基于深度展开的SAR大斜视RD成像算法

大斜视角条件下的合成孔径雷达SAR回波信号具有方位向和距离向严重耦合、大距离徙动等特点,采用常规的距离多普勒RD算法成像,会引起方位向的散焦以及空变等问题。为了改善大斜视SAR在成像过程中存在的问题,提出了一种基于深度展开网络的SAR大斜视可学习距离多普勒成像方法。该方法将RD成像方法与深度学习结合,利用RD成像的步骤构建了基于深度展开网络的RD学习成像网络结构,将回波数据作为网络输入来学习回波数据到大斜视SAR图像的成像过程。首先,在分析大斜视SAR回波信号模型的基础上确定了网络成像过程中的可学习参数;其次,根据成像过程设计大斜视SAR成像网络;最后,通过非监督训练的方法对网络进行训练,最终输出学习成像结果。点目标和面目标仿真结果表明,该方法可以有效抑制旁瓣,提高成像精度和计算效率,满足SAR在大斜视角下的成像要求。     

基于卷积神经网络的食品图像识别

针对传统食品图像识别方法提取特征能力差、准确率差、运行效率差和卷积神经网络识别相似食品图像难度大等问题, 提出了一种新的食品图像识别模型ChinaFood-CNN, 以实现对食物的精准分类; 在多分类损失函数SoftmaxWithLoss的基础上, 针对食品图像类间相似性大的问题, 提出了最大类间距损失函数(MCSWithLoss), 以增大相似类之间的距离, 实现相似类的区分; 针对随机选取样本时的训练集冗余问题, 在网络模型训练时使用负样本选择算法.实验结果表明:ChinaFood-CNN模型对食品图像的识别准确率达69.2%, 分别比AlexNet、VGG16、ResNet模型提升了17.6%、16.8%和3.6%.     

基于改进的深度残差网络的图像识别

随着大数据时代的发展,深度学习也渐渐变得更加实用,引领人工智能时代的发展.卷积神经网络在图像领域中发挥着非常重要的作用,是深度学习模型中重要组成部分之一.图像识别的关键攻破点在于如何提取图像的有效特征,从而有效地解决图像识别问题.针对这一难点,本文主要在残差网络(ResNet)的基础上引入空间变换网络.空间变换网络可以有效地提取目标区域特征,提高图像识别效率.同时由于Softmax分类器提取的特征区分并不明显,甚至存在类内间距大于类间间距弊端.但在图像识别任务中期望特征不仅可分,而且要求类间分别提取的特征区分差异大.针对这一问题,本文在软最大值(Softmax)分类器中引入中心损失函数(Center Loss). Center Loss损失函数能够使得提取的特征类间距离大,类内距离小,从而提高提取的特征识别度.在公开的CIFAR10数据集上,该模型取得了不错的性能,识别准确率达到了89%.相同实验条件下,相对于未改善的残差网络模型,本文提出的模型在公开的CIFAR10数据集识别正确率提高了6%.     

AdaBoost图像到类距离学习的图像分类方法

近年来,距离度量学习已经成为图像分类领域的研究热点之一,图像到类距离的度量作为其中的一种方法,取得了不错的分类效果.该方法是一种非参数方法,但由于缺少训练学习,其分类性能很容易受干扰因素的影响,为此提出一种基于AdaBoost算法的图像到类距离学习的图像分类方法 .首先将图像到类的距离进行阈值化处理,并使用线性分段函数作为图像到类距离的评价函数,然后将该评价函数作为弱分类器加入到AdaBoost算法中生成一个强分类器.为了选择最优的弱分类器,使用粒子群优化算法确定图像的相似性阈值,再基于权重错误误差最小化原则得到距离评价函数的两个评价值.最后通过实验验证,该方法在Scene-15和Caltech-101图像数据集上比其他方法有更好的分类效果.     

基于多任务学习及Faster R-CNN的SAR目标图像识别分类

针对合成孔径雷达(SAR)目标图像识别分类中分类特征利用率低、精度差及图像特征提取时运算复杂、效率差的问题,利用非下采样剪切波变换(NSST)方向敏感性和平移不变性提取SAR目标图像的光谱纹理特征,构建基于Faster R-CNN(region-based convolutional neural network)的可同时完成目标图像识别、鉴别及分类的多任务网络模型。实验结果表明,该方法在有限的SAR图像数据支持下仍有较好的识别率,且算法优于传统的神经网络(NN)、支持向量机(SVM)及基于稀疏表示(Sc SPM)等分类方法。在MSTAR公开数据库上,平均识别率达到98.13%。     

基于新区域一致性度量与图论的SAR图像区域分割

由于SAR图像含有斑点噪声, 传统区域分割方法已不再适用于SAR图像分割.为此提出了一种新的SAR图像区域分割方法.该方法通过定义一种可有效抑制斑点噪声影响的区域一致性度量,以指导四叉树技术分裂SAR图像得到初始分割区域;然后以区域为顶点和区域间的相似度为边权,构建一个完全赋权图.最后运用图论分割方法中可利用全局信息的Minimum Cut方法进行区域合并,获得最终的图像分割结果.实验结果表明了该方法的有效性.     

基于典型相关分析和距离度量学习的零样本学习

零样本学习是一类特殊的图像分类问题,是指测试数据的类别在训练数据中没有出现的情况.为了更好地描述语义特征空间中图像特征和语义特征的距离关系,本文将距离度量学习引入零样本学习任务.具体而言,首先利用典型相关分析将样本的图像特征和相应类别的语义特征映射至公共特征空间;然后,利用距离度量学习衡量图像特征和语义特征之间的距离;最后,使用最近邻分类器进行分类.通过在流行的Aw A和CUB数据集中的实验,证明了所提方法的有效性和鲁棒性.     

基于模型微调与AM Softmax的极化SAR图像分类

针对极化SAR图像分类中卷积神经网络（CNN）方法训练时间长、收敛速度慢,原始Softmax函数无法对极化SAR图像的类内差异有效应对的问题,提出一种基于模型微调与加性边际Softmax（AM-Softmax）的极化SAR图像分类方法。该方法通过预训练网络的整体微调,来改进CNN模型的效率和分类准确率,然后以AM-Softmax替代Softmax,以解决SAR图像中类内变化较大的问题,进一步提升分类精度。实验表明该方法具有快收敛的优势并且能够较好解决极化SAR图像类内差异较大的问题,模型的分类总体精度达到96%以上。     

基于相似性度量的肺结节图像检索算法

为了克服肺部病变CT表现复杂,极易造成医生误诊的缺点,提出了一种基于相似性度量的医学图像检索算法并用于肺癌的诊断研究,该相似性度量保持了图像的语义相关和视觉相似.首先,根据相似性度量理论构建距离度量学习算法学习一个马氏距离;然后,根据学习的马氏距离度量,提出新的医学图像检索算法,并将提出的算法应用于肺癌的诊断研究.实验结果证明了该检索算法在肺癌诊断应用中的可行性和有效性.     

结合加权子空间和相似度度量学习的人脸验证方法研究

在无约束条件下,人脸表情、姿态、光照以及背景等复杂因素可能导致人脸图像的类内变化大于类间变化.针对如何降低较大的类内变化对人脸验证研究的影响,本文结合加权子空间,提出了一种带先验相似性和先验距离约束的相似度度量学习方法.首先,利用类内人脸对样本,学习带权重的类内协方差矩阵,通过加权子空间的投影,从人脸图像中获得鲁棒性的人脸特征表达;其次,利用样本对的相似性与差异性,建立了带先验相似性和先验距离约束的相似度度量学习模型,优化后的度量矩阵可以有效提高特征向量的类内鲁棒性和类间判别性;最后,利用优化的度量矩阵计算人脸对的相似度.在LFW(Labeled Faces in the Wild)数据集的实验验证了所提模型的有效性,与其它同类相似度度量学习方法相比,优化的度量矩阵更能准确地评估人脸间的相似性,并在受限训练集上取得了91.2%的识别率.     

改进的SIFT特征人脸识别方法ADSIFT

针对光照、表情、噪声等因素容易造成误识别的问题,提出一种改进的SIFT特征人脸识别方法.对每个训练图像,先提取得到SIFT特征向量集合,利用每个SIFT特征向量,并选择阈值构造一个弱分类器.利用一种基于Adaboost的算法从每个训练图像的弱分类器集合中选出一部分,确定其对应的阈值和权重,然后构造出该训练图像的相似度函数.根据相似度函数可计算出目标图像与每个训练图像的相似度,从而求出目标图像与每个类的训练图像的平均相似度,则目标图像属于平均相似度最高的类.实验表明在ORL人脸数据库上则可达到98%识别率,优于现有的方法.     

文字识别中特征与相似度度量的研究

在大样本测试集下国内现有成熟的OCR识别软件的首位识别准确率为95%~97%之间,在准确率和方法上仍有提升和改进的空间。提出一种基于概率特征和结构特征融合的自适应文字识别算法,模拟人类学习的模式,通过对训练样本的不断学习去构建汉字在测量空间的概率分布矩阵,然后比对原始图像和标准汉字库中汉字的概率分布矩阵的相似度来达到汉字分类的效果。其中相似度度量准则是从矩阵空间的结构和概率2个角度出发去构建的,充分考虑了结构模式识别和统计模式识别的优缺点。实验结果显示算法在训练样本下的首位识别正确率可以达到99.66%,在1 623张非训练样本文字图像下的首位识别正确率可以达到99.13%,在5 515张非训练样本文字图像下的首位识别正确率可以达到98.57%。可以证明提出的相似度度量方法在文字识别中的有效性。     

基于深度学习的树种图像自动识别

【目的】为了探究深度学习方法用于林业树种图像智能识别的可行性,提出一种基于深度学习方法的自动识别树种新方法。在TensorFlow框架下,对卷积神经网络(CNN)模型进行改进,对7类树种图像进行自动识别研究。【方法】首先,在图像库建立时,为增加特征选择多样性,选择树木的树皮和树叶图像,保留自然背景;另外,考虑到同一树种在不同树龄条件下树皮图像存在差异,因此加入不同树龄的树皮图像,并用胸径指标来表示树龄大小。其次,对每类树种图像随机挑选100张作为测试集,剩余数据集全部作为训练集。通过反复试验比较不同CNN结构设置、卷积层数量、全连接层层数、学习率等对结果的影响。采用Adam算法代替传统的随机梯度下降(SGD)算法,对模型进行优化,用指数衰减法对学习率进行调节,在交叉熵函数中加入L2正则项对权重进行惩罚,并采用Dropout策略和ReLU激励函数,以避免训练过程中过拟合现象。最后,确定适合试验要求的13层CNN结构,同时比较深度学习方法和传统人工特征识别方法的差异,与已有的树种图像识别方法做对比。【结果】提出的13层树种图像识别模型,对训练集和测试集取得了理想的识别效果,识别率分别为96.78%、91.89%,在未参与训练的验证集上取得了96%的平均准确率。相对于已有的人工特征识别方法,所提出的方法识别效率和准确度更高。【结论】基于改进的卷积神经网络树种识别模型识别效果明显高于传统方法,说明所提出的方法能够应用于树种识别,可为林业树种图像自动识别提供一条新思路。     

基于深度残差卷积神经网络的高光谱图像超分辨方法

卷积神经网络由于其强大的非线性表达能力在自然图像的处理问题中已经获得了非常大的成功。传统的稀疏表示方法利用精确配准的高分辨率多光谱图像,从而限制了实际应用。针对传统方法的不足,本文提出了一种基于深度残差卷积神经网络的单高光谱图像超分辨率方法,无需对应的多光谱图像。我们构建深度残差卷积神经网络挖掘低分辨率遥感图像和高分辨率遥感图像之间的非线性关系。构建的深度学习网络串联多个残差块,并去除一些不必要的模块,如批标准化层,每个残差块只包含两个卷积层,这样在保证模型效果的同时又加快模型的效率。此外,因为遥感图像训练数据缺乏,我们充分挖掘自然图像和高光谱图像之间的相似性,利用自然图像样本训练卷积神经网络,进一步利用迁移学习将训练好的网络模型引入到高分辨率遥感图像超分辨问题上,解决了训练样本缺乏问题。最后,基于实际的遥感数据超分辨实验结果表明,本文所提出的方法具有良好的性能,能得到较好的超分辨效果。     

基于深度残差网络与迁移学习的地形识别方法

针对现有机器人基于深度网络的地形识别方法准确率低、网络训练时间长且需要大量训练数据的问题,提出一种基于深度残差网络与迁移学习的地形识别方法。首先,基于Resnet网络构建一种深度残差网络;其次,利用现有Imagenet大型数据集对构建的深度残差网络进行预训练,作为预训练网络,保留预训练网络除全连接层的训练权重,实现预训练网络大规模的参数迁移;最后,利用自建地形图像数据集对深度残差网络的全连接层进行训练,实现深度残差网络微调。实验结果表明,通过迁移学习的方法,利用深度残差网络对石子路、水泥路、砖地、沥青、草地、泥地6种自建地形图像进行分类,平均准确率达到了99.3%,同时网络训练时间也显著降低。     

基于增量非负矩阵分解的SAR目标识别

随着SAR数据的快速增长,传统的目标识别方法由于不具备增量学习的能力,导致计算代价逐渐增加,从而越来越无法满足实时信息处理的需求。在识别过程中关键的特征提取环节,非负矩阵分解能够获取目标基于部分的特征表示,已被成功应用于SAR目标识别领域。然而面对新增样本,采用非负矩阵分解描述SAR目标特征的过程中,会产生重复训练,从而大大降低了识别效率。本文提出基于增量非负矩阵分解的SAR目标识别方法,实现了基于非负矩阵分解的SAR目标特征表示的增量学习能力,从而大大降低计算代价。针对MSATR数据集的仿真试验结果表明,在保证识别率的基础上,本文提出的方法能够降低样本训练时间74.7%以上。因此该方法能够适应数据增加的现实需求,并能够为建立具有自主学习能力的SAR目标识别系统提供有效的技术支撑。     

一种元卷积网络和持续学习融合的洞库类目标识别方法

洞库类目标是高价值识别目标,针对洞库类目标样本数据难以获得、样本内部数据相似度较高、人工设计识别特征方法局限性较大、普通深度网络需要海量数据等问题,提出了结合元学习和深度卷积网络的元-卷积网络（MCNN）,并融合持续学习理论的洞库类目标识别方法（MCNN-LLS）.首先结合深度卷积网络、元学习的理论建立元-卷积网络,该网络可利用旧知识指导新知识的训练,利用小样本数据即可训练得到识别能力较高的深度洞库模型;然后融合持续学习理论,建立持续学习系统（LLS）,设计专家审核模型判别深度洞库模型的识别结果,并引入潜在任务、模型异步更新等方法,达到模型持续学习、持续更新的效果.实验表明,本文方法所需样本数量少,对洞库类目标识别准确率高,且识别能力可随识别过程中新数据的积累逐步提高.      

基于相似性约束的面部幻象在人脸识别中的应用

为了根据低分辨率（LR）人脸图像生成高分辨率（HR）图像以提高人脸识别率,设计了四个相似性约束函数,提出了基于相似性约束的面部幻象方法。首先利用LR-LR约束计算出输入的LR人脸图像与训练集中各LR人脸图像之间的相似性;然后利用LR-HR约束描述输入的LR人脸图像与HR训练图像之间的局部结构相似性,同时增强相邻幻象图像块之间的平滑约束;最后利用空间相似性约束减少远离幻象图像块的那些图像块的影响。在FERET、Yale及ORL三大通用人脸数据库上的实验结果表明,相比其它几种较为先进的面部幻想生成方法,所提方法得到的幻想图像分辨率更高,此外,所提方法得到了更高的识别率。