重校准特征融合对抗域适应的遥感影像场景分类

针对遥感影像场景数据难以获取、冗余的地理特征会降低模型的泛化能力等问题,提出一种结合重校准特征与对抗域适应的无监督遥感影像场景分类方法。通过缩聚与激发机制将SE block嵌入VggNet16,用于提高通道之间的相互依赖性,以自适应地重新校准通道之间的特征响应,使网络模型通过全局信息来选择性地提取有效遥感场景影像特征并抑制干扰特征;建立大型源域数据集并利用对抗域适应方法减少源域与目标域遥感影像场景特征差异,提高模型的泛化能力;在两个公开遥感影像数据集UCMerced_LandUse和SIRI-WHU中进行实验,分类精度分别达到89.45%和98.12%。结果表明,该方法优于主流的无监督方法,在遥感影像场景分类中取得了较好的效果。

基于特征分布校准的小样本分类改进算法

针对基于特征分布校准的小样本分类算法无法准确揭示新类特征分布的问题,提出一种融合隐空间变换和密度聚类的改进算法,以解决N way-K shot任务模式下的小样本图像分类问题.首先,通过广度残差神经网络提取基类和新类图像的深度特征;其次,采用隐空间变换方法约束新类特征分布,使其更接近正态分布;再次,利用密度聚类方法为新类选取合适基类,将基类统计信息迁移到新类,并通过多元正态分布矩阵实现样本扩充;最后,构建基于集成学习的分类器,完成小样本图像分类任务.实验结果表明,相比于传统特征分布校准方法,该算法的分类准确率更高.

面向白内障识别的临床特征校准注意力网络

近年来,卷积神经网络(convolutional neural network,CNN)模型已经被广泛用于年龄相关性白内障自动分类任务,然而,鲜有研究工作将年龄相关性白内障的临床先验知识注入卷积神经网络架构设计中,以此来提高年龄相关性白内障的分类效果和改善模型决策过程的可解释性。提出了一种临床特征校准注意力网络(clinical feature recalibration attention network,CFANet)模型用于自动识别年龄相关性白内障严重级别。在CFANet中,设计了一个简单且有效的临床特征校准注意力模块(clinical feature recalibration attention block,CFA),其不仅能对不同临床特征类型进行自适应地加权融合,还通过门控操作符来突出重要通道和抑制不重要通道。在一个核性白内障的眼前节光学相干断层成像影像(anterior segment optical coherence tomography,AS-OCT)数据集和一个公开眼科影像数据集上进行了充分实验,实验结果表明,相较于squeeze-and-excitation network(SENet)、efficient channel network(ECANet)、style-based recalibration module(SRM),CFANet在AS-OCT数据集上的分类准确率至少提升了3.54个百分点,同时在公开的眼科影像数据集上的分类结果比先进的神经网络模型和已发表的研究工作提升了1个百分点以上。此外,还通过可视化方法分析临床特征的权重分布和通道的注意力权重分布来提高该文模型决策过程的可解释性。

特征重校准融合密集神经网络的遥感场景分类

针对遥感影像场景中空间信息丰富以及冗余的地理特征会对网络训练时造成干扰等问题,提出一种采用特征重校准融合密集神经网络的遥感影像场景分类方法。通过缩聚与激发机制建立SE block,将SE block与其多尺度分支嵌入DenseNet-121中进行特征重校准,利用DenseNet中密集连接方式加强信息流的传递。该方法使得整体模型获得全局感受野的稳健特征表示,减少遥感场景特征的冗余映射。通过在两个公开遥感影像数据集UCMerced_LandUse和SIRI-WHU中进行实验,分类精度分别高达97.7%和98.9%,验证了该方法的有效性。

基于多尺度特征校准的图像协调化方法

图像组合是图像处理中一个重要操作,然而组合图像中前景区域与背景区域的外观不协调使得组合图像看起来不真实。图像协调化是图像组合中极其重要的一个环节,其目的是调整组合图像前景区域的外观使其与背景区域一致,从而让组合图像在视觉上看起来真实。然而,现有方法只考虑了组合图像前景与背景之间的外观差异,忽略了图像局部的亮度变化差异,这使得图像整体的光照不协调。为此,该文提出一个新的多尺度特征校准模块(MFCM)学习不同尺度的感受野之间细微的特征差异。基于所提模块,该文进一步设计了一个新的编码器学习组合图像中前景与背景的外观差异和局部亮度变化,然后利用解码器重构出图像,并通过一个对前景区域归一化的回归损失指导网络学习调整前景区域的外观。在广泛使用的iHarmony4数据集上进行实验验证,结果表明该方法的效果超过了目前最优的方法,验证了该方法的有效性。

结合切空间及特征空间校准的增量流形学习正则优化算法

高维流式大数据的产生与发展对传统机器学习和数据挖掘算法提出了诸多挑战。本文结合流式大数据流式到达的特性,首先建立自适应增量特征提取算法模型。然后,针对噪声环境,建立基于特征空间校准的增量流形学习算法模型,解决小样本问题。最后,构造流形学习的正则化优化框架,解决高维数据流特征提取过程中产生的降维误差问题,并得到最终的最优解。实验结果表明本文提出的算法框架符合流形学习算法的3个评价指标:稳定性、提高性以及学习曲线能迅速增加到一个相对稳定的水平;从而实现了高维数据流的高效学习。

细化多尺度感知与优化轮廓的自适应道路场景语义分割网络

语义分割通常被描述为像素级的分类任务,而集成卷积神经网络与Transformer的MaskFormer网络则将其描述为掩模级的分类任务.为了解决语义分割形变建模能力差、物体轮廓分割模糊和收敛速度慢的问题,提出一种细化多尺度感知与优化轮廓的自适应道路场景语义分割网络.在编码器中,采用标准卷积与可变形卷积堆叠形成的瓶颈结构提高网络的形变建模能力;在解码器中,采用特征细化模块过滤无关特征,进一步提高特征金字塔网络的解码能力;针对特征金字塔网络进行多层级特征融合时上采样特征出现像素点错位的问题,引入特征校准模块优化物体轮廓的分割效果;最后在Transformer模块中采用Miti-DETR解码器加快网络的训练速度,提升分割精度.实验结果表明,所提网络在Cityscapes和Mapillary Vistas数据集上以较大的优势超过了现有的语义分割网络.

JPEG隐写分析中的校准原理探究

传统的隐写图经过剪切重压缩得到原始图像的近似图像,通过对该方法及其与检测特征之间的关系研究,建立了校准与校准特征的一维数学空间,该空间引入参考变换概念,定性地分析了校准方法和校准差分特征的相关性,从而得出校准技术提高检测性能的根本原因,同时得出校准图像不一定是原图相似图的结论,对校准特征的选择提供了理论依据。

基于时空卷积特征记忆模型的坦克火控系统视频目标检测方法

视频目标检测技术是提升坦克火控系统战场目标搜索能力的有效手段。针对面向坦克火控系统的视频目标检测任务,提出一种基于时空卷积特征记忆模型的视频目标检测方法。将时空卷积特征校准机制与卷积门控循环单元相结合,建立时空卷积特征记忆模型,同时对多个视频帧中目标的表观特征及运动信息进行建模,以传递并融合视频帧中的目标信息。在特征提取网络以及检测子网络中结合可形变卷积,在检测过程中应用视频序列非极大值抑制,提高对形变以及遮挡目标的检测能力。构建一个包含多种目标类型、尺度、遮挡等条件的坦克火控系统视频目标检测数据集,为多种目标检测方法的测试提供依据。测试结果表明,与R-FCN、D&T以及MANet等目标检测方法相比,所提方法的平均精度均值最高,能够更好地满足装备的应用需求。

基于可解释深度学习的单通道脑电跨被试疲劳驾驶检测

脑电信号被认为是检测驾驶员疲劳状态的最佳生理信号之一。然而,由于不同被试者和不同记录时段的脑电信号差异很大,设计一个无校准的脑电疲劳检测系统仍然具有挑战性。近年来,虽然开发了许多深度学习方法来解决这个问题并取得了重大进展,但是深度学习模型的黑盒效应使得模型决策不可信赖。为此,本文提出了一种可解释深度学习模型,用于从单通道脑电信号中检测跨被试疲劳状态。该模型具有紧凑的网络结构,首先设计浅层CNN提取EEG特征,然后引入自适应特征重新校准机制增强提取特征的质量,最后通过LSTM网络将时间特征序列与分类相关联。模型分类决策的可解释信息则是由LSTM输出隐藏状态的可视化技术实现的。在持续驾驶任务的公开脑电数据集上进行大量跨被试实验,该模型的分类平均准确率最高达到76.26%。相比于先进的紧凑型深度学习模型,该模型有效降低了参数量和计算量。可视化结果表明该模型已发现神经生理学上可靠的解释。

基于VR技术的大视角成像图像拼接仿真

由于成像图像拼接过程中拼接重叠区域特征点歧义性高、匹配度较低,导致成像图像拼接难度较大。当前方法存在畸变、视觉观感差的问题。提出新的基于VR技术的大视角成像图像拼接方法。通过函数测算、变换选择特征点和待匹配点明确待拼接图像内特征点集合,利用图像间重叠区域位移值,计算离散灰度与相关函数估计值,得到图像间重叠特征点提取结果。通过相似度和匹配度将各个匹配点集匹配,并建立单应性矩阵。将首个图像作为基准,剩余图像则在首图像基础上延伸串联,同时加权处理水平与垂直方向的像素,实现大视角成像图像拼接。仿真结果表明,所提方法能够提高匹配特征点精度和匹配度,拼接后图像无歧义且过渡平滑,视觉观感佳。

一种改进YOLOv3的交通标志识别算法

针对复杂街景下小目标交通标志牌存在识别精度低和漏检的问题,提出一种基于注意力机制和双向特征融合结构的你只能看一次(YOLOv3)算法。通过构建双尺度注意力模块,嵌入YOLOv3的特征提取网络,对特征通道进行重校准,同时进行多尺度特征的融合,增强了算法的特征信息提取能力。在中国交通标志检测数据集(CCTSDB)上进行实验,检测平均精度高达95.3%。小目标检测的性能相较于YOLOv3算法,得到了较大的提升,验证了该算法的优越性。