一种新的鲁棒无监督显著性目标检测方法

针对传统无监督图像显著性目标检测鲁棒性不强、学习算法复杂度高的问题,提出了一种新的鲁棒无监督显著性目标检测方法--三元结构化矩阵分解目标检测。该方法利用低秩矩阵三元分解降低奇异值分解(singular value decomposition)的算法复杂度,结合高层先验知识,提升复杂背景下的显著性目标检测性能。通过分层稀疏正则化和构造索引树,解决显著图的细节缺失问题。在3种标准多目标数据集上对主流无监督显著性目标检测方法进行了实验对比,结果表明,所提方法学习时间最多可以降低40%,并且F-measure指标在超过50%的阈值范围内鲁棒性优于当前最好的无监督检测算法。

基于两层次低秩分解的无监督织物疵点检测方法

针对面料疵点检测算法泛化性差、无法适应面料种类动态变化的生产实际问题,提出了一种基于两层次低秩分解的无监督织物疵点检测方法。设计两层次低秩分解模型,并通过交替方向乘子算法对其进行求解,实现疵点与背景、噪声的解耦分离。设计基于疵点邻域图像隶属度相似性的深度聚类网络,提高疵点的定位精度。利用具有层次的训练方式,缓解网络难拟合复杂数据的问题,并提高疵点类别辨识的准确率。研究结果表明,使用基于两层次低秩分解的无监督织物疵点检测方法在格纹数据上训练模型,对格纹织物疵点的检测精度能达到81.5%,对平纹、点型和星型纹理织物疵点的检测精度也能分别达到86.1%、91.7%和95.2%。