基于特征级联融合的图像篡改检测方法

针对图像篡改检测领域中不能有效处理不同尺度特征问题,提出一种特征级联融合检测网络.网络采用特征级联融合模块结合U型分割网络结构,有效融合不同尺度的特征信息.通过在每个网络块融合浅层特征信息、瓶颈层和深层特征信息,以弥补深层语义信息的不足,并抑制背景信息干扰,提升了浅层网络的检测能力,实现了对篡改区域的精准定位.实验结果表明,与现有的图像篡改检测方法相比,特征级联融合检测网络显示出更高的准确性和稳定性,在CASIA数据集上F-measure提高了3%,在COLUMB数据集上提高了4%,证明了其在图像篡改检测任务中的有效性.

基于特征级联的联合平滑多视图子空间聚类算法

近年来,多视图聚类问题受到国内外的广泛关注.联合平滑多视图子空间聚类算法通过视图共识分组效应,利用多个视图的局部结构来规范视图共性表示,取得了不错的聚类效果,但是该算法对于不一致性的探索仍然存在一定的局限性,限制了聚类性能的进一步提升.为了进一步挖掘多视图的不一致性,提出一种基于特征级联的联合平滑多视图子空间聚类算法,它不仅同时学习视图间的一致性与不一致性,增强视图的多样性,还将不一致性划分为特定于集群的不一致性与特定于样本的不一致性,通过核范数进一步与低秩表示相关联,并在此基础上使用交替方向最小化进行迭代.在四个公共数据集上与其他优秀算法进行了对比实验,证明了所提算法的优越性.

基于双注意力引导特征级联的显微影像深度估计方法

深度估计在医学显微影像中具有重要应用价值,可以弥补外科医生在手术过程中由于观察目镜感官受限而难以获得精确深度信息的不足。针对手术场景动态多变、软组织和手术器械尺度微小等原因导致深度估计精度不高的问题,提出了一种改进稠密回归中跨层级特征级联的深度估计方法。通过利用多层次特征聚合模块,将编码器中的上下文信息传递到解码器中,同时基于通道选择和分支优化的双重注意力特征融合机制来优化解码的精度。为了获得密集的深度真值,提出了一种迭代式配准策略,结合自动化的机械臂扫描实现由粗到精优化多视角点云配准,并从模拟场景中重建高精度深度数据。结果表明,本文提出的深度估计方法实现了0.001 51的均方误差值(root mean squared error,RMSE)和0.030 39的尺度不变对数误差值(scale-invariant log,SILog),超越了以往最先进的方法,并对细小手术器械的尖端产生了更精准的深度估计。

基于多特征级联的目标跟踪算法研究

为了增强目标跟踪的有效性,提出了一种以粒子滤波作为跟踪框架,基于多特征级联的目标跟踪算法。以log-Gabor滤波器作为粒子判别级,滤除一定数量的无效粒子以提高粒子滤波的性能;再级联融合了log-Gabor特征、局部二值模式(LBP)特征和方向梯度直方图(HOG)特征的粒子加权级,实现目标跟踪。应用log-Gabor滤波器良好的频率响应对粒子做出总体评估以决定其有效性,同时以log-Gabor滤波器输出张成的频域特征。配合LBP和HOG局部特征,处理目标总体信息和细节信息,利用混合高斯模型突出后验概率分布中的峰值状态。实验结果表明,该文算法能快速去除无效粒子,实现目标的鲁棒跟踪。

面向活体人脸检测的时空纹理特征级联方法

为了解决身份认证中的安全问题,通常采用活体人脸检测方法.为提高活体人脸检测的鲁棒性,文中提出时空纹理特征级联方法.首先采用局部二值模式(LBP)计算韦伯局部描述符(WLD)的差分激励,利用Prewitt算子计算WLD的方向角,提取时空域的纹理特征.再将3个正交时空平面XY、XT、YT的纹理特征直方图进行级联,得到动态纹理特征即时空纹理级联特征,并对真实人脸和伪装人脸做出判定.在公开活体人脸数据库上的实验表明,相比现有主流局部纹理特征方法,文中方法识别率更高.

基于特征级联的肺炎咳嗽声识别

针对识别肺炎咳嗽声方面现有特征组合方法单一的问题,提出了实现级联浅层和深层特征的SELeNet-5网络模型。首先对咳嗽声使用6层小波包分解得到相对小波包能量作为浅层特征,同时,对咳嗽声预处理生成语谱图,使用改进的LeNet-5网络作为特征提取模型,从语谱图提取出深层特征;其次通过特征级联网络层结合浅层和深层两种不同层次的特征,形成新的特征向量;最终输入到注意力机制网络模块并通过全连接网络层输出肺炎咳嗽声的识别结果。对比实验结果表明,使用特征级联方法的SELeNet-5网络模型方法得到了79.81%的准确率,相比使用单一浅层特征准确率提高了6.81%,与使用单一深层特征相比准确率提高了2.92%。实验结果表明级联特征在肺炎咳嗽声识别上比单一的浅层或深层特征具有更好的效果,有效提高了肺炎咳嗽声识别准确率。

采用级联策略融合边界特征的多尺度息肉分割网络

结直肠息肉分割能有效辅助医生筛查大肠腺瘤,但息肉分割存在噪声较多、边界区分度不够等问题。针对以上问题,本文设计了一种采用级联策略融合边界特征的多尺度息肉分割网络。首先,本文提出了一种改进的通道分组空间增强模块,以增强骨干网络提取的图像特征,从而提高通道和空间位置的相关性。其次,考虑到边界区分度不够,设计了一个级联特征融合网络,以更好地保留边界信息并提高边界区分度,从而提高分割精度。最后,引入了一种双分支混合上采样模块来获取更多的特征细节信息,以实现特征的互补以及捕获更完整有效的特征。在CVC-ClinicDB和Kvasir数据集上进行测试,本文算法的平均Dice系数分别为0.944,0.920,平均交并比分别为0.900,0.869;而M2SNet算法的平均Dice系数分别为0.922,0.912,平均交并比分别为0.880,0.861。在ETIS-LaribPolypDB,CVC-300和CVC-ColonDB数据集上进行测试,本文算法的平均Dice系数分别为0.776,0.915,0.782;而M2SNet算法的平均Dice系数分别为0.749,0.903,0.758。实验结果表明本文算法的分割精度较高,泛化能力较强。

基于级联宽度学习与麻雀算法的非侵入式负荷分解方法

深度学习被广泛应用于非侵入式负荷分解中,其分解精度高但存在网络结构复杂、训练过程极度耗时等问题,并且对计算资源有一定要求,难以与嵌入式设备集成使用。对此,面向低频数据,提出一种基于级联宽度学习与麻雀算法的非侵入式负荷分解方法。首先,改进宽度学习特征节点的连接方式,构建各目标设备的级联宽度学习负荷分解网络。然后,通过麻雀搜索算法确定各目标设备分解网络的最优特征节点和增强节点数,实现负荷的高效分解。最后,基于实际数据集UK-DALE进行了仿真实验,通过与常用的非侵入式负荷分解方法进行比较,验证了所提方法的优越性。

基于多层级特征融合的线状柔性体分割方法

为解决线状柔性体分割精度低、速度慢的问题,提出一种改进DeepLabV3+网络。利用轻量化且易收敛的MobileNetV2作为主干特征提取网络,通过CA注意力模块对输入特征进行关键信息的集中关注,提出一种多尺度空洞金字塔池化结构,提升网络的感受野和模型训练效率,在解码层提出改进的级联特征融合模块融合三层浅层特征,提升语义信息的表征能力。实验结果表明,改进网络相比未改进网络MIOU、IOU分别提高2.82%、3.46%,预测时间减少5.2 ms,能够实现复杂背景下线状柔性体的准确分割。

结合Transformer与CNN的双向级联皮肤病图像分割网络

皮肤病图像分割是皮肤癌诊断和分析的关键步骤。卷积神经网络(CNNs)在各种医学图像分割任务中取得了巨大的成功。然而,连续的降采样操作带来了网络的冗余性和局部细节的丢失,并且在远程关系的建模中也存在很大的局限性。相反,Transformer在全局上下文建模方面显示出巨大的潜力。在文中,提出了一种结合Transformer与CNN的双向级联皮肤病图像分割网络,以提高网络在全局环境建模的效率,同时保持对底层细节的控制。此外,还构建了一种新的融合技术—双流级联特征聚合模块,以有效地集成来自两个分支的多层次特征。所提网络并行地结合了Transformer和CNN,其中可以有效地捕获全局依赖性和低级空间细节。大量的实验表明,所提网络在皮肤病分割数据集上取得了很好的性能。

基于注意力机制的多级特征级联行人重识别

针对现有行人重识别算法因细节信息关注不足导致的判别性不强问题,提出了一种基于注意力机制的多级特征级联行人重识别算法。首先,通过级联不同深度的特征实现对不同层级特征的充分利用,以补充高层级特征中的细节信息。然后,引入一对互补的注意力机制模块,以融合特征图中相似的像素及通道,弥补特征中的空间位置信息,提高特征的判别性。最后,在Market-1501、DukeMTMC-ReID、CUHK03数据集上进行了大量实验。结果表明,本算法的识别精度和平均准确率优于大多数当前的主流算法。

部分级联特征的离线手写体汉字识别方法

针对汉字类别多、风格多等识别难点,提出了一种基于LS-SVM的部分级联特征分类的离线手写体识别方法.具体包括霍夫空间加权采样和局部二值分布直方图两种新的特征提取算法,其可将任意大小的图像映射到固定长度的特征向量上,克服了已有特征提取算法的需要归一化、对笔画密度分布敏感等缺点;提出了基于部分级联特征的分类方式;提出了常见多分类方式的类别与正确率的关系,并给出了相应的数学证明.

基于级联特征的随机森林运动目标跟踪算法

在运动目标检测与跟踪的过程中,实际环境下的目标旋转、目标遮挡以及光照变化等因素时常出现,而目标检测与跟踪的性能对这些复杂环境因素极为敏感,甚至易导致目标跟踪丢失。为了提高复杂环境下运动目标跟踪的鲁棒性和稳定性,提出一种基于级联特征的随机森林运动目标跟踪算法。该算法首先在保留目标关键信息的ASIFT特征中级联目标轮廓信息作为正样本,训练正样本生成随机森林分类后续序列图像特征;在此基础上将CamShift算法确定的目标搜索窗口中的非目标特征作为负样本,训练负样本并更新随机森林以改善特征分类性能;最后通过对正负样本特征加权计算目标搜索窗口质心以改善跟踪性能。实验结果表明,该算法能够在光照突变、遮挡以及目标旋转等复杂环境下有效地实现运动目标跟踪。

基于分组卷积和特征图级联的轻量级目标检测

针对Pelee轻量级目标检测网络中参数量和计算量较多、检测精度较差等缺陷,提出了基于分组卷积和特征图级联的轻量级目标检测网络GCPelee。首先,利用分组卷积替换检测模块中的标准卷积形式以减少模型参数量和计算量;其次,在检测模块上应用特征图级联,将感受野较大的特征图包含的信息传递至感受野较小的特征图,提升后者的感受野大小。实验结果表明,优化后的GCPelee模型参数量和计算量均得到减少,检测精度得到了提升。

街景图像中基于级联特征的行人检测方法

针对街景中的行人检测问题,提出了一种基于级联特征的行人检测方法。首先采用简单特征提取可能包含行人的潜在区域;然后采用基于概率接受的方法,结合方向梯度直方图(HOG)特征进行密集扫描分类;最后用非最大化抑制(NMS)过程聚合分类结果。实验结果表明一方面这种基于级联特征的方法使两类特征互补提高了检测精度;另一方面基于概率接受的方法进行密集扫描分类使得检测时间显著缩短。

基于级联特征分类器的行人检测算法

为进一步提升方向梯度直方图-局部二值模式(HOG-LBP)特征融合的行人算法在检测精度以及加快融合后的算法检测速度,提出了一种基于级联特征分类器的行人检测算法。计算样本集的方向梯度共生直方图(CoHOG)特征和鲁棒局部二值模式(RLBP)特征,使用这两种特征训练两种特征弱分类器,并将两种特征融合训练CoHOG-RLBP特征弱分类器。针对算法中存在的特征维数过高导致算法检测速度慢的问题,将各特征分类器以不同数量进行级联,构建一个6级特征弱分类器组成的级联特征分类器实现对行人目标的检测,同时使用soft-NMS算法对输出的检测窗口进行融合。在INRIA行人数据集上进行实验,实验结果表明本文算法有效提高了检测的精度与速度。

基于级联特征的嵌入式篮球运动视频目标跟踪算法

当前在使用目标跟踪算法跟踪嵌入式篮球运动视频时,由于误差累积导致跟踪漂移且无法处理目标遮挡,造成目标跟踪算法执行时间较长和成功跟踪标记目标数量较少等问题。为此,提出了基于级联特征的嵌入式篮球运动视频目标跟踪算法。实验结果表明,目标跟踪算法跟踪执行时间较短,具有较高的时效性且成功跟踪标记目标的数量较多,能够准确跟踪篮球运动视频的标记目标,跟踪效果较好。

基于混合编码的皮肤病变图像分割

皮肤镜图像中的皮肤病变分割是计算机辅助诊断皮肤癌的关键。现有的卷积神经网络(CNNs)通常由于卷积操作的固有限制而忽视全局上下文信息。因此,提出了一种具有Transformer和CNN优点的混合编码器的皮损分割网络。首先,使用极坐标变换对原始图像进行预处理。接着利用CNN对不同尺度特征进行预提取,并将其作为Transformer编码器的输入序列,实现对序列数据的全局上下文建模,更好地捕获特征之间的长程依赖关系。最后,在解码器中加入了多级特征融合模块和注意力机制,解码不同尺度和编码块内的分层语义特征。提出的HET-Net网络在ISIC 2018数据集上JSI、DSC和ACC值分别达到了85.09%、91.43%和96.90%,在ISIC 2016+PH2数据集上分别达到了87.44%、93.02%和95.68%。与其他模型相比,所提模型取得了显著的结果,验证了模型的有效性。

基于注意力机制改进的Segformer遥感图像语义分割方法

针对Segformer处理具有复杂空间和频谱特征的遥感影像时存在局部感受野限制以及深层语义特征损失等问题,提出在Segformer不同层级模块间嵌入不同注意力模块的多级分层编码器网络结构:在Block2之前嵌入极化注意力模块PSA,用以增强网络对大尺度特征的空间感知能力,缓解特征语义损失,并在Block3和Block4之前嵌入高效通道注意力模块ECA获取通道的加权特征,从而增强网络对重要特征的识别能力和感知能力,从终以多特征级联的方式实现像素级遥感影像的语义分割。通过在GID和BCDD数据集上进行测试,与原Segformer相比,新网络在两个数据集的mIOU(%)分别提高了1.85%和1.63%。

基于级联特征融合的遥感图像目标检测技术研究

针对高分辨率遥感图像中目标尺度不一且排列分布密集导致检测漏检率高精度低的问题,提出一种基于级联特征融合的检测算法,用于遥感图像目标检测。首先,提出级联并行扩张卷积结构,并结合特征金字塔应用在主干网络的76×76、19×19尺度特征层,丰富网络浅层深层图像细节特征,使网络能够在把握特征图全局重要特征信息的同时,提高模型对小目标的感知能力;其次,利用k-means++聚类算法对遥感图像数据集进行分析,生成适合遥感图像目标的锚框,减少锚框配准时间,提高模型的检测效率;最后,后处理机制利用Soft-nms算法来抑制冗余检测框,减少密集分布目标的漏检率。通过在RSOD数据集上测试,在检测效率达到实时性的同时,mAP达到了95.20%,比YOLOv4提高了2.02%,证明了所提算法的有效性。