基于多层字典学习的传统服饰图像标注算法

中国传统服饰图像是中华优秀传统文化重要的组成部分,图像内涵丰富,时空跨度大,但理解存在歧义,急需一套语义解读方法,而大量图像标注算法主要关注在各自的垂直领域,传统服饰图像仍然面临着标注精度亟需提高的挑战。本文以中国传统服饰图像作为研究对象,以字典学习多标签标注方法作为研究方法,提出了融合深度多层结构框架的多标签字典学习算法,通过结合字典学习与多层结构框架来提高标注性能。最后通过对比实验验证了该思路的正确。

基于字典学习的电子级玻璃纤维布缺陷分类

在电子级玻璃纤维布的缺陷分类中,由于每类缺陷特征的多样性以及其丰富的几何结构的存在,用于分类的特征提取方法具有挑战性。提出了一个自动发现特征的框架,即结构不相关性字典学习(dictionary learning with structured incoherence, DLSI)用于提取每类缺陷的特征,并贡献了电子级玻璃纤维布的数据集。首先,利用DLSI学习每类图像的缺陷特征得到一个特定类字典,该字典适合于表示来自该类的电子级玻璃纤维布缺陷,同时很难表示来自其他类的缺陷图像;接着对于待分类图像,利用学习到的特定类字典对其进行重构,得到相应的重构误差;最后根据误差最小准则对待分类图像进行分类。所提出的方法在玻璃纤维布数据集上的平均分类准确率可达96.33%,显示了DLSI模型对玻璃纤维布缺陷分类的适用性。