期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
稠密特征编码的遥感场景分类算法 被引量:4
1
作者 李国祥 马文斌 王继军 《小型微型计算机系统》 CSCD 北大核心 2021年第4期766-772,共7页
针对遥感影像快速有效的场景分类,提出了一种低维度稠密特征编码的场景分类算法.首先提取遥感图像不同尺度下的稠密特征,利用Hellinger kernel对原始特征进行映射变换形成新的特征空间,采用主成分分析对新的特征降维并进行Fisher编码量... 针对遥感影像快速有效的场景分类,提出了一种低维度稠密特征编码的场景分类算法.首先提取遥感图像不同尺度下的稠密特征,利用Hellinger kernel对原始特征进行映射变换形成新的特征空间,采用主成分分析对新的特征降维并进行Fisher编码量化,进而实现遥感图像的低维度稠密特征表达,最后在线性支持向量机中完成遥感影像的场景分类.所提出的算法分别在UC Merced、WHU和NWPU-RESISC45公开数据集进行了验证.实验结果表明,作为一种改进的中层语义特征表达算法,相比于传统中低层语义特征,分类准确度得到大幅度提高,相比于深度学习算法,所提算法能够有效兼顾计算复杂度和分类准确率,实现不同指标间良好的平衡,满足遥感场景分类的实用性要求. 展开更多
关键词 稠密特征 遥感分类 fisher Vector
下载PDF
基于SIFT稀疏表示的人脸识别算法 被引量:4
2
作者 朱洋洋 贺兴时 《西安工程大学学报》 CAS 2020年第6期106-112,共7页
为了提高人脸识别的准确率,提出基于尺度不变特征变换(scale invariant feature transform,SIFT)的稀疏表示人脸识别算法。根据SIFT特征对光照、表情、姿态的鲁棒性和稀疏表示对噪声因子的稳健性及其优越的分类性能,提取人脸图像多尺度... 为了提高人脸识别的准确率,提出基于尺度不变特征变换(scale invariant feature transform,SIFT)的稀疏表示人脸识别算法。根据SIFT特征对光照、表情、姿态的鲁棒性和稀疏表示对噪声因子的稳健性及其优越的分类性能,提取人脸图像多尺度空间的SIFT局部特征;再利用Fisher Vector(FV)方法对图像特征进行编码,用似然函数的梯度向量来表达图像,使其包含更深层次的信息;最后用融合的SIFT-FV特征构造稀疏表示字典矩阵,主成分分析方法降低数据维度,用稀疏表示分类算法对人脸进行识别。将该算法应用到Yale、Orl和AR人脸库上,识别率均有所提高。 展开更多
关键词 人脸识别 尺度不变特征变换 fisher Vector 主成分分析 稀疏表示
下载PDF
融合FV-SIFT特征和深度卷积特征的车辆图像细粒度分类 被引量:3
3
作者 杨志钢 马俊杰 《应用科技》 CAS 2019年第4期42-47,共6页
针对现有的SIFT特征在车辆细粒度分类中存在的分类精度低的问题,提出了一种融合FV-SIFT特征和深度卷积特征的车辆图像细粒度分类算法。首先采用SIFT算法与Fisher Vector算法相结合的方式提取车辆图像的FV-SIFT特征,然后采用VGG-16卷积... 针对现有的SIFT特征在车辆细粒度分类中存在的分类精度低的问题,提出了一种融合FV-SIFT特征和深度卷积特征的车辆图像细粒度分类算法。首先采用SIFT算法与Fisher Vector算法相结合的方式提取车辆图像的FV-SIFT特征,然后采用VGG-16卷积神经网络提取车辆图像的深度卷积特征,最后将FV-SIFT特征与深度卷积特征进行线性融合并采用支持向量机对融合后的车辆特征进行分类。实验结果表明,该方法的分类准确率达到82.3%,较FV-SIFT算法在分类准确率上提高了15.4%。 展开更多
关键词 图像细粒度分类 SIFT算法 fisher Vector算法 卷积神经网络 SVM分类
下载PDF
Training SVMs on a bound vectors set based on Fisher projection 被引量:1
4
作者 Xu YU Jing YANG Zhiqiang XIE 《Frontiers of Computer Science》 SCIE EI CSCD 2014年第5期793-806,共14页
Standard support vector machines (SVMs) train- ing algorithms have O(l3) computational and O(l2) space complexities, where l is the training set size. It is thus com- /putationally infeasible on very large data ... Standard support vector machines (SVMs) train- ing algorithms have O(l3) computational and O(l2) space complexities, where l is the training set size. It is thus com- /putationally infeasible on very large data sets.To alleviate the Computational burden in SVM training, we propose an algo- rithm to train SVMs on a bound vectors set that is extracted based on Fisher projection. For linear separate problems, we use linear Fisher discriminant to compute the projection line, while for non-linear separate problems, we use kernel Fisher discriminant to compute the projection line. For each case, we select a certain ratio samples whose projections are adja- cent to those of the other class as bound vectors. Theoretical analysis shows that the proposed algorithm is with low com- putational and space complexities.Extensive experiments on several classification benchmarks demonstrate the effective- ness of our approach. 展开更多
关键词 support vector machines bound vectors set fisher discriminant sequential minimal optimization
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部