细粒度视觉分类:深度成对特征对比交互算法

由于高类内和低类间方差,细粒度图像识别成为计算机视觉领域一项极具挑战性的研究课题。经典的细粒度图像识别方法采用单输入单输出的方式,限制了模型从成对图像中对比学习推理的能力。受人类在判别细粒度图像时的行为启发,提出了深度成对特征对比交互细粒度分类算法(PCI),深度对比寻找图像对之间的共同、差异特征,有效提升细粒度识别精度。首先,PCI建立正负对输入策略,提取细粒度图像的成对深度特征;其次,建立深度成对特征交互机制,实现成对深度特征的全局信息学习、深度对比以及深度自适应交互;最后,建立成对特征对比学习机制,通过对比学习约束成对深度细粒度特征,增大正对之间的相似性并减小负对之间的相似性。在流行的细粒度数据集CUB-200-2011、Stanford Dogs、Stanford Cars以及FGVC-Aircraft上开展了广泛的实验,实验结果表明PCI的性能优于当前最先进的方法。

基于聚类和局部线性回归的初至波自动拾取算法

初至波拾取是地震数据处理中的关键步骤,会直接影响动校正、静校正和速度分析等的精度。目前,现有的算法受到背景噪声和复杂近地表条件的影响时拾取精度会降低。基于此,提出基于聚类和局部线性回归的初至波自动拾取算法(FPCL)。该算法由预拾取和微调两个阶段来实现。预拾取阶段先基于k均值(k-means)技术找到初至波簇,再利用基于密度的噪声应用空间聚类(DBSCAN)技术在初至波簇中进行拾取。微调阶段通过局部线性回归补齐缺失值,再利用能量比值最小化技术调整错误值。在两个地震数据集上,将FPCL与改进的能量比(IMER)法相比,准确率分别提升了4.00个百分点和3.50个百分点;与互相关技术(CCT)相比,准确率分别提升了38.00个百分点和10.25个百分点;与基于模糊C均值聚类的微震数据自动时间拾取算法(APF)相比,准确率分别提升了34.50个百分点和3.50个百分点;与基于两阶段优化的初至波自动拾取算法(FPTO)相比,准确率分别提升了5.50个百分点和16.25个百分点。上述实验结果表明FPCL更准确。