高光谱图像半监督局部稀疏嵌入降维算法

针对目前高光谱图像半监督降维算法中基于流形学习的开放性选择近邻参数问题,以及利用传统算法不能有效地获取标签数据的局部信息,提出了一种无需考虑近邻参数的半监督局部稀疏嵌入（SELSE）算法.该算法基于稀疏表示理论,通过求解范数优化问题构建稀疏系数图,并且利用有限的标签数据最大化类间信息,提取高光谱图像的特征.在AVIRIS高光谱遥感图像的Indian Pine数据集上进行仿真实验,结果表明所提出算法在分类精度和计算效率上都有所提高.     

基于深度学习与狮群SVM算法的遥感场景分类

针对高分辨遥感图像样本量小,以及传统优化支持向量机(SVM)算法易陷入局部最优解、寻优速度慢等问题,提出一种基于深度迁移学习与狮群优化SVM(LSO-SVM)算法对遥感图像场景进行分类.首先,通过自适应对比度增强图像后利用颜色聚合向量提取图像颜色特征;其次,利用3种预训练网络分别提取图像的迁移学习深度特征;最后,将手工提取的图像特征与用3种预训练网络获取的特征使用系列特征融合方法进行融合,并将其输入LSO-SVM进行图像场景分类.结果表明,该算法解决了小样本情况下深度学习较难训练及传统优化SVM算法易陷入局部最优解、寻优速度慢的问题.在80%的训练条件下,数据集UCM Land-Use和RSSCN7的分类精度分别达到99.52%和98.57%.     

基于多标签分类的学术文献潜在时间意图识别研究

为了提高检索结果的时间相关性,将文本特征抽取和多标签分类算法应用于文献检索的潜在时间意图分类研究之中.从检索潜在时间意图分类的角度出发,提出一种基于文本时间信息抽取和Labeled LDA(标签主题模型)的文献潜在时间意图自动分类算法.首先,在获取的文献时间信息基础上,将文献检索潜在时间意图映射至具体时间类别.其次,为了减少时间信息的稀疏性对分类特征学习过程的影响,利用交叉学科中时间短语分布特征优化Labeled LDA分类模型的标签选择过程.最后,将所提算法与其他多标签分类算法进行对比实验,分析和评估文献检索潜在时间意图自动分类的准确率.结果表明,所提算法的AUC的值达到79.6%,较同类基准算法ECC(整体分类链)提高约10.9%,且针对不同学科均取得了较好的分类效果,是一种有效的文献检索潜在时间意图学习方法.     

基于CNN-GCN模型的扫描电镜图像分类

通过对矿物扫描电镜图像进行分类与鉴定，能够获取矿物的微观信息，确定矿物的组成与类别，对于油气田生、储、盖类型的研究具有重要的意义.由于在一幅图像之中有时不止有一种矿物，且不同矿物之间具有相关性或共生性的特性，而普通的神经网络只提取图像特征或只注意图像局部的特征关系，忽略了矿物之间的相关性.因此如何利用标签之间的关系进行更优秀的多标签图像分类成为扫描电镜图像分类的重要任务.鉴于上述情况，通过构建基于Resnet50的图像特征学习模块与基于图卷积神经网络的分类器模块构成的引入图卷积的卷积神经网络模型可以很好地完成上述任务.使用卷积神经网络模块提取图像特征，并利用GCN模块学习矿物标签之间的相关性，达到提高分类准确率的目的 .此模型相比普通的CNN模型准确率提高了5%，相比引入注意力机制的CNN模型，此模型的准确率仍有3%的优势.实验表明，CNN与GCN相结合的分类模型在扫描电镜数据集分类任务中优于其他的分类模型.     

基于改进标签传播算法的高光谱图像半监督分类

针对标签传播算法缺乏对新生成样本的评价进而影响分类精度的问题,本文提出一种利用阈值的标签传播算法来提高高光谱图像的分类精度。首先,用基于图像融合和递归滤波的特征提取方法对原始高光谱图像进行处理。然后,给出一个阈值并对标签传播算法新生成样本进行评价,保留一些可信度较高的样本。最后,保留的新样本和已标记样本之和作为训练样本,对图像进行分类。实验表明,基于改进标签传播算法优于其他的高光谱图像分类算法。     

K-SVD算法的超声图像加性噪声去噪研究

利用具有稀疏性、特征保持性和可分离性等特点的超完备字典的稀疏表示,基于核奇异值分解(K-SVD)算法,研究了对图像去除噪声效果以及影响效果的因素.理论分析及实验研究表明:K-SVD算法能够很好去除超声图像噪声,保留图像细节特征,获得更高的峰值信噪比(PSNR)值.在计算过程中发现K-SVD算法中的训练样本尺度大小是影响去噪效果的主要参数.     

基于PLSA学习概率分布语义信息的多标签分类算法

多标签算法大多利用特征与标签嵌入等方法挖掘标签空间的语义信息,但这类方法没有利用特征与标签间可能存在的某种联系.类属属性的提出较好地诠释了特征与标签的联系,即标签可能对应一组自身的特征,然而这类方法未能给出特征与标签间可能存在的逻辑关系,也未证实标签与实例间可能存在同样的逻辑关系.因此,提出基于PLSA(Probabilistic Latent Semantic Analysis)学习概率分布语义信息的新型多标签分类算法.首先认为样本矩阵存在一种隐含变量作为标签,利用PLSA模型获取特征-标签与标签-实例条件概率分布矩阵,以条件概率分布的形式解释它们之间可能存在的联系;其次,建立模型学习概率分布矩阵中存在的语义信息,并应用于多标签算法的标签预测与分类;最后在13个公开的多标签文本类型的数据集上进行实验与统计假设检验,并与其他多标签分类算法对比.实验结果表明,提出的学习概率分布语义信息用于提高多标签算法的性能存在一定的合理性.     

一种自标签特征点异源图像目标检测算法

由于图像成像机理差别较大,现有的算法无法提取可见光与红外异源图像上的共有特征用来匹配,进而无法实现异源图像目标识别. 针对此问题,本文提出了一种基于自标签技术的深度学习特征点提取匹配算法. 算法通过设计一个粗特征检测器并在合成影像上进行训练,使得该特征检测器在不同图像上都具特征提取能力. 利用本文提出的自标签方法将异源图像中共有的特征点进行提取,从而解决了现有算法无法获取异源图像共有特征的问题. 并利用自标签结果进行特征点检测器和描述子的训练,最终通过匹配的特征点实现了异源图像间的实例目标识别. 本文采集了不同场景下的可见光-红外无人机影像作为测试数据. 在异源测试数据集上,选择了6种不同的先进算法与本文算法进行了对比试验. 实验结果表明,该算法较现有的6种先进算法能够提取到更多、更精确的异源图像共有特征,与其他测试算法相比在异源图像测试数据上的平均精度有了明显提升.      

信息适应性分层粒化的多标签特征选择

在机器学习中,特征选择是降低高维问题复杂性的有效方式之一。大多数特征选择算法是通过设计重要特征度量方法来提出备选特征序列,再根据序列选择特征子集。在此基础上,产生了划分特征子集作为独立空间学习的特征选择方法。然而,现有的空间划分机制多是人为切割原始特征空间得到的,鲜有人考虑因度量结果差异性导致的特征层次化现象,并以此划分空间。基于此,本文利用模糊互信息和有向无环图设计了一个分层模型,并提出了基于信息适应性分层粒化的多标签特征选择算法。同时,将获取的特征子集在标准多标签数据集上与多个先进算法进行对比实验,结果证明了本文算法的有效性。     

基于PPYOLOE的师生互助训练半监督目标检测网络

随着深度学习技术的发展,基于卷积神经网络的目标检测技术成为当前计算机视觉领域的研究热点之一.目前主流的目标检测算法依赖于监督学习方式,需要在大量有标注图像数据上训练网络,然而,无标签的数据易于获取,而有标签的数据收集起来通常很困难,标注也耗时和耗力．为了解决数据标注难以获取的问题,提出了教师学生互助训练的半监督目标检测(PPYOLOE-SSOD)算法．首先,同时训练一个学生模型和逐渐改进的教师模型,使用教师模型筛选高质量伪标签,将伪标签作为未标注图像的回归目标,指导学生模型训练,挖掘未标注图像的知识信息,为了减小参数传递的不稳定性,每次迭代学生模型使用指数移动平均方法更新教师模型参数;此外,引入不同种类的半监督数据增强方法来增强网络的抗干扰能力;最后,针对无标注数据的学习,新增无监督学习分支,使用密集学习方式对模型预测得到的特征进行处理,通过对教师模型预测的分类特征排序,自动选择高质量特征作为教师模型生成的伪标签,从而避免了繁琐的伪标签后处理,提升网络的精度和训练速度．在MSCOCO数据集上,通过使用半监督学习方法,PPYOLOE在1%、5%、10%的标注数据集上分别得到了1.4%、1...     

基于字典学习的传统民族服饰多标签标注算法

为了实现对传统民族服饰图像文化内涵的自动挖掘,提出了基于字典学习的传统民族服饰图像多标签标注算法.该算法在原有相似系数结构不相关字典学习方法基础上,对重建系数判别能力进一步增强,实现多标签标注任务.首先,利用支持向量机(SVM)算法对重建系数进行线性分类;接着,为每一类别构建一个字典,同时对SVM分类错误的样本进行惩罚;然后,将字典与重建系数不断迭代求解;最后,利用测试样本重建误差和重建系数在分类器中的分类效果完成标签预测.实验结果证明了该方法性能上有所提升,并且在不同数据上的结果更加稳定.     

基于投影直方图提取目标感兴趣区域的新方法

提出了一种基于灰度投影直方图获取单幅检测样品的目标感兴趣区域的方法,并利用鲁棒的图像匹配算法生成参考图像.首先,采用改进的灰度投影直方图法获得单幅图像的检测样品感兴趣区域,建立感兴趣区域提取模型;其次,利用基于形状的特征匹配算法学习样品图像,生成印刷品检测的参考图像,在此基础上,提出基于图像金字塔数据结构的分层匹配方法.实验结果表明,该方法能够在87 ms内获取首张图像样品感兴趣区域,并且图像匹配过程对图像之间存在的明暗程度、旋转变化等干扰具有良好的鲁棒性,匹配精度可达95%,匹配时间为152 ms,可快速准确地生成参考图像.     

基于深度无监督学习的图像分类算法

为了取得精确的图像分类效果,一方面需要提取大量的图像特征数据进行样本分析,另一方面大量的数据又造成了维数灾难.因此,为了解决信息全面与维数灾难的矛盾,引入了深度学习.深度学习利用分层结构处理复杂的高维数据,可以完成复杂函数的逼近,是一类具有多层非线性映射的学习算法,但深度学习模型优化困难且对隐层参数敏感.针对上述问题,将无监督算法引入深度学习,这种学习方法无须人工设计特征提取数据,训练过程中样本标签是未知的.实验表明,该算法在不影响图像分类效果的前提下,可以大大降低计算复杂度,具有一定的时效性.     

基于核判别分析与证据理论的图像伪作分层融合检测

现有图像伪作融合检测算法一般直接采用特征融合或决策融合技术,普遍存在算法不易扩展或检测准确率不理想等问题。在综合利用原始图像固有特征和篡改所引入特征的基础上,探讨了一种基于特征融合和决策融合的分层融合框架,并实现基于核判别分析(kernel discriminant analysis,KDA)和证据理论的图像伪作检测算法。该算法包含粗分类和细分类两阶段。在粗分类中,利用原始图像固有特征,采用KDA技术实现特征融合,输出结果为原始图像、篡改图像和待定图像三种类别。在细分类中,利用篡改操作所引入的特征,采用证据理论进行决策融合,实现对待定图像的进一步分类。实验结果表明,该算法能有效地检测模糊操作、重采样操作、JPEG压缩以及多种篡改组合操作。     

基于主成分分析和线性鉴别分析融合的阿尔茨海默病分类算法

在阿尔茨海默病(Alzheimer′s disease,AD)诊断方法中,通过对脑图像分析已成为准确诊断的一种重要手段.针对从单一脑图像模态磁共振图像(MRI)中提取的特征,提出了一种基于主成分分析(PCA)和线性鉴别分析(LDA)融合的AD分类识别算法.该方法首先对从MRI中获取的特征进行PCA,对低维的特征进行LDA获取组合特征向量,并采用最邻近算法,利用获取的组合特征向量对未知状态类型进行分类识别.实验表明,该算法与其他相关算法相比,具有较高的识别准确率、敏感性、特异性,这说明了算法的有效性.     

基于K-SVD字典学习的核磁共振图像重建方法

基于超完备字典的图像稀疏表示因其具有稀疏性、特征保持性、可分性等特点而被广泛应用于图像处理.本文利用K-SVD字典学习算法并应用于MR图像重建.将字典学习等价于一个二次规划问题,学习得到的字典能有效描述图像特征.基于学习所得的字典,获得图像的稀疏表示,并重建原始图像.实验结果表明,与Zero-filling方法相比,本文的重建结果能更好地保留图像细节信息,获得更高的SNR值.     

基于注意力机制的细粒度图像分类算法

针对目前细粒度图像分类算法存在的局部区域特征捕捉不全面的问题,在B-CNN算法基础上提出了一种基于注意力机制的细粒度图像分类算法。首先利用数据增强的6种方式对训练数据集进行扩充,然后在B-CNN算法的特征提取中引入注意力机制,使用卷积注意力模块CBAM精准获取图像局部区域特征,最后融合特征进行分类。改进后的算法分别在CUB-200-2011和Stanford Cars两个数据集上进行实验,与当前先进算法比较,所提算法提高了细粒度图像的分类效果。     

基于线性谱聚类超像素分割和联合稀疏表示的高光谱图像分类算法

为了克服高光谱图像中存在的同类异谱和异类同谱现象对分类精度的影响,减少类间干扰,本研究提出基于线性谱聚类超像素分割和谱聚类的联合稀疏表示分类算法。首先,通过主成分分析对高光谱图像进行降维,利用线性谱聚类超像素分割算法对降维后的图像进行超像素分割,并将分割后的超像素块分成标签样本与训练样本。然后,利用谱聚类算法将训练样本分为两类,按规则选取其中一类作为测试样本,利用联合稀疏表示算法获取其表示残差,并将其作为所有训练样本的表示残差,同时计算测试样本与标签样本之间的相关系数。最后,用基于表示残差和相关系数的决策函数对像素进行分类。数值实验结果表明,新算法具有较高的分类精度和鲁棒性。     

改进卷积神经网络在腺癌病理图像分类中的应用

针对传统卷积神经网络(CNN)稀疏的网络结构无法保留全连接网络密集计算的高效性和在实验过程中卷积特征利用率低造成的分类结果不准确或收敛速度较慢的问题,提出了一种基于CNN的多尺度方法结合反卷积网络的特征提取算法(MSDCNN)并对腺癌病理图像进行分类。首先,利用反卷积操作实现不同尺度特征的融合,然后利用Inception结构不同尺度卷积核提取多尺度特征,最后通过Softmax方法对图像进行分类。在腺癌病理细胞图像进行的分类实验结果表明,在最后的卷积特征尺度相同的情况下,MSDCNN算法比传统的CNN算法分类精度提高了约14%,比同样基于多尺度特征的融合网络模型方法分类精度提高了约1.2%。     

基于集成迁移学习的细粒度图像分类算法

针对现有的大部分细粒度图像分类算法都忽略了局部定位和局部特征学习是相互关联的问题,提出了一种基于集成迁移学习的细粒度图像分类算法。该算法的分类网络由区域检测分类和多尺度特征组合组成。区域检测分类网络通过类别激活映射(class activation mapping,CAM)方法获得局部区域,以相互强化学习的方式,从定位的局部区域中学习图像的细微特征,组合各局部区域特征作为最终的特征表示进行分类。该细粒度图像分类网络在训练过程中结合提出的集成迁移学习方法,基于迁移学习,通过随机加权平均方法集成局部训练模型,从而获得更好的最终分类模型。使用该算法在数据集CUB-200-2011和Stanford Cars上进行实验,结果表明,与原有大部分算法对比,该算法具有更优的细粒度分类结果。