基于卷积特征聚合的细粒度图像检索方法

针对卷积神经网络(CNN)全连接层得到的是图像类别的全局语义信息,无法有效抑制背景噪声以及表示图像局部的细节信息,导致细粒度图像检索任务中负样本靠前的问题,提出了一种选择性加权来聚合卷积特征并利用k相互最近邻(k-reciprocal nearest neighbor,k-RNN)重排的图像检索方法。该方法主要是通过提取并筛选CNN最后一层特征来聚合形成单维全局特征向量,再引入k相互最近邻算法对检索出的结果进行重排。在细粒度基准数据集CUB-200-2011、室内场景数据集Indoor和普通类别数据集Caltech-101进行验证评估。实验结果表明该方法能够有效改善检索出负样本靠前的问题,相比SCDA方法,该方法检索精度及召回率有显著提升。

基于风速属性优化聚类的时序卷积特征聚合风速预测

准确的风速预测对于规模化风电并网及安全运行具有重要意义。利用快速相关滤波筛选风速关联属性因素并结合近邻传播原理优化风速聚类集合,提出基于时序卷积特征聚合的风速预测模型。考虑风速属性与风速序列间的隐含关联性,筛选高关联属性因素构建模型样本集,并通过鲸群算法优化近邻传播聚类分类相似典型集。构建时序卷积层提取多维风速属性特征,并嵌入特征聚合层完成特征降维与信息融合,最终结合记忆层输出风速预测值。以东北地区风场为研究对象进行风速超短期预测并与实测数据对比,验证了预测模型的准确性和泛化能力。

卷积神经网络特征在遥感图像配准中的应用

遥感图像配准是许多遥感应用的重要步骤之一。卷积神经网络(convolutional neural network,CNN)提取的图像高层特征在图像分类和检索问题上表现优异,能够克服低层配准特征的表达能力有限、容易受到干扰等问题。因此对利用CNN特征进行遥感图像配准开展研究。首先,针对遥感图像配准问题,对CNN中的全连接层特征和不同聚合大小的卷积层特征进行了研究;然后,对利用CNN特征进行图像配准的方法进行了分析;最后,将CNN特征与尺度不变特征变换(scale-invariant feature transform,SIFT)特征在图像的旋转角度、缩放倍数和亮度依次变换时的配准性能进行了对比分析。实验结果表明,在匹配精度和正确对应点的数量方面,CNN特征比SIFT方法具有更好的匹配性能;对变换后的图像而言,微调后的CNN特征比SIFT特征具有更强的鲁棒性。

基于响应值中心加权卷积特征的图像检索算法

提出一种新颖的基于交叉熵的损失,将该损失应用于经典的卷积神经网络上获得了更优的嵌入空间。设计了一种基于响应值中心加权的卷积特征聚合算法处理神经网络得到的三维卷积特征,该算法通过当前位置响应值以及高斯中心计算获得特征图的空间加权系数,减少了三维卷积特征图降成一维图像特征描述子时的信息丢失,并实现了目标区域的增强。最后,将得到的图像特征描述子用于检索任务。在CUB-200-2011数据集上通过消融实验分别验证了损失函数和响应值中心加权算法的有效性。本文算法在Paris6k、Oxford5k、CUB-200-2011、CARS196四个数据集上较当前已有的检索方法获得了更高的准确率和召回率。