基于增量式深度神经网络的图像分类系统

为解决图像分类任务中模型结构固化、产生巨大内存消耗、时间消耗的问题,提出一种增量式深度神经网络(IDNN)。输入样本通过聚类算法激活不同簇并被分别处理:如果新样本激活已有簇,则更新该簇参数;否则为新簇开辟分支,并训练独立特征集。在Caltech-101、ORL Face、ETH-80数据库的验证结果表明,该系统能自动调整网络结构,适用于轮廓、纹理、视角等不同环境的增量式学习,例如在Caltech-101库分类任务中准确率超出VGGNet 5.08%、Alex Net 3.44%。

基于ORB算法与神经网络的图像特征点提取方法

图像特征是图像处理研究的重要内容,其中图像特征点应用十分广泛,目前已经有多种优秀的特征点算法,但这些算法在特征点提取时十分依赖图像质量,在实际应用中图像特征点提取稳定性差,特征点数量往往不足。所以所提出基于神经网络的特征点提取方法,针对ORB特征点设计网络及损失函数,以Caltech 101数据集作为训练、测试数据集,其中标签的制作是以开源计算机视觉库OpenCV中的ORB特征提取算法为基础的,网络提取是由PyTorch框架实现,并最终使用Python语言实现整个实验。代码在已经在https://github.com/later-3/NN4ORB开源。实验结果证明,该方法对图像质量要求较传统ORB算法低,降低提取ORB特征点对图像的依赖,提取的特征点数量可以根据阈值动态调节,提高了ORB特征点提取的稳定性。