融合有判别力仿射局部特征上下文的图像分类

已有的针对上下文信息的大多数工作均侧重于视觉词之间的上下文信息建模,没有考虑到局部特征之间的上下文信息建模问题,且图像在拍照时往往受到姿势、尺度变化,光照以及相机参数的影响,导致分类精度不高.文中综合考虑局部特征之间的上下文信息,提出一种基于有判别力仿射局部特征上下文的图像分类方法.对于一幅图像上的某一位置,采用该区域的局部特征,及其周边一定距离、角度内的局部特征来进行描述(局部特征上下文);然后对这些局部特征上下文进行仿射变换,并通过最小化编码损失的策略来进行有判别力的仿射局部特征上下文的选择,得到更有判别力的特征.最后通过实验结果验证了该方法的有效性.

基于深度残差网络的金属腐蚀图像分割

传统的图像处理技术依赖于人工提取特征,难以应对复杂的金属腐蚀状况。而经典的深度学习算法没有有效利用特征信息,并且包含大量的参数,导致金属腐蚀图像分割精度低,计算量大。为此设计了一种深度残差语义分割算法,通过引入残差结构以缓解神经网络梯度消失的问题,由浅入深地提取不同尺度的腐蚀图像特征。针对金属腐蚀图像的固有特性,融入了局部上下文特征以及多尺度的特征以提高金属腐蚀图像分割的精度,通过深度卷积和逐点卷积相结合进一步降低模型的参数量,并提高模型的泛化能力。在公共腐蚀数据集的实验结果表明,该方法以19.57 MB的参数量,取得了79.39%的平均交并比和87.91%的平均像素准确率,显著提高了腐蚀图像分割的精度。

结合超体素和图优化的激光点云树木分割

针对在复杂城市环境中难以有效自动提取树木信息的问题,该文首先基于移动激光扫描(MLS)数据,利用超体聚类对点云数据结构进行组织管理;然后从超体素局部上下文信息中提取去趋势几何特征,结合去趋势几何上下文特征,采用随机森林分类器对树木进行初始语义标记;接着,基于局部上下文信息进行迭代正则化,在全局图模型上进行整体优化,从而对初始语义分类结果进行空间平滑;最后根据语义标记结果,基于图割算法实现单木分割。该方法基于超体素的结构可以有效地保持场景中目标的几何边界,而且提升了处理效率。去趋势几何特征可以克服局部上下文中的冗余和显著性信息,使得获取的特征更具代表性。实验结果表明,该方法在3个数据集的树木语义标记结果达到90%左右,对结构简单且稀疏分布的树木都能正确提取。