针对现有声呐图像检测和判读目标精度不足的问题,提出一种基于分形维数增强及孤立森林算法的声呐数据人工目标检测算法。利用分形理论,首先计算原始声呐数据的位置及强度信号的分形特征,并将四维声呐数据提升至五维;然后利用增强后的五...针对现有声呐图像检测和判读目标精度不足的问题,提出一种基于分形维数增强及孤立森林算法的声呐数据人工目标检测算法。利用分形理论,首先计算原始声呐数据的位置及强度信号的分形特征,并将四维声呐数据提升至五维;然后利用增强后的五维数据构建孤立森林树型结构;最终采用遗传算法(genetic algorithm,GA)对孤立森林分离树的大小和数量进行自适应寻优,完成高精度的人工目标检测。基于真实海底地形声呐数据,所提算法能够同时准确检测多点虚拟人工目标,其准确率、模型评估指标(area under curve,AUC)等指标均优于现有方法。展开更多
基于智能机器人代替人到各种复杂环境完成探测、防疫等大量应用的需求,场景的识别引起了研究者的广泛关注。场景识别的目的是通过提取和分析场景中的特征,获得场景的高层语义信息,从而推理出所处的具体位置,它是同步定位与建图系统(Simu...基于智能机器人代替人到各种复杂环境完成探测、防疫等大量应用的需求,场景的识别引起了研究者的广泛关注。场景识别的目的是通过提取和分析场景中的特征,获得场景的高层语义信息,从而推理出所处的具体位置,它是同步定位与建图系统(Simultaneous Localization and Mapping,SLAM)、自动驾驶、机器人导航、闭环检测的基础。三维扫描技术的快速发展使得人们能够利用各种扫描仪快速获取各类场景的点云数据。不论扫描时间、光照环境如何变化,点云场景所获取的几何信息都具有较好的不变性,因此,基于点云的场景识别成为计算机视觉领域的研究热点。本文首先对近年来面向点云数据的场景识别方法进行了归纳和总结;然后介绍用于场景识别的大规模室内/室外场景的数据集,以及用于算法评测的评价指标,同时总结了各类算法的识别率。最后指出面向点云的场景识别中所面临的问题和挑战,对未来的研究趋势进行展望。研究结果有助于相关领域学者快速全面地了解基于点云数据场景识别的研究现状,为进一步提升场景识别精度奠定基础。展开更多
目的旷场实验(open field test,OFT)是行为学与药理实验分析中常用的实验方法。为了对比测试组和参考组被测小鼠的行为特征差异,通常需要耗费大量精力对旷场实验数据进行处理和观测。由于旷场实验数据量大且较依赖观测人员的主观判断,...目的旷场实验(open field test,OFT)是行为学与药理实验分析中常用的实验方法。为了对比测试组和参考组被测小鼠的行为特征差异,通常需要耗费大量精力对旷场实验数据进行处理和观测。由于旷场实验数据量大且较依赖观测人员的主观判断,导致对小鼠行为差异观测的精度较低且缺乏量化评价指标。为此,本文提出一种基于卷积神经网络(convolutional neural networks,CNN)的旷场实验视频分类方法,可基于量化特征对两组小鼠的行为差异自动分类。方法从视频空域和时域中提取22维的小鼠运动行为特征,经过量化后生成特征矩阵,进而以矩阵拼接方式构造可学习的行为特征矩阵样本,利用不同结构卷积神经网络对提取的行为特征矩阵样本进行训练和分类,并分析网络结构对分类结果的影响,在实现两组小鼠分类的基础上,对不同维度小鼠行为特征对分类精度的重要性进行评价。结果在真实旷场实验数据集上的实验分析表明,本文算法的分类准确率为99.25%。此外,由实验结果分析发现小鼠的大角度转向频次、停留区域与时间对小鼠分类的重要性高于其他维度特征。结论提出的特征拼接矩阵学习方法能够准确识别两组小鼠旷场实验视频的差异,本文方法的分类准确率明显优于现有人工分析及经典机器学习方法。展开更多
文摘针对现有声呐图像检测和判读目标精度不足的问题,提出一种基于分形维数增强及孤立森林算法的声呐数据人工目标检测算法。利用分形理论,首先计算原始声呐数据的位置及强度信号的分形特征,并将四维声呐数据提升至五维;然后利用增强后的五维数据构建孤立森林树型结构;最终采用遗传算法(genetic algorithm,GA)对孤立森林分离树的大小和数量进行自适应寻优,完成高精度的人工目标检测。基于真实海底地形声呐数据,所提算法能够同时准确检测多点虚拟人工目标,其准确率、模型评估指标(area under curve,AUC)等指标均优于现有方法。
文摘基于智能机器人代替人到各种复杂环境完成探测、防疫等大量应用的需求,场景的识别引起了研究者的广泛关注。场景识别的目的是通过提取和分析场景中的特征,获得场景的高层语义信息,从而推理出所处的具体位置,它是同步定位与建图系统(Simultaneous Localization and Mapping,SLAM)、自动驾驶、机器人导航、闭环检测的基础。三维扫描技术的快速发展使得人们能够利用各种扫描仪快速获取各类场景的点云数据。不论扫描时间、光照环境如何变化,点云场景所获取的几何信息都具有较好的不变性,因此,基于点云的场景识别成为计算机视觉领域的研究热点。本文首先对近年来面向点云数据的场景识别方法进行了归纳和总结;然后介绍用于场景识别的大规模室内/室外场景的数据集,以及用于算法评测的评价指标,同时总结了各类算法的识别率。最后指出面向点云的场景识别中所面临的问题和挑战,对未来的研究趋势进行展望。研究结果有助于相关领域学者快速全面地了解基于点云数据场景识别的研究现状,为进一步提升场景识别精度奠定基础。
文摘目的旷场实验(open field test,OFT)是行为学与药理实验分析中常用的实验方法。为了对比测试组和参考组被测小鼠的行为特征差异,通常需要耗费大量精力对旷场实验数据进行处理和观测。由于旷场实验数据量大且较依赖观测人员的主观判断,导致对小鼠行为差异观测的精度较低且缺乏量化评价指标。为此,本文提出一种基于卷积神经网络(convolutional neural networks,CNN)的旷场实验视频分类方法,可基于量化特征对两组小鼠的行为差异自动分类。方法从视频空域和时域中提取22维的小鼠运动行为特征,经过量化后生成特征矩阵,进而以矩阵拼接方式构造可学习的行为特征矩阵样本,利用不同结构卷积神经网络对提取的行为特征矩阵样本进行训练和分类,并分析网络结构对分类结果的影响,在实现两组小鼠分类的基础上,对不同维度小鼠行为特征对分类精度的重要性进行评价。结果在真实旷场实验数据集上的实验分析表明,本文算法的分类准确率为99.25%。此外,由实验结果分析发现小鼠的大角度转向频次、停留区域与时间对小鼠分类的重要性高于其他维度特征。结论提出的特征拼接矩阵学习方法能够准确识别两组小鼠旷场实验视频的差异,本文方法的分类准确率明显优于现有人工分析及经典机器学习方法。