基于残缺图像样本的生成对抗网络图像修复方法

针对大面积图像修复缺失严重时,需要完整且高质量训练样本的问题,提出了一种将残缺或含噪图像样本作为训练集的双生成器深度卷积生成对抗网络(DGDCGAN)模型。构建两个生成器和一个鉴别器以解决单一生成器收敛慢的问题,用残缺图像样本作为训练集,通过交叉计算、搜索损失区域类似的图像信息作为训练生成模型的样本,收敛速度更快。鉴别器损失函数改进为输出的Wasserstein距离,使用自适应估计算法优化生成器损失函数和鉴别器损失函数的模型参数,最小化两两图像之间的总距离差,使用鉴别模型和修复图像总距离变化均方差最小化两个指标优化修复结果。在4个公开数据集上进行主客观实验,结果表明:所提方法能使用残缺图像样本作为训练集,有效实现大面积失真图像的修复,且收敛速度和修复效果优于现有图像修复方法。

基于深度学习的图像样本标签赋值校正算法实现

本研究针对当前大量应用深度学习建构训练模型的图像识别算法中普遍存在的忽视图像样本标签预判及校正的问题,提出了在深度神经网络传输层模型构建中,引入对样本所对应标签值进行校正的深度学习算法。以神经元和传输层模型设计这两个关键要素为基础,通过加入偏置量后具备非线性变换的Sigmoid激励函数设计神经元的结构模型,通过Softmaxloss损失函数计算样本标签出现的误差,并采用控制误差值趋近最少的机制,设计输出层模型。采用tensorFlow编程工具构建卷积神经网络进行迭代训练实验,实验结果表明,本研究提出的算法,有效地控制了因样本标签赋值错误出现频率和迭代次数不断增加而造成的识别准确率累加下降的问题,实验中图像识别准确率可达到96.91%以上。

服务机器学习的遥感图像样本采集技术与工具开发

为了提高机器学习中遥感图像样本的规范水平与采集效率,方便样本动态检索与动态采集,文章根据机器学习样本采样的规范性要求,构建了尺度可变、跨越平台的遥感图像样本采集方案,然后采用C#与数据库相结合的方式实现了样本图像分类、动态采集、结果可视、同时录入样本信息的样本采集模式,并完成了原型工具开发。研究结果表明:采集尺度程序化控制、与平台无关的截图方案可以根据学习要求任意改变图像截取标准高效地完成样本采集。样本信息分类化采集、管理、可视化浏览可以快速地实现机器学习样本库动态管理与问题排查,且为进一步划分训练集、测试集和验证集提供较好技术支撑。

基于多尺度MRF图像样本修补稳健算法

为了消除在单尺度条件下进行图像修补过程中,在修复区域产生的累积误差,提出了基于多尺度MRF图像样本修补稳健算法。根据图像包含的尺度特征,应用序贯最大后验概率准则对不同尺度的匹配样本采用不同权重的代价函数,利用大尺度填充信息指导小尺度目标区域的修补,实现图像全局信息与局部信息的有机融合。实验结果表明,多尺度MRF图像样本修补算法能更好抑制修复区域由于累积误差产生的"垃圾物"和马赛克现象,同时保持良好的纹理和结构特征。

基于多尺度Scale-Unet的单样本图像翻译

随着生成对抗网络(GAN)的发展,基于单样本的无监督图像到图像翻译(UI2I)取得了重大进展。然而,以前方法无法捕获图像中的复杂纹理并保留原始内容信息。为解决这个问题,提出了一种基于尺度可变U-Net结构(Scale—Unet)的新型单样本图像翻译结构SUGAN。所提出的SUGAN使用Scale—Unet作为生成器,利用多尺度结构和渐进方法不断改进网络结构,以从粗到细地学习图像特征。同时,提出了尺度像素损失scale-pixel来更好地约束保留原始内容信息,防止信息丢失。实验表明,与SinGAN、TuiGAN、TSIT、StyTR2等公共数据集Summer■Winter、Horse■Zebra上的方法相比,该方法生成图像的SIFID值平均降低了30%。所提方法可更好地保留图像内容信息,同时生成详细逼真的高质量图像。

基于改进DPGN的少样本图像分类算法研究

DPGN(distribution propagation graph network)是基于深度学习的少样本图像分类算法,在数据稀疏的条件下可以顺利完成图像分类,但其分类的准确率仍需进一步提升。以DPGN算法为研究对象,提出SFOD_DPGN(SinAM_FRN_layer_ODConv_DM&EMD_distribution propagation graph network)算法。在骨干神经网络Resnet12的残差块中融入注意力机制;将Resnet12网络中批量归一化与ReLu激活函数搭配使用的方式改为滤波器响应归一化与阈值线性单元激活函数搭配使用的方式;在分类器模块中选用全维动态卷积替换普通卷积;使用马氏距离和推土机距离替换L2距离度量函数。在CUB-200-2011数据集上的实验表明,在5way-1shot和5way-5shot分类任务下,SFOD_DPGN算法比DPGN算法的准确率提升约7.97%和2.66%。

基于双指导扩散模型的单样本图像域自适应

为了避免现有的单样本图像域自适应算法在反转重建过程中丢失内容信息的现象,提出一种利用CLIP(contrastive language-image pretraining)和ViT(vision transformer)双指导扩散模型去噪、实现内容对齐的单样本图像域自适应算法。首先设计一种基于扩散模型的域反转算法,将位于目标域的图像通过预训练的扩散模型反转到源域,从而获得了内容相同但域信息不同的图像对。其次,将图像对映射到CLIP模型隐空间中,通过内容主导和域主导的2个方向分别顾及内容信息和域信息;同时,将图像对映射到ViT模型隐空间中,通过对比学习的方式分别约束内容信息和域信息。最后,使用条件化指导的去噪方式,实现任意源域图像到目标域的转换。此外,该算法也适用于未见域间转换和多属性编辑的任务。定性和定量的实验结果证明,该算法相对于其他先进算法在多个性能指标上提升2%~27%。

基于判别性特征增强的小样本细粒度图像识别

小样本细粒度图像识别是深度学习领域中一个热门的研究课题,其基本任务是在学习有限数量样本的情况下识别出某一大类下的子类别的图像。得益于卷积神经网络的快速发展,小样本细粒度图像识别在精度方面取得了显著的成果,但其性能仍受限于同一子类图像间的高方差以及不同分类任务中判别性特征的差异性。针对上述问题,提出了一种基于判别性特征增强的小样本细粒度图像识别算法(DFENet)。DFENet设计了对称注意力模块来增强类内视觉一致性学习,从而减少背景的影响,提高同类样本之间共享的特征表示的权重。此外,DFENet引入通道维度的判别性特征增强模块,利用支持集样本中同类样本内和不同类样本之间的通道关系进一步挖掘适合于当前任务的判别性特征,以提高识别准确率。在三个经典的细粒度数据集CUB-200-2011,Stanford Dogs,Stanford Cars上进行了广泛的实验。实验结果表明,该方法均取得了有竞争性的结果。

面向电力缺陷场景的小样本图像生成方法

由于电力缺陷数据稀缺,目前大多数缺陷检测方法都无法有效地对电力缺陷情况进行准确的检测。为此,使用小样本图像生成方法,基于改进的LoFGAN(局部融合生成对抗网络),设计基于上下文信息的小样本图像生成器,提高缺陷检测网络对细节特征的提取能力;引入基于LC-散度的正则化损失来优化图像生成模型在有限数据集上的训练效果。实验表明,小样本图像生成方法能够为电力场景缺陷情况生成有效且多样的缺陷数据,所提模型能够有效解决电力缺陷场景数据稀缺的问题。

最小生成树分割下小样本图像纹理提取研究

图像的纹理特征是图像的重要视觉特征,对于小样本图像的纹理特征提取时,存在纹理信息提取精度不佳、纹理信息提取错误等问题,严重影响了图像纹理提取的效果。为了有效解决以上问题,提出最小生成树分割下小样本图像纹理提取方法。采用Shearlet变换和多尺度Retinex方法对小样本图像实行增强处理,以提高其可识别性和区分度。利用最小生成树分割方法,对小样本图像分割处理;通过Gabor滤波器实现小样本图像的纹理提取。实验结果表明,所提方法能够有效地提取出小样本图像的纹理特征,其提取精度在97%以上,且图像增强效果佳。

基于中心损失函数的小样本SAR图像识别方法

提出了一种基于中心损失函数的监督学习方法,用于改善小样本下的合成孔径雷达(synthetic aperture radar,SAR)图像识别性能。该方法通过学习每个类别的类别中心,并惩罚样本的深度特征与其相应类别中心之间的距离,从而提高类间分离度和类内分散度。为了验证方法的有效性,将所提方法与常见的深度学习算法在MSTAR图像识别数据集上进行比较。实验结果表示,相较于其他深度学习模型,该方法在小样本情况下有着更为卓越的图像识别性能。

基于聚类优化学习的少样本图像分类

少样本图像分类的目标是在训练少量标记训练数据的基础上实现新类别图像的分类,然而这一目的在现有条件下很难实现。因此,目前的少样本学习方法主要借鉴迁移学习的思想,其核心是利用情景训练式的元训练构建先验知识,从而解决未知新任务。然而,研究工作表明,相较于复杂的少样本学习方法,具有强大特征表示的嵌入模型学习方法更为简单、有效。受此启发,提出一种新的基于直推式聚类优化学习的少样本图像分类方法。该方法首先利用样本数据的内部特征结构信息实现每个类别的综合表示;然后优化每个类别的中心,形成更具区别性的特征表示,从而有效增加不同类别之间的特征差异。大量实验结果表明,所提的基于直推式聚类优化学习的少镜头图像分类方法有效提高了各种训练条件下的图像分类精度。

基于双重聚合和自合并网络的小样本图像语义分割

小样本图像语义分割是一种非常具有挑战性的任务,它试图使用几个带标签的样本来分割新类对象。主流方法常会存在特征鉴别性不高和原型偏差等问题。为缓解这些问题,本文提出一种基于双重聚合和自合并网络的小样本图像语义分割方法,能够充分挖掘特征相似性并减小原型偏差。首先,提出一个特征-掩码双重聚合模块,在支持特征和查询特征之间构建覆盖所有空间位置的密集相似关系,为特征聚合和掩码聚合提供全局语义信息。具体来说,通过对特征相似矩阵进行特征和掩码双重聚合,可以为查询图像获取具有引导信息的增强特征和初始掩码。然后,提出自合并解码器,通过合并基于初始掩码的自原型和已知的支持原型来减小原型偏差,并通过融合增强特征与合并原型向解码器传递丰富的类别语义信息。最后,利用基类预测信息进一步优化来自解码器的预测结果。本文方法在数据集PASCAL-5i上的mIoU在1-shot和5-shot情况下分别取得了68.3%和71.5%,在数据集COCO-20i上的mIoU在1-shot和5-shot情况下分别取得了46.5%和51.4%,优于主流方法的分割性能,能够更准确地分割出新类的目标区域。

小样本火灾图像色彩关联的模糊隶属度识别方法

针对火灾图像识别过程中样本数据需求量大、计算复杂度高等造成的识别效果不理想问题,提出一种小样本火灾图像色彩关联的模糊隶属度识别方法。首先,计算待检图像和常规图像的偏色因子大小,同时进行罗曼洛夫斯基准则优化,在对偏色因子向量由小到大排序的基础之上确定待检图像类别;其次,基于灰色相对关联度和接近关联度以及权重求解的基础之上计算灰色综合关联度,同时求解待检图像对于同类别火灾图像的隶属度大小;最后,基于最大隶属度原则与图像类别阈值,判断图像是否属于火灾图像。结果表明:(1)该方法对于火灾图像的综合识别精度达88.89%,同时对非火灾图像的识别精度达100%。(2)在室外晴天条件下,自然光对蓝色背景的火灾图像色彩特征具有一定干扰性;在室外阴天条件下,自然光对绿色背景的火灾图像色彩特征具有一定干扰性;但上述两种场景下自然光对红色背景的火灾图像颜色特征不具有干扰性,识别精度达100%。(3)在暗箱无光条件下,对于红绿蓝三种背景的火灾图像综合识别精度均达100%,这表明自然光对火灾图像的颜色特征具有一定干扰性。(4)不同颜色背景的火灾图像的灰色综合关联度具有明显差异性;对于红色和蓝色背景火灾图像,相对关联度的贡献度明显高于接近关联度;而对于绿色背景火灾图像,接近关联度贡献度明显高于相对关联度。(5)与决策树、支持向量机、深度神经网络算法相比,该方法针对小样本图像具有较高的识别精度,以及较小的计算成本。

小样本图像分类的注意力全关系网络

传统的基于深度学习的图像分类方法在大样本分类任务中具有较好的分类效果,但在小样本分类任务中却存在较大的挑战,为此,小样本图像分类获得了研究人员的广泛关注.基于度量的方法是解决小样本图像分类的一种简单有效方法,它利用可学习的映射函数将分类任务中的所有样本映射到一个特征空间中,然后基于某种度量标准对查询特征进行分类.由于分类任务中不同类的两个图像有可能包含较多的相似性区域,导致特征空间中某些查询特征与异类的类原型特征的距离较近,较难学习到大的分类边界.为了解决上述问题,本文提出了注意力全关系网络(Total Relation Network with Attention,TRNA),该网络通过计算特征对的全关系和特征对的注意力来实现大边界的特征空间.具体地,在计算出所有的查询特征和类原型后,提出的网络利用特征对全关系拼接操作将特征空间中的任意两个特征在通道方向上进行拼接得到特征对矩阵,然后利用特征对注意力机制将特征对矩阵中不同类间难区分的特征对挑选出来并给予大的权重,最后将特征对矩阵输入卷积网络和全连接网络得到一个相似得分矩阵.实验结果表明本文的方法与关系网络相比,在数据集mini-ImageNet、Stanford-Dogs、Stanford-Cars、CUB-200-2011的1-shot和5-shot分类任务中分别有2.67%和1.71%、8.31%和3.92%、14.99%和8.00%、4.41%和4.42%的性能提升.

小样本民族药植物图像识别综述

深度学习模型在图像识别领域的快速发展,使得它依赖大规模数据的特性愈发明显。而民族药由于生长环境、生长周期等因素影响使得民族药图像数据采集困难,样本量过少。如何在样本量过少的情况下使用深度学习模型对民族药植物图像进行识别是目前亟须解决的重点难题。文章着眼于深度学习模型,详细讨论了几种民族药植物图像识别领域的小样本学习方法,包括基于数据增强的方法、基于迁移学习的方法和基于注意力机制的方法,同时根据所研究的藏药数据集进行实验和对比分析,总结阐述了现有方法在解决小样本民族药植物图像识别时的性能优劣。最后对小样本民族药植物图像识别领域存在的问题进行总结,并对未来发展方向进行展望。

多尺度注意力与领域自适应的小样本图像识别

小样本图像识别是计算机视觉中的关键问题。针对小样本情况下度量学习方法的类别原型不准确、泛化能力差问题,本文采用以下措施来提高小样本图像识别准确率:第一、为减缓样本稀缺问题,利用掩膜自编码器进行图像扩充,提高样本复杂度。第二、设计多尺度注意力模块,突出类别相关特征,解决类别原型偏差大的问题。第三、提出领域自适应模块,引入间隔损失函数,优化嵌入函数的表征能力,实现新类样本的精确表征,增强模型的泛化能力。通过在多个公开数据集上进行实验表明,本文方法可以有效提升小样本图像识别准确率。

零样本图像分类方法综述

图像分类作为图像处理的基础,一直是热门的研究话题。传统的图像分类方法需要采用大量专家标记的数据集,成本较大且无法识别未训练的图像类别;零样本图像分类作为迁移学习的一个分支,可以将已有的知识属性迁移到未知类中,从而完成对未知类图像的分类识别,因此降低了训练数据的标记成本,且能在样本稀缺的情况下实现对新事物的分类识别。首先,简单介绍了零样本学习的概念;其次,着重介绍了基于属性预测、基于特征嵌入和基于生成模型的零样本图像分类方法;然后,简要介绍了零样本图像分类的数据集以及评估方法,并对经典模型的实验结果做了比较分析;最后,提出了零样本图像分类方法普遍存在的问题以及相应的解决思路。

面向小样本SAR图像自动目标识别的孪生自监督学习方法

现有的自监督学习算法对小样本合成孔径雷达(Synthetic Aperture Radar,SAR)图像表征能力不足,无法充分地满足自动目标识别(Automatic Target Recognition,ATR)性能的需求。因此,本文提出了一种基于孪生自监督学习的SAR ATR方法。首先,将无标注SAR数据通过孪生特征提取网络模块中的数据增强方式建立正负样本对;其次,通过孪生自监督学习模块中的对比学习头部网络和特征冗余降低头部网络,依据无监督对比学习损失函数和特征信息冗余损失函数进行联合优化,进而得到具有较好表征能力的预训练网络;最后,将自监督预训练网络权重加载到下游网络中,并通过交叉熵损失对下游网络进行小样本SAR图像有监督识别。实验结果表明,对于运动与静止目标获取和识别(Moving and Stationary Target Acquisition and Recognition,MSTAR)数据集,本文的方法仅在3.13%的训练数据上可达82.95%准确率。本文所提方法可在无标注数据中获得较好的表征能力,有效地改善小样本SAR图像识别的过拟合问题。

基于多重并联图神经网络的小样本图像分类算法

小样本学习(few-shot learning,FSL)中,由于样本量过少,导致了特征多样性的降低。为了弥补特征多样性的降低,提出通过提高模型的特征提取能力,以获得更为充分的特征数量。利用多重并联图神经网络来进行多重特征提取,使模型更充分地提取图像特征,从而提升小样本图像分类任务的分类准确率。所提出的多重特征提取方法在5-way1-shot设置下将基线的分类准确率提高了2.02%,在5-way 5-shot设置下将基线的分类准确率提高了1.98%。