基于特征语音的说话人自适应算法研究

介绍了说话人自适应技术中的特征语音(Eigenvoice,EV)方法。用最大后验概率特征分解(Maximum a Posteriori Eigen-decomposition,MAPED)法来计算线性组合系数,代替了传统方法中的最大似然特征分解(Maximum Likelihood Eigen-decomposition,MLED)的方法。实验对这两种方法的性能进行了比较。结果证明使用MAPED这种方法比用MLED的方法错误识别率有一定的降低,增强了系统的鲁棒性。

基于多线型特征增强网络的架空输电线检测

针对架空输电线可见光图像中环境背景复杂、电力线像素占比小,导致电力线检测精度低、断点率高的问题,提出具有强化线型特征提取和减少断点能力的多线型特征增强网络(MLED).利用双路残差框架提取线型电力线目标的主干和边缘特征,通过多特征融合模块,在不同尺度的层次上实现主干、边缘和高层特征的深度整合,输出检测结果.在多特征融合模块中嵌入残差、反卷积、多尺度结合等多路运算.实验结果表明,MLED的检测能力较PSPNet、FCRN、UNet有明显提高,多特征融合模块优于传统的残差连接块,可视化结果的F检验(F-Measure)、IoU平均值(Mean IoU)分别为78.4%、77.8%,断点率为30.8%.

基于多尺度局部极值分解与ResNet152的红外与可见光图像融合

为了进一步提升红外与可见光图像融合方法的性能,本文提出了一种基于多尺度局部极值分解与深度学习网络ResNet152的红外与可见光图像融合方法。首先,利用多尺度局部极值分解(multiscale local extrema decomposition,MLED)方法将源图像分解为近似图像和细节图像,分离出源图像中重叠的重要特征信息。然后采用残差网络ResNet152深度提取源图像的多维显著特征,以l_(1)-范数作为活性测度生成显著特征图,对近似图像进行加权平均融合,以保持能量和残留细节信息不丢失。在细节图像中,利用“系数绝对值取大”规则获得初始决策图,源图像作为引导图像,初始决策图作为输入图像进行引导滤波处理,得到优化决策图,计算加权局部能量得到能量显著图,对细节图像进行加权平均融合,使融合图像具有丰富的纹理细节和良好的视觉边缘感知。最后,对近似融合图像和细节融合图像进行重构,得到融合图像。实验结果表明,与现有的典型融合方法相比,本文所提出的融合方法在客观评价和视觉感受方面都取得了最好的效果。