基于特征重加权的小样本遥感图像目标检测算法

针对遥感图像具有目标尺度多变、目标模糊、背景复杂的特点,提出了一种基于特征重加权的遥感小样本目标检测算法RE-FSOD;该模型包括3部分:元特征提取器、特征重加权提取器、预测模块,其中元特征提取器由CSPDarknet-53、FPN以及PAN构成,负责提取数据的元特征;特征重加权提取器用于生成特征重加权向量,用于调整元特征来强化对于检测新类有帮助的特征;预测模块由YOLOv3的预测模块构成,在此基础上将定位损失函数替换为CIOU损失函数,提升模型的定位精度;最后在NWPU VHR-10遥感数据集上进行了训练和测试,实验结果表明,该方法相较于基线方法FSODM的在3-shot、5-shot、10-shot情况下分别提升了约19%、11%、8%。

基于卷积神经网络特征重加权的行人再辨识

对于开集测试协议行人再辨识问题的研究,我们希望在某种距离度量目标函数的优化下,使学习到的行人特征满足类内最大距离越来越小,同时类间最小距离越来越大.然而,目前所存在的算法行人特征的判别性较低.本文将基于siamese模型的卷积神经网络用于行人再辨识的研究,该网络在分类与验证损失函数的联合监督下,可以学习出更具判别性的行人特征.其中,分类损失函数使学习到的行人特征具备分辨性,而验证损失函数的作用是在拉大类间特征距离的同时减小类内特征间的距离,使学习到的行人特征具备辨别性.除此之外,我们在验证损失函数之前设计一个特征重加权层.该层将特征维度的尺度与相关性考虑进去对每一维进行重新加权,且权值矩阵在网络训练过程中自动更新.同时,我们为该层的权值矩阵施加一个约束,以提高行人特征的泛化能力.最后在几个行人再辨识数据集上的实验表明我们模型与特征重加权层的优越性.

自组织特征重加权结合相关反馈技术的CBIR算法

针对高级用户的描述对象与低级图像特征之间的语义差异问题,提出一种基于自组织特征重加权和相关反馈的CBIR算法。首先对查询图像和数据库图像采用Gabor小波变换和小波矩技术提取图像特征向量;然后进行相似性度量,同时为了最大程度地从相关图像中分离非相关图像,引入自组织特征重加权模式,确保非相关图像集没有单一的相关图像;最后将用户反馈和特征加权循环进行,直到得出用户满意的结果。仿真实验在Corel收集的1 000幅图像库上进行,对某些类别的图像,该算法的检索精度可高达97.5%,在无噪声情况下,对于前10幅图像,该算法的准确率为82.78%,对于前100幅图像,精度仅降到66.70%,在有噪声情况下,精度下降仅3%左右。相比其他优秀算法,该算法具有更高的精度和更好的噪声鲁棒性。

基于注意力机制和元特征二次重加权的小样本目标检测

在基于迁移学习的小样本目标检测任务中,由于缺乏关注图像中待检测目标的注意力机制,所以现有模型对于待检测目标周边背景区域的抑制能力不强,且在迁移学习过程中通常需要对元特征进行微调来实现跨域共享,这将引起元特征偏移,从而导致模型对大样本图像检测能力的下降。针对上述问题,基于注意力机制和元特征二次重加权机制,提出改进的元特征迁移模型Up-YOLOv3。首先,在原始元特征迁移模型Base-YOLOv2中引入基于卷积块注意力模块(CBAM)的注意力机制,使特征提取网络聚焦于图像中的目标区域并关注图像目标类别的细节特征,从而提升模型对小样本图像目标的检测性能;其次,引入基于压缩-激励(SE)的元特征二次重加权模块(SE-SMFR)对大样本图像的元特征进行二次重加权,以获取二次重加权元特征,使模型在提升小样本目标检测性能的同时也能减小大样本图像元特征信息的权重偏移。实验结果表明,在PASCAL VOC2007/2012数据集上,相较于Base-YOLOv2,Up-YOLOv3针对小样本图像检测的平均准确率均值(mAP)提升了2.3~9.1个百分点;相较于原始的基于YOLOv3元特征迁移模型Base-YOLOv3,Up-YOLOv3针对大样本图像的mAP提升了1.8~2.4个百分点。可见,改进后模型对不同类别的大样本图像和小样本图像均具有良好的泛化能力和鲁棒性。

液态奶中镁元素原位在线检测方法研究

镁元素是牛奶中的重要营养组分之一,其含量检测的前处理步骤繁琐。该文提出了一种超声喷雾激光诱导击穿光谱(US-LIBS)检测方法,通过将超声雾化和极短焦激光诱导击穿光谱技术有机结合,巧妙避免了液态奶的等离子体猝灭效应。使用US-LIBS方法无需对液态奶样品进行任何前处理,即可在秒级时间内完成液态奶中镁元素的在线原位检测。为进一步提升镁元素的检测精度,实验通过构建重加权特征光谱算法(RCSA),从复杂、变动的基质干扰中准确提取镁元素的光谱信息。计算结果表明,经RCSA处理后,实际液态奶样品中镁元素的检出限和线性系数(r^(2))分别为0.3 mg/kg和0.97,可有效满足液态奶中镁元素的检测需求。因此,US-LIBS为乳制品智能制造提供了一种强大的在线分析工具,并有望进一步拓展至其它液态体系中微量元素的原位在线检测。