把五帧差法和高斯混合模型结合起来减小了建模的区域,提升了检测速度,提高了系统实时性.最后使用GoogLeNet对车辆分类.实验证明相较于现有的车辆检测分类方法,本文所提方法在检测速度和分类准确性上都有很大提升,满足了现实场景下对监控视频的车辆检测和分类的实时性要求.     

结合笔画方向信息与SVM的英文文字检测

文字检测是文字信息提取系统中最重要的环节。针对在非均匀光照或背景图案复杂等恶劣环境下文本行难以被检测的难题,设计一种通用的基于笔画方向信息图的通用文字检测算法,该算法采用由粗到细的实现框架。在粗的文字行定位中,利用Haar小波和LBP描述符,建立与原图像相对应的笔画方向信息图,经滤波,连通域分析以及PPA后得到候选的文字行;在文字行精确分类中,利用SVM分类器,并结合多种文字的纹理特征,确认最终的文本行区域。针对图片数据库ICDAR03的实验表明该算法能在不同条件下快速,准确地检测出文字区域,文字检测的精确率为0.64,召回率为0.67。     

基于深度学习的图片敏感文字检测

为快速检测图片文字中的敏感词汇,引入深度学习的方法进行文字检测和识别。对图片预处理,对连通区域进行标记;利用两层限制玻尔兹曼机（RBM）对连通区域进行文字区域的判别和选取;利用水平投影和区域生长的方法对得到的文字区域进行字符的分割;用BP神经网络算法和深信度网络（DBN）算法结合对敏感信息进行检测。敏感文字检测理论分析和实验数据表明该方法的算法复杂度低,检测速度快。