基于多特征检测与自适应权重调整的鲁棒联邦学习算法

联邦学习作为一种保护隐私的分布式机器学习范式,允许多个客户端在不泄露原始训练数据的情况下协同训练全局模型。然而,由于无法直接访问客户端本地训练数据和无法监控本地训练过程,联邦学习面临各种拜占庭攻击的威胁,如数据中毒和模型篡改攻击。这些攻击旨在扰乱联邦学习模型训练过程,降低模型性能。针对此问题,尽管已有许多研究提出了不同的聚合算法,但这些方法主要聚焦于单一拜占庭攻击场景,而忽略了实际环境中可能出现的混合拜占庭攻击所带来的威胁。为应对这一难题,受净水器的原理启发,提出了一种基于多特征检测与自适应权重调整的新型拜占庭鲁棒聚合算法FL-Sieve,旨在通过多层次的筛查过滤恶意客户端。首先,算法通过角幅相似度和模型边界测度评估客户端间的特征相似性,生成相似度矩阵并计算相似性分数;接着,利用聚类算法将相似的节点归入同一簇,以确保相似的节点能够被正确分类;随后,根据预定义规则筛选潜在良性客户端;最后,根据每个客户端的信任度智能地分配权重,进一步增强防御效果和系统鲁棒性。为了验证FL-Sieve的性能,实验利用了MNIST,Fashion-MNIST和CIFAR-10这3种数据集,考虑了Non-IID数据分布情景和混合拜占庭攻击场景。混合拜占庭客户端的数量从20%递增到49%,以模拟大规模混合拜占庭客户端攻击的场景。同时也对FL-Sieve在IID和Non-IID数据分布以及单攻击场景下的性能进行了测试。实验结果表明,FL-Sieve能够有效抵御不同场景下的拜占庭攻击,即使在高达49%的混合拜占庭客户端攻击下,FL-Sieve依然能够维持较高的主任务准确率。相比之下,几种现有的经典算法存在不同程度的失效,凸显出FL-Sieve的优势。

基于改进快速鲁棒特征的图像快速拼接算法

针对快速鲁棒特性(SURF)算法实时性、鲁棒性等无法满足实际应用需求的问题,提出了一种对SURF的改进算法,实现图像快速拼接。改进的算法采用机器学习的方法,建立一个二进制分类器,识别出SURF提取的特征点中的关键特征点,并剔除非关键特征点。此外,采用Relief-F算法将改进的SURF描述子降维简化来完成图像配准。图像融合阶段采用带阈值的加权融合算法,实现了图像无缝拼接。实验结果表明,改进的算法具有较强的实时性和鲁棒性,并且提高了图像配准的效率,加快了图像拼接的速度。

快速鲁棒特征算法的CUDA加速优化

提出一种基于统一计算设备架构(Compute Unified Device Architecture,CUDA)的快速鲁棒特征(Speed-up Robust Feature,SURF)图像匹配算法。分析了SURF算法的并行性,在图像处理单元(Graphics Processing Unit,GPU)的线程映射和内存模型方面对算法的构建尺度空间、特征点提取、特征点主方向的确定、特征描述子的生成及特征匹配5个步骤进行CUDA加速优化。实验表明,相比适用于CPU的SURF算法,文中提出的适用于GPU的SURF算法在处理30MB的图片时性能提高了33倍。适用于GPU的SURF算法拓展了SURF算法在遥感等领域的快速应用,尤其是大影像的快速配准。

基于快速鲁棒特征的CamShift跟踪算法

为了解决CamShift算法由于对颜色敏感导致的跟踪效果变差或失效的问题,提出一种基于局部特征匹配的CamShift跟踪算法。采用快速鲁棒特征(SURF)方法在多通道图像的目标区域和搜索区域提取包含图像信息的局部特征点,并利用近似最近邻搜索对特征点进行匹配;使用提纯后的匹配结果得到特征点的位置、尺度及方向信息,对CamShift方法进行约束和更新,以提高跟踪精度和稳定性。实验结果表明,与经典CamShift算法和同类的改进算法相比,该算法能够较好地实现对复杂背景下旋转和放缩运动目标的实时跟踪。

基于改进的快速鲁棒特征算法的人脸检测研究

针对快速鲁棒特征(SURF)算法冗余信息多且计算速度慢的缺点,该文对SURF算法进行改进,用于人脸检测。计算特征点邻域的图像熵,并使用非极大值抑制提取图像熵高的特征点,通过减少区域描述减少冗余信息。使用扇形窗口遍历各特征点邻域,通过计算窗口内哈尔小波响应构建该点的特征描述子,从而加快计算速度。使用费舍尔矢量核将各特征描述子映射到高维空间进行人脸检测。仿真实验表明,在应用于人脸检测数据集和基准(FDDB)数据集时,与SURF算法相比,该文算法检测率提高了7.9%,特征计算时间减少了53.1%,特征点数减少了59.7%。

SAR/INS组合导航中基于SURF的鲁棒景象匹配算法

在SAR/INS组合导航系统中,由于合成孔径雷达采用正侧视成像工作方式,会引起SAR图像的严重变形,而且获取的SAR图像还可能存在严重的斑点噪声。为了适应SAR图像的几何畸变和高斑点噪声影响,需要提取出的图像特征具有较高的鲁棒性。本文提出了基于SURF的导航用鲁棒景象匹配算法,算法首先针对惯性组合导航的工作特点,对SURF特征匹配进行了改进和优化设计,然后用RANSAC方法过滤掉错误和低精度的匹配点,最后,进行最小二乘精确匹配获取航向和位置偏差信息。通过仿真分析了算法对SAR图像的适应性、抗斑点噪声性能,匹配精度以及实时性,并与基于SIFT特征的景象匹配算法进行了对比。仿真结果表明,所提出算法性能优越,在匹配适应性、鲁棒性、匹配精度及匹配速度方面都优于SIFT算法,可以满足SAR/INS组合导航系统图像匹配修正的高性能要求。

基于地面快速鲁棒特征的智能车全局定位方法

针对目前视觉定位方法大多基于地面语义特征(如车道线、停车线等)容易受到其他地面语义特征(如箭头、斑马线等)的影响,提出了一种基于地面快速鲁棒特征(SURF)点的全局定位方法.该方法首先在鸟瞰图中检测SURF点,结合高精度GPS构建地面SURF地图.然后在此基础上,使用迭代最近点算法,将在线检测结果与地图匹配获得车辆全局定位,并通过扩展卡尔曼滤波将定位结果与惯导和里程计数据进行融合,提高全局定位精度.实验结果表明,所提出的方法可获得分米级定位结果,能满足智能车的定位需求.

基于改进的加速鲁棒特征算法的工件定位方法

为了解决传统的图像处理算法识别现场获得的工件图像速度慢且匹配效果较差等问题,通过对工件图像的识别方法进行研究,提出了一种改进的加速鲁棒特征(SURF)算法可以实现工件准确、实时的定位。该算法基于加速分割测试特征检测器(FAST)对SURF算法的特征提取方式进行改进,首先利用FAST提取特征点,然后通过SURF算法生成特征点描述子,使用主成分分析算法(PCA)对描述子进行降维。随后以欧式距离作为相似性度量进行粗匹配,再采用随机抽样一致算法(RANSAC)剔除误匹配点。最后结合双目视觉技术得到工件空间位置坐标。实验结果表明:本文提出的算法在运行时间上相比传统SURF算法减少80%,同时提高了匹配的精度。达到了准确、实时的工件定位目的。

基于快速鲁棒特征的眼底图像自动配准与拼接

针对眼底图像对比度低、光照不均匀、视场局限及不同视场间存在几何畸变等特点,提出一种基于快速鲁棒特征(SURF)的眼底图像自动配准与拼接算法。该算法分别提取各视场眼底图像同态滤波增强后有效视场的SURF,特征匹配后得到匹配点对,结合透视变换模型和RANSAC算法去除误匹配点对,周围视场依次与中央视场匹配计算变换矩阵,配准、融合后得到眼底全景图像。对项目中实际的眼底照相机获取图像的自动配准与拼接表明,该算法可以快速、高精度地实现不同视场眼底图像的自动配准与拼接,精度达到像素级,具有很好的鲁棒性。

基于影像尺度空间表达与鲁棒Hausdorff距离的快速角点特征匹配方法

快速影像匹配是进行影像时间序列分析与飞行器导航的重要方法。本文对待匹配影像进行高斯低通滤波预处理时,运用影像的尺度空间表达思想对不同分辨率的基准影像和实时影像选择了相应的σ值进行卷积滤波处理,使基准影像和实时影像具有相近的分辨率,从而提高两影像所提取角点的重复率,使得影像的正确匹配概率得到提高。然后用基于影像几何结构分析的改进的快速角点探测算法进行了影像的角点提取;最后用本文提出的改进的鲁棒Hausdorff距离进行了基准影像和实时影像的匹配。实验证明,本文方法对影像噪声和灰度变化不敏感,具有抗影像尺度变化的能力。在基准影像和实时影像灰度差变化较大的情况下, 收稿日期:2004 07 16;修回日期:2004 11 15基金项目:航天预研基金资助项目(2003)作者简介:安 如(1963 ),女,江苏淮安人,副教授,博士生,目前主要研究方向为数字影像处理与匹配。依然能取得较高的正确匹配概率。由于采用基于影像信息量评价的搜索策略和快速角点提取算法,匹配速度也较快。

基于SVD-SURF的宽基线鲁棒景象匹配算法

提出一种基于SVD-SURF的宽基线鲁棒景象匹配算法。首先,在实时图与基准图奇异值分解的基础上构建SURF尺度空间,运用快速Hessian矩阵定位极值点;然后,计算出图像的64维SURF描述子;最后,通过Hessian矩阵迹进行特征点匹配,并利用RANSAC参数估计方法剔除出格点,从而实现位置参数的精确估计。实测航空图像序列位置估计实验表明了该景象匹配算法对图像的旋转、尺度变换及噪声不敏感,具有较强的实时性、精确性和鲁棒性。

基于一种快速鲁棒特征描述子的图像匹配

基于一种快速鲁棒特征描述子进行图像特征点之间的匹配。此方法基于积分图像,使用快速Hessian检测子来提取图像特征点。对每个特征点,通过计算Haar小波,来寻找它的主方向。然后构造窗口区域,以主方向和与主方向垂直的方向上的小波和来描述特征点。最后以特征描述向量的距离为标准寻找不同图像之间的特征匹配。

多维线性约束鲁棒自适应特征波束形成算法

以镶嵌在刚性圆柱体上的均匀圆阵为阵列模型,研究了一种鲁棒自适应特征波束形成算法。在分析了特征波束形成技术的基础上,将阵列优化问题描述为多维线性约束下的波束优化问题,进而在约束矩阵的正交线性子空间求解最优化问题,在满足鲁棒性约束条件下自适应地得到了阵列最优权向量,进而获得了与期望波束图较为一致的波束图,并分析了在满足鲁棒性约束条件下最大特征波束阶次的选择以及算法的收敛性。该算法具有收敛速度快、迭代误差不会累积的特点。计算机仿真验证了算法的有效性。

鲁棒特征提取算法

特征提取技术的应用依赖于数据的固有属性,研究了当前流行的特征提取技术,并针对这些特征提取技术所存在的弱点,提出了一种新颖的特征提取算法-鲁棒特征提取算法。该算法分为两个阶段,以同时最大化不同类之间的距离与最小化类内距离为目标。实验结果表明,在对现实世界数据集进行特征提取时,鲁棒特征提取算法表现出的性能在分类精度与效率的指标上均能达到最优。对这些实验结果进行了解释,并给出了进一步研究的方向。

基于快速鲁棒特征集合统计特征的图像分类方法

针对现有利用快速鲁棒特征(SURF)进行图像分类的方法中存在的效率低、正确率低的问题,提出一种利用图像SURF集合的统计特征进行图像分类的方法。该方法将SURF的各个维度及尺度信息视为各自独立的随机变量,并利用拉普拉斯响应区分不同数据。首先,获取图像的SURF向量集合;然后,分维度计算SURF向量集合的一阶中心绝对矩、带权一阶中心绝对矩等统计特征,并构建特征向量;最后,结合支持向量机(SVM)进行图像分类。在Corel 1K图像库上的实验结果表明,该方法查准率较SURF直方图方法和三通道Gabor纹理特征方法分别提高17.6%和5.4%。通过与HSV直方图特征进行高级特征融合,可获得良好的分类性能。与SURF直方图结合HSV直方图方法、三通道Gabor纹理特征结合HSV直方图方法、基于视觉词袋(Bo VW)模型的多示例学习方法相比,查准率分别提高了5.2%,6.8%,3.2%。

基于FAST和SURF的特征点快速匹配算法

为解决传统印刷电路板(PCB)图像配准过程中匹配耗时和错配率较高的问题,提出一种基于FAST-SURF的特征点匹配优化算法。利用FAST算法快速提取特征点,利用SURF的64维描述子进行准确的特征描述,在匹配阶段使用K-Means算法优化匹配结果,通过RANSAC算法进行一致性检查,消除误匹配点。实验结果表明,与传统的SURFRANSAC算法相比,该算法提高了匹配正确率,减少了匹配时间,实现了PCB图像特征的快速匹配。

一种基于空-时快速鲁棒特征的视频词汇的人行为识别方法

提出了一种空-时快速鲁棒特征(SURF)描述子,并且结合视频词汇概念,应用于人行为识别.这种新的描述子在行为识别应用中能很好地体现视频的时空本质,通过词袋(Bag of Words)模型来表征视频,且在表征过程使用了非硬性权重.实验以瑞典皇家理工学院的行为识别数据集作为测试对象,使用了相关领域传统的分类策略,同时引入了包含二次判断的投票系统.实验结果证明,结合特征描述子和视频词汇的行为识别框架在速度和准确率上均优于已有的一些方法,同时该分类策略在某些行为类型上优于传统的分类方法,能有效地应用于行为识别领域.

l^1 鲁棒辨识的快速算法

根据“时间宽度”思想，得到了ｌ１中有噪声时的时间宽度的上、下界函数，对两个具体的先验集，构造了确定最大降低系统不确定度的系统输入规划模型，并给出了混合遗传进化算法．

一种快速鲁棒的模板匹配算法

模板匹配是计算机视觉领域中一项重要的研究内容。提出了一种基于特征点匹配的快速鲁棒的模板匹配算法。为了提升匹配速度,该算法提取模板图片与目标图片的特征点进行匹配,而不是采用传统的计算模板匹配与滑动窗口相似性的方法。首先提取出两幅图片的特征点并对这两个特征点集合进行匹配;然后基于运动统计模型移除错误点对;最后利用网格框架来定位目标图片中的物体。实验结果表明,该算法匹配速度较快、准确度较好,并且在匹配水下声呐图片时有较好的表现。

基于多重特征和SURF算法的车牌定位研究

针对利用SIFT算法进行车牌精确定位时执行时间较长的问题,提出一种基于多重特征和SURF算法的车牌定位算法。在HSL颜色空间得到车牌候选区域,结合车牌几何特征与纹理特征筛选候选区域并按设定的规则标号;按序提取车牌标号候选区域,并用SURF算法对候选区域精确定位。实验结果表明,SURF算法与SIFT算法相比,在定位准确率相同情况下减少了运行时间,能满足实时性需要。