基于特征级融合的多波段舰船目标识别方法

针对复杂情况下海上舰船目标单波段特征识别能力不足的问题,研究可见光、中波红外和长波红外三波段特征图像融合技术,重点解决图像融合方法中存在的算法耗时和融合策略选择的问题,提出了一种新的基于区域协方差矩阵的多波段特征级融合方法,针对可见光图像和红外图像分别设计11维和5维特征向量,协方差矩阵可以将多个特征进行融合,既保证了不同目标之间的区别性,同时又减小计算量。该方法首先利用显著性检测,快速定位图像中的目标区域,然后,针对不同波段图像设计的特征向量定义协方差阵的距离计算公式并进行匹配,通过对图像的一次遍历操作获得积分图像,在协方差计算时达到快速计算的目的,最后利用k-阶最近邻算法对多种舰船目标进行分类识别。利用实拍的3 400余张三波段舰船目标图像作为测试数据。实验主要分为两部分,首先对比单波段和三波段融合识别的识别率,验证所提出的融合方法具有更广的应用范围;然后,在计算效率上对比多种传统的像素级方法,验证采用的特征级融合在计算时间上的优势。实验结果表明,该方法可达到95.1%的识别率,单帧计算耗时约为0.5s,在实时性和检测率方面都有明显提高。

基于小波多通道特征级融合的彩色纹理图像分析

在不完全树型小波分解基础上将纹理和颜色特征进行融合 ,提出了适合彩色纹理图像分析的新的特征 ,它比单纯的灰度纹理特征或颜色特征具有更强的分类能力 同时还利用 2 0类真实彩色自然纹理图像对塔式小波分解、不完全树型小波分解和小波包分解进行了多特征融合的分类比较 ,实验结果表明

面向多源电力感知终端的异构多参量特征级融合:融合模式、融合框架与场景验证

对多源电力感知终端产生的异构多参量数据进行融合分析,是实现电力物联网下电力目标有效感知的关键。目前,电力多参量融合仍以同构多参量融合和决策级异构多参量融合为主,异构、多源的融合及分析技术薄弱,无法满足电力物联网下的异构多参量深度融合需求。该文提出一种适用于电力结构化时序参量和非结构化图像参量的普适性融合框架,可用于电力对象的描述性、预测性或决策性分析。首先考虑电力时序参量的时间和空间特性,将其转换为适用于非线性混沌系统的递归图,从而使其和非结构化电力图像具有相同的描述空间;然后用卷积神经网络对二类参量进行特征提取,并对特征矩阵按权重进行拼接融合、全连接和目标感知;最后,以输电线路覆冰等级感知和绝缘子污秽等级感知为应用场景,从精确性和容错性角度对所提模型进行分析,验证了所提模型的普适性。

基于特征级融合神经网络的磁共振成像前列腺肿瘤CAD模型

针对磁共振成像(MRI)前列腺肿瘤感兴趣区域(ROI)在高维特征表示下存在特征相关和维数灾难问题,提出了一种基于主成分分析(PCA)的特征级融合神经网络(NN)的MRI前列腺肿瘤CAD模型。首先提取MRI前列腺肿瘤ROI的6维几何特征、6维统计特征、7维Hu不变矩特征、56维灰度共生矩阵的纹理特征、3维Tamura纹理特征和24维频域特征,得到102维特征矢量;然后通过PCA进行特征级融合得到累计贡献率达到89.62%的8维变换特征,降低特征矢量的维数;再次利用经典的神经网络(四种训练算法BFGS拟牛顿算法、BP算法、最速梯度下降算法和Levenberg-Marquardt算法)作为分类器进行分类识别;最后以180幅前列腺患者的MRI图像为原始数据,采用基于特征级融合神经网络(NN)的计算机辅助诊断模型对前列腺肿瘤进行辅助诊断。实验结果表明:经过特征级融合的神经网络识别前列腺良恶性肿瘤的能力至少提高10%左右,这种特征级融合策略是有效的,一定程度上提高了特征之间的不相关性。

一种基于关系度量融合框架的说话人认证特征级融合算法

探讨了说话人认证特征级融合策略的可行性.根据关系度量融合框架,构建该策略认证系统.通过与传统融合、单模态算法比较,本算法性能优于以上算法.为进一步分析特征级融合算法优于现有融合算法的原因,本文利用最大Kullback-Leibler距离计算融合算法融合信息量.该距离弥补了传统Kullback-Leibler距离不具有对称性的缺憾,更加精准地获取信息量.分析结果验证了本算法实验结论,说明特征级融合可获取比现有匹配分数级融合更多的信息量,从而取得更优精度.

轴承故障的多源异构数据特征级融合诊断方法

为了实现轴承多源异构故障数据的特征融合,达到提高故障诊断精度的目的,提出了基于深度神经网络的多源故障特征融合方法。介绍了堆叠自编码器和卷积神经网络原理;使用堆叠自编码器提取了一维振动数据的故障特征,使用卷积神经网络提取了二维图像数据的故障特征;为了充分发挥多源异构故障数据的关联性和互补性,使用深度神经网络将一维数据特征和二维数据特征进行交替优化和融合,提取更加能够反映故障特性的隐藏融合特征。以凯斯西储大学轴承故障数据为基础设计了三组实验,由实验结果可以看出,基于融合特征的故障诊断精度比单独使用一维数据特征或二维数据特征的诊断精度高10%以上,充分证明了基于多源异构特征融合故障诊断方法的有效性。

基于耦合度量学习的特征级融合方法及在步态识别中的应用

根据耦合度量学习方法能够直接处理不同集合的数据这一特性,将其应用到数据融合领域,提出了一种基于耦合度量学习的特征级融合方法.该方法首先通过增加对原始单个集合中具有相关关系的数据的优化处理,将耦合度量学习方法的目标函数改进成在耦合空间中所有具有相关关系的投影特征均彼此接近,从而使得这些特征的整体分布更满足特征级融合的需求,而后采用串行方式对特征进行融合,最终得到更加有效的特征用来分类识别.将上述方法应用到步态识别中,以解决步态识别中的数据融合问题.采用CASIA(B)步态数据库进行实验分析,结果表明该方法识别效果较好.

一种基于特征级融合的多模态生物特征识别方法

生物特征识别是信息技术领域的研究热点,其中多模态生物识别技术凭借更好的适用性、更高的安全性及更优的性能成为发展趋势。提出了一种融合虹膜特征和掌纹特征的多模态生物特征识别方法,该方法分别提取虹膜及掌纹特征,融合时不同于传统的匹配级融合,而是从特征级融合入手,采用并行特征融合策略,将两特征向量以复向量的形式进行融合,构成复向量空间,并利用酉距离进行匹配决策。实验结果表明此方法比单模生物特征方法在识别性能上有了明显改善,同时与传统匹配级融合策略相比,更有优势,识别效果更好。

一种注意力机制的多波段图像特征级融合方法

针对多波段同步融合图像普遍存在的清晰度不高、图像细节不丰富的问题,提出一种基于注意力机制生成对抗网络的图像特征级融合方法。首先,利用多波段特征图与其均值的差值构建注意力权重图,通过特征图与注意力权重图的点乘和相加获得特征增强图,以此构建特征增强模块;其次,设计特征级融合模块,将多波段特征增强图连接,通过归一化、上采样、卷积等操作重构融合图像;最后,将特征增强模块和特征融合模块级联建立生成器,并以VGG-16作为判别器构建生成对抗网络,以实现多波段图像端到端融合。实验结果表明,与当前经典的融合方法相比,所提出方法的平均梯度最为突出,验证了该方法的有效性。

面向水下多源数据特征级融合方法

海洋环境复杂多变,单一水下传感器目标识别精度不能满足系统性能要求,并且水下数据噪声大、维度高,直接进行数据融合并不能得到较好的结果。为此,针对多场景水下多源试验数据,使用去噪自编码和多种降维方法进行多角度特征级融合。首先,使用去噪自编码器去除噪声、降低数据维度并且抽取出深层特征;然后,对深层特征使用数据层叠方法进行多源数据融合。融合方法包括主成分分析、独立分量分析和等度量映射。不同场景下对比试验表明该方法取得较好的分类结果,其中主成分分析取得较高目标识别率。

特征级融合方法及其在医学图像方面的应用

特征级融合是图像处理领域的重要内容之一,从特征变换和特征选择两个角度对特征级融合方法及其在医学图像处理中的应用进行较为全面的总结。以医学图像特征级融合为例介绍其基本流程,将特征级融合方法分为特征变换和特征选择。在特征变换方面,按照方法是否线性可分和是否监督学习两个维度进行划分总结,详细介绍线性变换方法中奇异值分解法和非负矩阵分解法,非线性变换中的人工神经网、支持向量机和模糊集五种方法及其在医学图像方面的应用。总结特征选择方法的整体流程,分别从搜索策略和评价准则的角度对方法进行分类总结,详细介绍粗糙集和遗传算法两种随机搜索算法的改进及其在医学图像方面的应用,并阐述停止条件和结果验证过程。对特征级融合方法的发展方向进行总结和展望。特征级融合算法的总结对其进一步发展具有积极意义。

基于异构数据特征级融合的多任务暂态稳定评估

考虑到基于深度学习的暂态稳定评估方法对电力系统输入数据的描述不够全面,异构数据常被忽略,且许多特征信息无法有效融合,为充分利用电力系统各类异构数据以提高模型的精确度和算法性能,提出了一种异构数据特征级融合的深度学习方法。首先,利用多层感知机、图卷积网络、门控循环单元分别对静态多变量数据、拓扑图域数据、时序多变量数据进行特征提取;然后,采用张量融合方法对所提取特征进行特征级融合,并将展平的融合特征输入共享层,利用基于同方差不确定性的多任务学习方法,同时实现了暂态稳定判别与暂态稳定裕度预测。在此基础上,建立了暂态稳定评估模型,并对所提方法的性能进行了评估。最后,采用新英格兰10机39节点系统进行仿真、训练与验证,结果表明所提方法能有效提升评估的准确性与鲁棒性。

人体动作识别的特征级融合LSTM-CNN方法研究

近年来,深度学习方法在人体动作识别有着良好的表现,其利用陀螺仪和加速度计等可穿戴传感器获得的时间序列数据,经过预处理和数据级融合之后进行训练分类。针对数据级融合方法对多传感器的识别有一定局限性的问题,提出了一种特征级融合的LSTM和CNN方法。该方法将独立的传感器数据依次接入到LSTM层和卷积组件层用于特征提取,之后汇聚起多传感器的特征再进行动作分类。该方法在3个公开数据集UCI-HAR、PAMAP2和OPPORTUNITY上分别取得的平均F1分数为96.06%、96.17%和94.44%。实验结果表明,所提出的方法在多传感器识别人体动作上有较好的精度。

滚动轴承故障信息的特征级融合与决策级融合

在对滚动轴承原始故障信号完成特征提取与特征筛选的基础上,利用BP、RBF以及SVM三种网络模型对筛选完的特征量进行特征级融合[1];针对单一的网络模型的不确定性,通过隶属度熵值权重法确定了三种网络模型的不确定度[2],并引入D-S证据理论[3],对三种网络的计算结果进行决策级融合[4](以滚动轴承外圈故障为例),以提高对滚动轴承故障诊断精度。

基于特征级融合方法的高光谱影像建筑物提取

利用多范围波谱特征拟合进行高光谱分析得到粗分类结果,分别提取影像的光谱特征、纹理特征和空间特征,再进行这3种特征的融合,并提取建筑物。实验显示,该方法对不同材质屋顶建筑物有较好的提取效果。实验影像中有两种不同材质屋顶的建筑物,其中一种建筑物100%提取,另一种建筑物漏分面积占该类建筑总面积的8.5%,错分为2.2%。

区域物化探信息特征级融合识别地质体的方法研究

浅覆盖区地质填图工作由于受景观条件制约而存在精度低、效率差的实际困难;勘查技术方法(地球物理手段具有穿透性、地球化学方法根据土壤-基岩成分上的继承性识别)是解决这一问题的有效途径;已报道的研究主要为地球物理、地球化学单方法的应用,它们只反应了地质体一方面的特征,利用这些信息识别岩性必然存在多解性。本文拟将物化探数据进行特征级融合,提取地质填图中的岩性信息。通过理论研究与数据分析的结合,提取物探特征信息特征和化探特征信息特征,本文拟将区域物化探数据进行特征级融合应用,使两类信息从根本上相互印证、约束,用于浅覆盖区岩性识别。

基于特征级与决策级融合的农作物叶片病害识别

针对单网络模型存在对数据产生学习偏好的缺陷,提出了一种基于多模型融合的农作物病害识别方法.该方法首先对4种主流卷积神经网络ResNet50、DenseNet121、Xception和MobileNetV2进行单模型性能评估,然后对这4种单模型分别进行特征级和决策级多模型融合,最终输出识别结果.特征级融合方法分别对每个子网络的最后输出特征层进行平均化、最大值化和拼接压缩融合,实现异质特征的高效互补;而决策级融合方法分别对每个子网络的输出概率进行最大化和平均化融合,实现概率分布决策的高效联合.在农作物病害数据集PDR2018上的试验结果表明:特征级融合明显优于决策级融合和单模型方法,且拼接压缩特征融合方法具有最高的识别准确率,达到了98.44%.此外该模型在PlantDoc数据子集和实际拍摄图像的跨库试验结果同样表明:特征融合方法比单模型方法具有更好的精度和泛化性能.

图书情报领域多源数据特征级融合方法研究综述

[目的/意义]多源数据特征级融合是将多源或多维数据中描述研究对象的多层次特征进行融合的方法手段,用于揭示数据内在的关联性与互补性,从而提供更全面、更精确的分析视角。梳理相关研究对于丰富科研人员研究手段、促进情报研究的智能化具有重要意义。[方法/过程]在阐述特征级融合研究的重要性和必要性的基础上,梳理图书情报领域特征级融合方法近10年的研究成果。[结果/结论]目前图书情报领域所运用的多源数据特征级融合方法可归纳为基于线性加权的融合方法、基于耦合的融合方法以及基于神经网络模型的融合方法三类。同时总结各种特征级融合方法的适应场景以及图书情报领域在使用这些方法中所暴露的问题,并结合学术环境展望未来的发展路径。

基于低秩因子最优估计的特征级数据融合

为了提升信息融合系统对噪声的鲁棒性以及计算效率,并且考虑特征之间的关联性,提出一种基于低秩因子最优估计的特征级数据融合方法。通过优化潜在特征向量与从线性组合估计值中提取的余弦相似性度量,找到潜在信号特征空间的估计值。然后利用随机矩阵理论进行特征及数据融合,用于求解具有不同噪声水平的约束数据驱动优化问题。在两个数据集上的实验结果表明,该方法效果显著。

DCFF-Net:基于人体骨骼点的双流跨级特征融合动作识别网络

在基于骨骼的动作识别任务中,骨骼点特征对于动作识别来说至关重要。针对现有方法存在输入特征不足、特征融合策略粗糙、参数量大等问题,提出一种基于人体骨骼点的双流跨级特征融合网络。首先,针对特征输入,用欧氏距离骨架特征(EDSF)和余弦角度骨架特征(CASF)两种局部关节特征来表征人体骨骼序列,帮助网络识别不同体态和体态相似的人体动作;其次,考虑到部分动作类别的运动轨迹与全局运动的相关性,引入全局运动特征(GMF)弥补局部关节特征在此类动作上识别精度不足的问题;此外,为了加强不同特征之间的信息交互,提出一种跨级特征融合模块(CLFF),对不同特征层、不同属性的动作特征进行特征互补,丰富了网络的特征形式;最后,网络采用一维卷积(Conv1D)进行搭建,减轻了模型的计算负担。实验结果表明,所提模型在JHMDB身体动作数据集上获得了84.1%的识别准确率,在SHREC手势动作数据集上分别获得了97.4%(粗糙数据集)和95%(精确数据集)的识别准确率,取得了与先进方法相当的性能。