多尺度匹配的分形近似编码

将多尺度分析的思想引入到值域块与定义域块匹配过程中，预先剔除掉在粗尺度下与值域块不匹配的定义域块，相对减少了在细尺度下与值域块匹配的定义域块．该方法为缩短分形编码的搜索时间提供了一条新途径．与全局搜索匹配分形块编码相比。

四级邻域匹配分形近似编码

为了缩短分形编码中值域块与定义域块池中的定义域块逐一匹配时间，提出了四级邻域匹配分形近似编码．在编码时，对不同的图像区域进行不同级的编码，并将值域块与定义域块的全局匹配改为邻域匹配．该方法与Ｊａｃｑｕｉｎ的分形块编码相比，不仅大大地缩短了编码时间，同时也提高压缩比．

基于邻域保持嵌入稀疏编码的图像分类

针对复杂背景下的图像分类问题,结合稀疏编码和邻域保持嵌入算法,提出一种基于邻域保持嵌入规则的稀疏编码算法。在传统稀疏编码问题的目标函数中加入特征编码的局部邻域嵌入正则化项,通过最小化每个特征的编码与其近邻点的特征编码线性组合的误差,使得相似的特征在编码后仍然相似,保留特征的局部邻域结构。采用近似编码的方法降低计算复杂度,实验结果表明,在多个图像数据库上进行图像分类,与已有的稀疏编码方法相比,该算法具有较高的分类精度。

结合全局与局部池化的深度哈希人脸识别算法

针对采用大型卷积神经网络提取高维特征进行人脸识别时占用内存空间较大以及消耗大量计算资源的问题,提出一种结合全局与局部池化的深度哈希全卷积神经网络.第一,提出一种基于全局平均池化层的全卷积网络,用以减少网络参数以及压缩模型尺寸;第二,提出一种学习不同特征的融合损失方法,将哈希量化误差损失与分类损失进行加权融合,用以学习具有多分类性质的近似哈希编码.实验表明,该方法能够在Visual Geometry Group(VGG)框架下将识别效率提高68%,且准确率略有提升;融合损失方法扩展到Face Residual Network(Face-ResNet)框架时,在保持准确率的情况下将识别效率提高了23.7%。结果表明,该方法可在保证准确率的前提下有效地从特征提取和特征降维两方面提高识别效率,同时该方法还可扩展用于其他网络.