面向大规模图像检索的深度多尺度注意力哈希网络

针对现有哈希方法所存在的特征提取能力有限、量化约束机制低效等问题,提出一个深度多尺度注意力哈希网络进行大规模图像检索。整个网络由主分支和对象分支两个子网络组成。其中,在主分支网络中加入多尺度注意力定位和显著性区域提取两个模块,以有效定位和提取图像中的显著性区域,并将执行结果送入对象分支网络学习更为丰富的细节特征;同时,将两个子网络学习到的多粒度特征进行融合并执行二进制哈希编码;此外,引入三元组量化约束以减少量化误差,同时保持成对样本的相似度关系。为验证方法的有效性,文中在两个基准数据集上进行了广泛实验。实验结果表明,所提方法优于大部分现有的哈希检索方法。     

菲涅耳全息图的计算机生成及数字重现

本文研究菲涅耳(Fresnel)衍射积分的两种计算机模拟算法,分别用卷积算法和傅里叶变换算法实现菲涅耳积分,阐述了两种算法的优点和缺点。尝试将计算全息与数字全息相结合,模拟光线的菲涅耳衍射传播,用计算机生成菲涅耳全息图,并由所生成的全息图再现出原始图像,完成全息图的数字重现,真正实现整个全息记录和重现过程的计算机模拟。     

基于改进标记传播算法的基因表达谱数据分析

针对原始标记传播算法迭代次数过多和阈值选取的不确定性等问题,提出一种改进的标记传播算法,并将其应用于基因表达谱数据分析。首先将高维基因表达谱数据表示为权值矩阵,同时定义一个表示样本类别属性的标记序列,并将其中少量样本标记为已知;然后利用根据Gauss-Seidel迭代算法推导出的迭代公式更新标记序列,并证明标记序列的解的收敛性;最后采用正负标记的方式,根据标记序列各分量的符号差异实现数据类别的划分。通过白血病和结肠癌数据集实验,证明了本文方法的有效性。     

基于深度中心匹配哈希网络的足迹压力图像检索

以赤足足迹压力图像为研究对象,采集了40人的5 230幅赤足足迹压力图像,在具有较低存储消耗的哈希算法基础上,结合深度学习方法设计了一种深度中心匹配哈希(DCMH)网络实现足迹的检索．该网络首先根据足迹压力图像的特点构建深度特征融合模块,提取反映足迹形态结构的全局特征和压力分布的局部特征,并将两种特征进行融合;然后在哈希编码模块通过全连接层将融合后的特征映射为1 024维特征向量,并通过哈希层生成哈希码;在网络优化过程中通过构建深度中心匹配损失函数从而减小哈希码与对应哈希中心之间的距离．深度中心匹配损失函数通过伯努利分布生成哈希中心,设计对数中心损失函数减小同类足迹压力图像数据哈希码与哈希中心的距离,并设计相似性损失函数作为正则化项约束每个批次数据间的相似性关系．通过在40人的赤足足迹压力图像数据上进行图像检索实验,本文算法检索结果的mAP可以达到0.99,优于传统的哈希算法及常用的深度哈希算法,为足迹的进一步的现场应用提供技术支撑．     

基于改进YOLOv5的变电站表计缺陷检测算法

准确检测变电站中的设备缺陷并及时进行处理是保证电力系统安全运行的重要措施.针对表计缺陷图像背景复杂、目标尺寸不一、外形差别大等问题,提出基于改进YOLOv5(you only look once的第5个版本)的变电站表计缺陷检测算法.为了提高泛化能力、解决训练过程中样本不平衡问题,利用旋转和改变图像亮度的方法进行数据增广.通过引入坐标注意力机制,在聚焦缺陷特征的同时,能突出缺陷特征的差异.为了使边界框回归更快速准确,将EDIOU loss(effective distance intersection over union loss)代替CIOU loos(complete intersection over union loss).实验结果表明：6种算法中,该文算法的准确度、召回率和mAP(mean average preciscion)均最高,分别达85.1%, 86.6%, 87.3%.因此,该文算法具有优越性.     

基于谱图理论的形状聚类仿真

谱图理论已经广泛的应用于形状表示、匹配和聚类。主要研究两个方面的问题：1、通过提取形状的骨架特征点和图谱分析,建立形状的数学模型;2、通过分析模型的数学特征,将形状投影到低维空间中。利用上述方法实现了形状的聚类仿真。针对公共数据集的仿真实验证明了该聚类算法能有效的实现形状聚类。     

基于非负矩阵分解与邻接谱的图像分类

提出了一种非负矩阵分解（non-negative matrix factorization,NMF）和邻接谱相结合的图像分类方法．该方法首先利用图像中的特征点构造邻接矩阵,然后使用邻接谱作为非负矩阵分解迭代规则的初始值,并将经过非负矩阵分解得到的基向量作为图像的分类样本,最后采用概率神经网络（probabilistic neural network,PNN）分类器对图像进行分类．模拟实验和真实实验的比较表明,该方法是可行和有效的,并且进一步提高了图像分类的准确率和稳定性．     

基于最小生成树与概率松弛结合的谱匹配算法

提出了一种基于最小生成树与概率松弛结合的谱匹配算法。该算法分别对给定的两个待匹配的特征点集构建最小生成树,通过最小生成树构造Laplace矩阵,由奇异值分解该矩阵得到的特征值和特征向量,计算出特征点匹配的初始概率,利用概率松弛迭代法,获得最终匹配结果。用大量的真实序列图像进行比较实验,结果验证了该算法的有效性和准确性。     

一种结合形状上下文分析的Laplace谱匹配算法

提出了一种结合形状上下文分析的Laplace谱匹配算法.工作主要侧重于如何提高Laplace谱匹配算法对点的位置随机抖动的鲁棒性.首先,使用Laplace矩阵的特征向量和特征值以及双随机矩阵的方法计算初始匹配概率.然后,借助于概率松弛算法,将用形状上下文表示的局部相似性融入Laplace谱匹配算法以优化谱匹配的结果.对真实和合成数据的实验表明该方法具有比较高的精度.