基于近邻卷积神经网络的油画分类方法研究

油画分类是油画生成、油画识别及数字油画应用的重要基础工作。但由于油画图片与普通图片存在较大的质感差异,而且是油画家的个性化创作,不确定性更高,较普通照片的分类更困难。论文以分类出含有桥梁的油画为例,提出一种基于近邻卷积神经网络的油画分类方法,利用K最近邻分类算法提取与测试样本最接近的K个训练样本,卷积神经网络挖掘油画中的深层特征,从而对油画中的对象进行分类。论文详细讨论了数据处理、卷积神经网络的架构设计、训练过程。并在kaggle数据集上对该方法进行了分析与比较,使用三个数据集进行实验,实验结果表明该方法较最近邻算法精度上平均提高了2.4%,较卷积神经网络精度上平均提高了3.1%,较支持向量机方法精度上平均提高了6.9%。

判别随机近邻嵌入分析方法

针对随机近邻嵌入算法的非线性本质和无监督学习特征,提出一种线性有监督的特征提取方法,称为判别随机近邻嵌入分析.该方法通过输入样本的类别信息构建数据分布的联合概率表达式,用于反映同类和异类数据间的相似度;同时引入线性投影矩阵生成子空间数据,并在类内KL散度最小和类间KL散度最大的准则下建立目标泛函.通过人工合成数据和经典人脸库对文中方法的性能进行验证,结果表明,该方法不仅具有较好的可视化能力,而且能够有效地对不同类别的数据进行降维分簇,提升后续模式分类器的鉴别效果.

基于近邻方法的高维数据可视化聚类发现

提出了一种新颖的基于近邻方法的高维数据可视化聚类方法，并实现了一个近邻可视化聚类发现系统VisNN.已有的解决高维数据可视化聚类方法主要是通过降维把高维数据（高维属性空间中的点，每个属性代表一个维度）投影到二维或三维空间上，从而达到可视化目的．在此采取了一种完全不同的处理方法：构成可视平面的2个坐标轴不再是降纸后的两个属性或属性组合，而是记录（一个记录即高维属性空间中的一个点）序列．通过对记录按用户关心的属性进行排序，两个记录在高维空间中的相似关系（表示为距离）在由以记录为坐标轴构成的平面中仍然有可能得到保持．实验结果表明，用户通过使用该系统能较为容易地发现聚类和异常现象．

基于最近邻Marching Cubes的医学图像三维重建

在医学图像三维可视化中,移动立方体算法(Marching Cubes,MC)是面绘制的经典算法。针对MC算法计算插值点导致执行速度慢、效率不高的缺点,提出一种基于最近邻逼近的MC算法,该方法在n次等分点量化序列中寻找等值面最近邻点代替线性或非线性插值,既避免了插值的大量计算又保证了误差精度,还可改善三角面片结构。利用可视化工具开发包VTK对人体脸部和脚部CT数据集进行三维重建,实验表明改进算法明显缩短了绘制时间,提高了重建效率。

一种基于生物视觉感知的轮廓检测模型

提出了一种基于生物视觉的轮廓检测模型.该模型首先在研究初级视皮层结构的基础上,模拟了单个细胞的响应函数.然后通过构造一个新的邻域影响因子来描述感受野神经元间的相互影响.所提模型在充分考虑邻域刺激与中心神经元间距离、相对位置、最优朝向的差异影响下,有效地抑制了背景纹理的干扰,增强了具有相同结构神经元的响应,得到了清晰的轮廓.仿真实验表明,本模型克服了传统算法的不足,具有更好的检测准确性和稳定性,并在实际检测中得到满意的结果.

互联网敏感图像监控技术的研究

本文提出了一种适用于对互联网敏感图像进行监控和检测的解决方案。该方案以实例图像的匹配为基本识别策略,以测试图像的K近邻作为分类依据,创新性地提出了按多模式特征,分组组织训练实例的方法,并在匹配中融入了局部视觉元素的描述。系统在各种测试图像(尤其是人物类图像)中取得了出色的性能。实验结果证明,本系统有效地兼顾了对敏感图像多样性的适应能力和识别效率,相比传统类型策略,能使检测性能(尤其是误检率)得到明显改善。

基于视觉显著性近邻投票的标签排序方法

针对社交图像的标签无序性问题,提出了一个新的标签排序方法。根据标签与图像内容的相关性,将社交图像的标签次序进行重排。基于图像显著性区域的视觉内容,用k近邻算法找到给定图像的视觉近邻,用近邻图像的标签列表对给定图像的标签进行投票学习每个标签的相关性,按相关性由高到低的次序对标签进行重新排列。与现有的方法相比,该文应用显著性模型找到与标签语义更加相关的图像近邻,增强了标签排序的准确性。实验结果表明,该文提出的方法得到的标签排序结果更加接近人工排序结果。

面向钢结构工程进度的可视化监管系统

针对钢结构工程作业进度的监管效率低下与可视化程度不高的问题,分析国内外有关工程进度可视化监管的研究现状,指出当前类似的可视化监管操作复杂、不够直观简洁的缺陷。为此,提出一种快速简便的可视化监管方案,将工程现场的统计数据转化为进度模型并通过网络实现远程交互。在C#编程环境下引入工程管理平台与钢结构设计软件开发可视化监管系统,重点研究基于Tekla Structures的开发及基于K-最近邻算法的应用实践。以某钢结构厂房工程为例进行实例对比,验证了工程应用中的可行性。

矿井瞬变电磁法三维可视化探测陷落柱应用研究

基于矿井瞬变电磁法的基本理论,对综采工作面内陷落柱进行多角度方向探测,采用自然邻点方法对探测数据分别进行横向和纵向插值运算,用多个切片显示发育特征。此外,对探测数据进行三维空间插值,实现了陷落柱的三维立体显示。工程实例表明三维可视化显示能够准确判定陷落柱的发育特征及其赋含水性。

空间散乱数据插值设计与实现

本文以一种新的思路提出Shepard与Clough-Tocher结合使用的曲面插值方法。该方法利用模式识别中的K近邻法在Shepard插值的局部极值点处构造三角面片,用效果好的Clough-Tocher方法精化插值结果,提高了插值质量。实验结果表明本文提出的方法可以获得较高精度的曲面,方法简单,便于应用,弥补了传统插值算法的不足。

基于2D-PCA特征描述的非负权重邻域嵌入人脸超分辨率重建算法

在基于邻域嵌入人脸图像的超分辨率重建算法中,训练和重建均在特征空间进行,因此,特征选择对算法性能具有较大影响。另外,算法模型对重建权重未加限定,导致负数权重出现而产生过拟合效应,使得重建人脸图像质量衰退。考虑到人脸图像的特征选择以及权重符号限定的重要作用,该文提出一种基于2维主成分分析(2DPCA)特征描述的非负权重邻域嵌入人脸超分辨率重建算法。首先将人脸图像分成若干子块,利用K均值聚类获得图像子块的局部视觉基元,并利用得到的局部视觉基元对图像子块分类。然后,利用2D-PCA对每一类人脸图像子块提取特征,并建立高、低分辨率样本库。最后,在重建过程中使用新的非负权重求解方法求取权重。仿真实验结果表明,相比其他基于邻域嵌入人脸超分辨率重建方法,所提算法可有效提高权重的稳定性,减少过拟合效应,其重建人脸图像具有较好的主客观质量。

像素归一化方法在恶意代码可视分析中的应用

恶意代码的编写者通常采用自动化的手段开发恶意代码变种,使得恶意代码的数量呈现迅猛增长的态势。由于自动化的方式会重复利用恶意代码中的核心模块,因此也为病毒研究人员辨识和区分恶意代码族提供了有利依据。借鉴灰度图的思想,利用K-Nearest Neighbor(KNN)分类算法,给出了一种新的研究恶意代码谱系分类的可视化方法。其基本思想是,通过将二进制文件转换成双色通道的位图和像素归一图,从可视化的角度标识恶意样本特性,以此实现恶意代码族的相似度比较及分类。实验结果表明采用了像素归一化的降维映射机制能显著地减小文件可视特征的呈现时间开销,且该方法以自动化操作的方式运用Jaccard距离算法进行快速相似度比较,实现了恶意代码样本的有效分类,提高了分析人员的识别效率。

线性不动点近邻嵌入分析方法

针对t分布随机近邻嵌入分析方法(t-SNE)存在的样本外问题和实际应用中利用快速下降法进行梯度最优化过程时多参数设定及调整的不可行性,提出线性不动点近邻嵌入分析方法.该方法在t-SNE的基础上引入线性投影变换矩阵,揭示数据的本质低维结构,然后在最小化原空间和子空间两个概率分布的KL散度准则下建立目标函数.通过简单不动点迭代法求解目标函数的最小值,有效提高t-SNE迭代最优过程的效率和鲁棒性.在人工合成数据和COIL-20图像库上的实验表明,文中方法具有较好的可视化能力.

实时超像素跟踪算法

建立有效的目标表观模型是视觉跟踪算法的关键。该文采用中层次视觉线索(超像素)对目标表观进行建模,提出一种实时超像素跟踪(RSPT)算法。算法采用K近邻(KNN)方法从超像素特征集合中学习目标的判别式表观模型;在后续帧中,根据学习到的表观模型计算目标-背景置信图,然后巧妙地采用积分图方法估计目标状态,实现了高速的全局最优估计;最后设计了目标表观模型的在线更新策略,引入遮挡因子对遮挡进行判断。在配置i5处理器的电脑中,所提RSPT算法使用未经优化的Matlab代码以19帧/s的速度实时运行。对若干序列的对比实验表明,所提算法能够在多种复杂环境下稳定跟踪目标,具有良好的鲁棒性。

基于EXCEL和VB的邻带换算方法

坐标邻带换算是高斯分带投影的必然结果,是实现不同带(6°带、3°带、任意带)坐标转换的桥梁,在测量实践中具有非常重要的作用。本文探讨在Excel环境中,利用Visual Basic(VB)语言编制程序,创建用户自定义函数,再调用自定义函数解决坐标邻带换算的方法。通过实例验证,该方法能适用于不同椭球参数的不同带的批量坐标转换。

核判别随机近邻嵌入分析方法

为了有效地解决非线性特征提取中存在的鉴别效率和样本外问题,最大限度地保持观测信息,并进一步提高相关方法的降维性能,将核学习的方法应用到判别随机近邻嵌入分析方法中,提出一种核判别随机近邻嵌入分析方法.通过引入核函数,将原空间中的样本映射到高维核空间中,构建了用于反映同类和异类数据间相似度的联合概率表达式;在此基础上,引入线性投影矩阵生成对应子空间数据;最后在类内Kullback-Leiber(KL)散度最小和类间KL散度最大的准则下建立目标泛函.该方法突出了异类样本间的特征差异,使样本变得线性可分,从而提高了分类性能.在COIL-20图像库和ORL,Yale经典人脸库上进行实验,验证了文中方法的分类鉴别能力.

基于t-SNE的PQD特征提取可视化仿真分析

针对电能质量扰动(power quality disturbance,PQD)的复杂性,提出了一种基于t分布随机近邻嵌入(t-distributed stochastic neighbor embedding,t-SNE)流行学习算法的PQD特征提取方法。首先,建立了常见的PQD信号数学模型,并考虑了扰动参数和噪声的影响;其次,采用小波分解得到信号的小波能量向量构造原始特征集;最后,通过t-SNE算法进行二次特征提取,得到保持样本高维空间结构的,敏感度高且聚类性好的低维特征。仿真实验结果证明了提出的基于t-SNE的特征提取方法在PQD分析中的有效性。

图像高维数据的K-means自适应聚类算法

在图像信息处理中视觉词典生成过程需要对高维数据进行聚类操作.但这些高维数据不可避免会对计算机内存和计算能力提出更高要求.本文针对聚类过程中可能产生的内存耗尽以及初始聚类质心设置问题,对现有K-means算法加以改进.通过建立初始聚类质心与各类场景中的特定语义的关联,使之体现图像各类场景的类别特征集合,进而用于指导K-means过程中的初始质心设置.此外,在迭代过程中通过批次读入特征描述子,采用K近邻进行簇分配,从而避免了一次性读入全部特征描述子而造成的内存耗尽问题.同时,对于新的簇质心生成采用综合判别均值与中位值的办法来提高各族的聚合度.本文方法与Oxford University提出的K-means进行了对比,实验结果表明本文算法在性能与收敛上更具优势.

基于视觉特性的彩色图像增强算法研究

为了对彩色图像进行分析和识别,在深入分析HSV彩色模型的基础上,提出了一种新的彩色图像增强算法。该方法利用像素点邻域的均值和方差对HSV模型的亮度分量增强,在获得图像细节的同时保持图像缓慢变化的部分;根据亮度分量的变化情况,利用亮度和饱和度之间的相关系数,对HSV模型的饱和度分量进行调整。通过对图像进行主观分析和客观分析,该种算法不仅拉伸了图像的对比度,增加了图像的清晰度,而且图像色彩丰富,更加符合人的视觉特性。

基于RSSI的KNN—PIT室内自适应定位算法

针对基于接收信号强度指示(RSSI)的K最近邻(KNN)算法在室内定位精度较低的问题,提出一种改进的KNN—三角形内点(KNN—PIT)室内定位算法。根据室内空间结构特征,建立具有类标号的位置指纹库。引入虚拟参考点,利用PIT原理进一步约束目标点的定位区域,自适应地使用定位算法进行定位。综合运用高斯滤波、均值滤波技术,降低离线和在线阶段的信号随机误差。结果表明:改进后的KNN—PIT定位算法可以更好地估计用户的实际位置,降低定位误差,定位精度提高12.5%。