采用特征分辨率和等价类相关矩阵的特征选择

特征选择是文本分类的关键步骤之一,所选特征子集的优劣直接影响文本分类的结果。首先分析了词频和文档频并在此基础上对文档频进行优化。然后又以此为基础提出了特征分辨率并先用它初选文本特征。紧接着又把粗糙集引入进来并给出了一个基于等价类相关矩阵的属性约简算法,以此来进一步消除冗余特征。仿真结果表明上述方法无论是在精确度和召回率方面,还是时间性能及平均分类精度方面,都具有一定的优势。

使用特征分辨率和差别对象对集的特征选择

特征选择是文本分类的关键步骤之一,所选特征子集的优劣直接影响文本分类的结果。首先简单分析了几种经典的特征选择方法,总结了它们的不足,然后提出了特征分辨率的概念,并提出了一个基于差别对象对集的属性约简算法,最后把该属性约简算法同特征分辨率结合起来,提出了一个新的特征选择方法。该方法首先利用特征分辨率进行特征初选以过滤掉一些词条来降低特征空间的稀疏性,然后利用所提属性约简算法消除冗余,从而获得较具代表性的特征子集。实验结果表明此种特征选择方法效果良好。

高分辨率特征保持的头部姿态软阶段回归算法

针对在头部姿态估计推理过程中由于上下采样操作而导致的姿态特征损失问题,提出了一种高分辨率特征保持的头部姿态软阶段回归算法。该算法首先利用编码器HR-Net对原始人脸图像进行高分辨率特征保持的多尺度特征编码,并在其卷积块中加入TA维度交互模块以捕获更多空间与通道之间的交互信息;然后使用解码器SSR-Net算法对HR-Net输出的不同尺度特征图进行关键参数解码和头部姿态软阶段回归,并引入了高效通道注意力ECA以加强特征通道间的信息交互,减少冗余特征。实验结果表明,所提算法在公开数据集AFLW2000和BIWI上均有优秀表现,其MAE分别降低至4.19和3.00。

基于多组多分辨率特征和小波通道注意力的环境声音分类

针对目前环境声音分类(Environmental Sound Classification, ESC)方法对音频特征提取中反映的时频维度信息不足的问题,提出基于多组多分辨率特征和小波通道注意力的分类方法。采用多组多分辨率特征组成的多特征作为网络输入,通过多组滤波器,多个频率分辨率,在时间和频率维度上实现数据增强,同时实现信息互补。为了更好地衡量各个通道的重要性,针对一维音频图像特征设计了小波通道注意力模块,采用离散小波变换(Discrete Wavelet Transform, DWT)将信号的低频子带和高频子带有效结合,得到通道标量,利用Gram-Schmidt正交化方法使网络在信道注意压缩阶段提取的信息多样化,利用长短期记忆(Long Short Term Memory, LSTM)网络长时间保存信息,提高学习的长期可靠性。实验结果表明,在ESC-10和ESC-50数据集上的分类准确度分别达到了98.7%和93.6%,取得了较好的效果,为音频特征处理提供了一种新的研究思路。

基于多分辨率卷积网络的房颤起始点定位

为提高阵发性房颤(paroxysmal atrial fibrillation,PAF)的识别能力,本研究提出一种基于卷积网络的多分辨率心电图(electrocardiogram,ECG)理解框架。该框架通过同时利用局部的高分辨率形态特征和全局的低分辨率节律特征,可始终保持高分辨率特征并不断引入低分辨率特征分支。通过不断整合各分支的特征,高分辨率分支可辨别P波形态变化,低分辨率分支可检测RR间期的节律变化,从而实现PAF定位、房颤分类和QRS波定位多个任务。本研究使用CPSC 2021-Train数据库训练模型,并使用两个临床ECG数据库测试。两个数据库上的PAF定位分数分别为1.8182和3.4870;房颤分类和QRS波定位在两个数据库上的F1分数均值分别为88.36%和99.47%。说明本研究方法具有良好的PAF端点和QRS波定位性能。

基于多分辨率特征融合的任意尺度图像超分辨率重建

传统深度学习的图像超分辨率重建网络仅在固定分辨率上提取特征,存在无法综合高级语义信息、只能以特定尺度因子重建图像、泛化能力较弱、网络参数量较大等问题。提出一种基于多分辨率特征融合的任意尺度图像超分辨率重建算法MFSR。在多分辨率特征融合编码阶段设计多分辨率特征提取模块以提取不同分辨率特征,通过构建双重注意力模块增强网络特征提取能力,使不同分辨率特征之间进行充分交互,以获取信息丰富的融合特征图。在图像重建阶段利用多层感知机对融合特征图进行解码,实现任意尺度的图像超分辨率重建。实验结果表明,在Set5数据集上分别以尺度因子2、3、4、6、8进行测试,所提算法的峰值信噪比分别为38.62、34.70、32.41、28.96、26.62 dB,模型参数量为0.72×106,在大幅减少参数量的同时能保持重建质量,可以实现任意尺度的图像超分辨率重建,性能优于SRCNN、VDSR、EDSR等主流算法。

面向辐射源个体识别的多分辨率卷积网络

雷达辐射源个体识别是一种通过提取雷达硬件指纹特征来区分同类型雷达中的某特定辐射源个体的技术。但由于模型参数量过多和计算复杂度高,限制了其在实时和近实时场景下的应用。面对此问题,提出了一种轻量化的多分辨率卷积网络,该网络丰富了信号不同频域分辨率特征,从而在不增加参数或计算量的情况下,提高了识别准确率。进行了包含10个导航雷达信号的辐射源个体识别数据集实验,结果表明,提出方法与标准卷积网络相比,在不增加参数量与计算量条件下,提高了约8%的识别准确率;与多尺度网络相比,提出方法仅采用3/4的参数量和计算量,即可达到与之相当的准确率。该方法适用于航天等实时和近实时应用场景。

顾及多分辨率特征的复合字典城中村识别方法

城中村作为一种特殊的城市聚落类型,对其进行精确有效的监控识别有助于实现城乡协调发展、优化城乡生态环境。现有面向对象的城中村识别方法通常需要大量样本数据,导致训练成本较高,数据更新效率偏低。针对以上问题,本文提出了顾及多分辨率特征的复合字典城中村识别方法。首先通过密集格网采样提取尺度不变特征转换(SIFT)全局特征,并与多分辨率颜色矢量角直方图特征融合,形成视觉词典;然后将影像表示为视觉词频率直方图;最后使用随机森林分类器进行分类,以实现场景尺度的城中村识别。以高分二号影像为测试数据对该方法进行验证,结果表明,其总体精度达90.08%,Kappa系数达80.16%,相较于加速稳健特征(SURF)、SIFT、VGG16、ResNet50,总体精度分别高出8.99%、3.51%、4.78%、2.28%。

基于多分辨率特征融合的葡萄尺寸检测

针对葡萄特征提取不够充分且果粒排列密集相互遮挡难以准确检测的问题,以陕西省鄠邑区户太8号葡萄为研究对象,提出一种基于特征金字塔网络(FPN)特征融合的Faster R-CNN卷积神经网络模型完成复杂背景情况下葡萄果粒的检测与识别。以ResNet50为主干网络,引入金字塔结构,增强网络模型对葡萄果粒不同分辨率特征的提取能力,同时加入GA-RPN网络生成自适应锚框,引入遮挡补偿机制,以解决密集葡萄果粒存在的遮挡问题。模型验证结果表明,本研究提出的模型精度均值(AP)在候选框与原标记框的重叠率(IOU)阈值为50时可达95.9%,对葡萄果粒、果穗的检测准确率分别为95.8%、96.1%,相比于原始Faster R-CNN模型识别性能更优。利用双目视觉算法对葡萄果粒进行尺寸测量,在最佳测量距离(0.6~1.4 m)其相对误差可控制在2%以内。

基于超分辨率特征融合的工件表面细微缺陷数据扩增方法

针对工件缺陷检测中的表面细微缺陷难以检测问题,提出一种基于超分辨率特征融合的数据扩增模型。该模型由数据层(Data)、超分辨率特征提取与样本修复层(SR-Re)和数据扩增层(M-A)3层结构组成。Data层完成样本划分,并以缺陷特征像元占比小于0.333%的样本作为细微缺陷数据输出;SR-Re层采用双路结构并行处理输入数据,分别完成对输入图像数据的超分辨率特征提取与样本修复;M-A层通过对超分辨率特征和无缺陷样本进行泊松融合实现样本扩增。该模型重点解决了由于图像特征不明显导致工件表面细微缺陷难以识别、检测模型难以构建与工业检测困难的问题,通过扩增细微缺陷样本提升了缺陷检测模型的准确率。最后通过对5类铝型材样本进行实验,验证了该模型的有效性与可行性。

有限空间下船舶遥感图像低分辨率特征识别分析

传统的遥感图像低分辨率特征识别方法在有限空间下很难清晰准确地完成识别工作,尤其是在区分靠岸船舶和离岸船舶问题上显现出很大的局限性。为了解决此问题,研究了一种新的有限空间下船舶遥感图像低分辨率特征识别方法,首先构建了识别框架,阐述了当船舶位于水体中央和停靠在海岸边时采用的不同识别方法;然后介绍了识别过程,识别过程由水体提取、矢量分解、起点终点划分、模拟检测4步构成;最后通过与传统方法进行对比验证了该方法的识别效果,由实验结果可知,研究的识别方法可以快速精准地完成特征识别,具有很大的市场发展空间。

基于多分辨率纹理特征的背景建模方法

传统的背景减除建模方法由于采用基于像素尺度的较为单一的颜色视觉信息进行建模,检测结果中往往出现前景空洞以及虚警离散噪声点。针对这一不足,本文提出基于多分辨率纹理特征的背景建模方法。该建模特征由离散余弦变换域上的系数重组得到。实验结果表明,新的建模方法有效的解决了前景空洞和受虚警噪音点干扰问题。

基于高分辨率特征的舌象分割算法研究

舌象的精准分割对舌诊中舌体识别与分类具有重要意义,采用传统图像处理方法和深度学习方法分割舌象会丢失部分舌象边缘信息,从而降低舌体识别精确度。针对该问题,提出一种利用高分辨率网络的舌象分割算法。使用区域定位网络识别舌体并提取舌象原图特征生成建议框,对其进行分类和回归处理以定位舌象所在区域,同时构建高分辨率网络提取该区域高分辨率特征,最终完成舌象分割。实验结果表明,该算法可有效保留舌象边缘信息,其分割结果平均交并比达到98.2%,较SegNet、Mask-RCNN算法分割舌象更精准。

基于多分辨率特征和时频注意力的环境声音分类

针对环境声音分类(ESC),提出了一种基于多分辨率特征和时频注意力的卷积神经网络环境声音分类方法。首先,相较单一分辨率的谱图,多通道多分辨率特征可以丰富特征信息,实现不同特征分辨率之间信息互补,增强特征的表达能力;其次,针对声信号提出了一种时频注意力模块,该模块先利用不同大小的一维卷积分别关注时域和频域有效信息,再用二维卷积将两者进行融合,从而抑制环境声中背景噪声并消除由多通道多分辨率带来的冗余信息干扰。实验结果表明,在ESC-10和ESC-50两个基准数据集上的分类准确率达到了98.50%和88.46%,与现有的最新方法相比分别提高了2.70%和0.76%。

有效频带多分辨率特征提取及说话人年龄识别

针对文本无关非特定说话人年龄识别,本文提出了一种基于有效频带多分辨率特征的统计分析识别方法。输入语音,通过小波包变换进行有效频带分解,然后将各有效频带的小波包系数连接构成一个整体计算美尔频率倒谱系数,得到有效频带多分辨率特征参数WPMFC(Wavelet Packet Mel-Frequency Cepstrum),说话人按年龄划分为儿童、青年、中年和老年四个阶段,并进一步按性别训练各年龄段语音得到8个高斯混合模型。测试语音依据最大似然准则进行识别判决。实验对本文提出的方法与传统的短时谱统计分析方法进行了比较,结果显示本文提出的方法有较好的识别性能,集内平均识别率达到65.17%。同时,实验结果也说明相对语音文本变化的影响,不同说话人发音特征的变化对识别性能的影响更大。

基于多分辨率特征提取网络的图像相似度学习

图像相似度学习旨在提取图像特征并构造新的相似性学习算法以对图像之间的关系建模。近年来,深度学习网络以能够自动学习特征的优势被广泛用于图像相似度学习中。针对深度学习网络提取的特征过于简单,导致相似度学习效率较低,且训练受到数据集大小的限制等问题,在改进的双分支网络和双通道网络基础上,结合数据增强和多分辨率特征提取方法,设计了一种多分辨率特征提取(IS-MRFE)网络。使用相同数据多输入方法进行网络训练,起到增强数据的作用,通过多分辨率特征融合,提高网络提取的特征多样性。同时,研究了数据集大小对网络训练适应性的影响。实验结果表明,在TLL(totally-looks-like)数据集中,所设计的IS-MRFE网络具有较强的网络学习能力和模型推广能力,此外,当数据集大小受到限制时,模型仍具有较强的适应性。

大规模景观图像斑块特征增强算法仿真

不同景观斑块特征存在一定的差异,整体增强会导致斑块重叠和模糊等问题。为此,提出一种大规模景观图像斑块特征增强算法。计算大规模景观图像斑块形状指数、多样性指数、破碎性指数、最大斑块指数以及优势度指数,以此反映景观图像内斑块组成和结构特征,并度量景观斑块特征;再将所有指数计算结果组成斑块特征集,输入多分支注意力机制卷积神经网络中,依据网络通道注意力机制增强图像斑块特征分辨率;最后,将增强结果作为局部特征融合网络的输入,通过该网络的卷积操作生成各个通道的局部斑块图,获取局部特征、斑块特征的位置和细节信息,完成斑块特征二次增强。仿真实验结果表明:所提出的增强算法的梯度损失和结构相似性损失函数值均在0.10以下,说明其能够有效处理斑块边缘之间的模糊效应,并且可靠区分不同的景观斑块分布空间。

使用高分辨率网络在热红外图像上提取人脸关键区域温度

近年来,个人热舒适模型取得了众多学者的研究和关注。其中,脸部皮肤表面关键区域的温度是模型中的关键输入特征。使用高分辨率特征学习网络(HRNet)在热红外图像上直接进行人脸关键点检测,以提取人脸关键区域温度,其准确率高于同类热红外人脸关键点识别算法的最佳值。还将人脸属性作为权重加入到损失函数中,进一步提升了对于难例(如侧脸、遮挡、夸张表情)的识别准确率。最后,对比了热红外图像与不同环境下可见光图像的检测效果,证明了在一些特殊条件下(如低光照、隐私保护),热红外图像可以代替可见光图像进行准确的关键点识别。

基于Radon小波低分辨率的织物疵点检测算法

针对纺织过程中可能出现的瑕疵问题,提出了一种新的织物疵点分割方法——四分法和织物疵点特征提取方法——Radon小波低分辨率特征(RWLRC)。该算法先将织物图像经过Gabor滤波器预处理,再将预处理之后的织物图像等分成四部分,通过4部分的最大值与最小值确定阈值并分割。将疵点形状的二值图像进行Radon变换并得到特征曲线,应用Mallat塔式分解算法进行特征降维,最后由神经网络进行状态识别和特征分类。实验结果表明,四分法无需与正常织物对照分割,具有自适应性,Radon小波低分辨率特征的特征值只有3维,具有特征维数低、疵点形状描述准确等特点,所提方法可以有效检测与识别缺纬、缺经、油污、漏洞等常见疵点。

基于优化HRNetV2的高分辨率遥感影像土地利用自动分类

研究目的:基于语义分割模型HRNetV2实现高分辨率遥感影像的土地利用自动分类,以期推动深度学习语义分割方法实现遥感影像的土地利用自动分类研究,并为该类研究提供可参考的案例。研究方法:首先对语义分割模型HRNetV2从损失函数、特征提取方面进行优化,以提高模型的分割精度;其次用优化后的HRNetV2模型对民乐县2 m的高分辨率遥感影像进行土地利用分类,并基于混淆矩阵对分类的结果进行评估。研究结果:(1)优化后的HRNetV2语义分割模型的MIOU达81.9%,相较于优化前提高了4.4%,证明了优化方法的有效性;(2)针对民乐县进行的土地利用自动分类总体精度达89.72%,Kappa系数达0.888。研究结论:优化后的HRNetV2语义分割模型在高分辨率遥感影像的土地利用自动分类中具有较强的应用前景。