基于视频特征聚合的细胞形变动态建模

提出了一种基于图像处理架构对活细胞视频中细胞动态进行建模的方法.在这个架构下,视频中两帧间的细胞动态被表示为细胞轮廓形变和细胞内部运动的动态特征.其中,前者细胞轮廓形变利用形状上下文进行度量,而后者细胞内部运动则通过尺度不变特征变换（SIFT）流进行建模.为了更好的刻画细胞质流动,基于SIFT流的细胞运动场进一步构建细胞外观变化场.在获得上述帧级细胞动态特征之后,引入时间序列建模的方法来生成视频级的细胞动态特征.具体地,基于紧凑编码的时序特征聚合方法可以捕获整个视频中的细胞动态演变过程.活细胞视频数据库被建立以用于验证提出方法的有效性,实验结果表明提出方法对于细胞形变动态度量和分类的性能优于其它主流方法.     

基于生成对抗网络的细胞形变动态分类

提出了一种基于生成对抗网络的细胞形变动态分类方法,以活细胞视频中的细胞形变动态为对象,引入分类器辅助的生成对抗网络结构同步训练生成对抗网络和分类网络,通过生成对抗网络产生的数据提高了原本分类网络分辨细胞形变动态的性能.首先,细胞动态图像被用于将活细胞视频中的时间维度进行压缩,使其从视频域映射到图像域以方便生成对抗网络的构建.其次,基于分类器辅助的生成对抗网络结构,将分类网络的分类信息作为辅助信息来改善生成对抗网络对多类样本的生成,同时生成网络生成的多类样本可以反过来优化分类网络对于细胞动态形变的分类性能.在构建的活细胞视频数据库上,可以验证提出方法能有效地捕获细胞视频中的空时细胞形变动态,并且其分类的性能优于其它主流方法.     

基于椭圆形度量谱特征的图像匹配算法

为了进一步提高基于谱特征的图像匹配算法的精度并拓宽其应用范围,提出了一种基于椭圆形度量谱特征的图像匹配算法.通过引入对样本数据具有更好区分性的椭圆形几何,结合数据统计特性定义了椭圆形度量.对特征点构造谱特征时,根据椭圆形相对距离选择子特征点集并构造无向加权图,对利用椭圆形度量获取的关联邻接矩阵进行谱分解,基于特征值和谱隙向量的统计量构造椭圆形度量谱特征.在特征点匹配过程中,根据椭圆形距离度量谱特征之间的相似性,建立匹配数学模型,并采用贪心算法进行求解.针对序列图像以及视角变换、形变较大图像的对比实验结果表明,所提算法的匹配正确率保持100%,优于其他谱特征匹配算法.椭圆形度量谱特征提高了匹配算法的精度,对噪声具有较高的鲁棒性.     

基于黎曼字典和ScSPM模型的场景分类

场景图片的局部信息包含2类:像素统计分布信息和像素动态变化信息.经典场景分类模型Sc SPM仅考虑了前者,利用协方差矩阵度量局部像素动态信息,作为Sc SPM模型的互补分类信息,以提高场景分类准确率.为解决协方差矩阵特征的聚类问题,使用基于黎曼度量的顺序聚类算法,然后利用提出的局部软分配算法编码协方差矩阵.标准场景库的实验证明了所提思路能够显著提升Sc SPM模型的分类精度.     

基于鲁棒回归度量学习的图像分类算法

度量学习是机器学习中的重要研究问题之一,针对实际应用中的噪声数据,如何建立一个鲁棒的度量仍是一个挑战.本文将稀疏表示、特征学习与分类模型相结合提出了一种新的基于鲁棒回归度量学习(RRML)的算法并将其应用于图像分类.算法对最优特征子空间和稀疏表示进行联合学习,在更具判别性的低维表征空间中,通过稀疏表示有效地编码数据的局部结构信息,进而更好地揭示数据的内在鉴别信息,并以此指导该模型学习到最优的投影矩阵;同时对噪声矩阵和投影矩阵的行稀疏约束,可以极大降低噪声的影响.实验结果表明所提算法在图像分类准确率和鲁棒性方面均优于其他对比算法.     

基于JointBoost I2C距离度量的图像分类方法

基于图像到类(I2C)距离度量的图像分类是一种新颖的方法,但其分类性能仍有待提高.为此,文中提出了一种基于JointBoost I2C距离度量的图像分类方法.首先生成原型特征集,该集合中的样本具有代表性,故计算测试图像到该原型特征集的距离更有效;然后根据JointBoost算法的思想,联合多个I2C距离度量生成一个强分类器,并将空间信息融合到强分类器中.实验结果表明,该方法在图像分类实验中具有更高的分类性能.     

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。     

基于改进局部二值模式和梯度特征的计算机生成图像鉴别算法

针对目前计算机生成图像鉴别算法存在的计算复杂度高及检测率低等问题, 提出一种改进局部二值模式和梯度特征的计算机生成图像鉴别算法. 该算法主要基于图像的局部纹理特征, 先提取计算机生成图像和自然图像的特征向量, 再将该特征利用SVM分类器进行分类. 实验结果表明, 该算法可有效地鉴别计算机生成图像和真实图像.     

基于改进局部二值模式和梯度特征的计算机生成图像鉴别算法

针对目前计算机生成图像鉴别算法存在的计算复杂度高及检测率低等问题, 提出一种改进局部二值模式和梯度特征的计算机生成图像鉴别算法. 该算法主要基于图像的局部纹理特征, 先提取计算机生成图像和自然图像的特征向量, 再将该特征利用SVM分类器进行分类. 实验结果表明, 该算法可有效地鉴别计算机生成图像和真实图像.     

基于局部边缘密度和局部熵的图像拼接算法

针对传统图像拼接算法中存在的缺点,采用了基于局部边缘密度和局部熵的图像拼接算法.该算法综合考虑了图像拼接的精度和速度,在特征区域的提取上,采用了模糊聚类算法和局部边缘密度LED算法,实现了特征区域的自动选取;在匹配搜索上,采用了图像的局部熵和序贯相似性检测算法(SSDA),提高了图像拼接的速度和精度;在图像融合上,采用了动态最佳缝合线算法,保证了全景图像的质量.实验表明该算法有效的提高了全景图像生成的效率和准确性.     

基于局部结构保持的高维数据半监督深度嵌入聚类算法

聚类是机器学习和数据挖掘中的重要课题。近年来,深度神经网络(Deep Neural Networks,DNN)在各种聚类任务中受到广泛关注。特别是半监督聚类,在大量无监督数据中仅引入少量先验信息即可显著提高聚类性能。然而,这些聚类方法忽略了定义的聚类损失可能破坏特征空间,从而导致非代表性的无意义特征。针对现有半监督深度聚类的特征学习过程中局部结构保持有所欠缺的问题,本文提出一种改进的半监督深度嵌入聚类(Improved Semi-supervised Deep Embedded Clustering,ISDEC)算法,采用欠完备自动编码器在特征表达学习的同时,保持数据的内在局部结构;通过综合聚类损失、成对约束损失和重构损失,对聚类标签分配和特征表达进行联合优化。在包括基因数据在内的若干高维数据集上的实验结果表明,本方法的聚类性能比现有方法更好。     

基于多分支CNN和多尺度特征融合的非受控人脸年龄估计

现有的人脸年龄估计不能很好地兼顾全局-局部细节的特征表达,因而非受控人脸年龄估计的精度存在一定的提升空间。为解决此问题,提出了一种基于多分支卷积神经网络(convolutional neural networks,CNN)和多尺度特征融合的非受控人脸年龄估计方法。该方法根据人脸关键点对人脸图片剪裁得到包含人脸的全局图像和分别包含眼睛、鼻子、嘴巴的局部图像;使用多分支CNN网络提取对应的深层全局特征和局部特征,使用多尺度特征融合网络探索局部特征间的相关性信息从而进行局部特征选择;将融合的局部特征与全局特征拼接得到兼顾全局-局部细节的年龄特征;使用softmax损失函数优化模型进行人脸年龄估计。根据MORPH Album2、FG-NET、LAP2016人脸年龄数据集上的实验结果表明,提出的方法是有效的。     

基于约束独立分量分析的脑电特征提取

针对脑机接口(brain computerinterface,BCI)系统特征提取较慢的现状,提出基于约束独立分量分析(constrainedindependentcomponentanalysis,cICA)的P300特征提取方法.首先,针对各位P300实验被试,通过EEG图像研究其特有P300时域特性;然后,根据P300特性构建参考信号,并将参考信号与独立分量分析(independentcomponentanalysis,ICA)方法结合,基于64导联EEG,提取出与P300相关度最大的独立分量;最后,依据提取出的独立分量构造3维特征向量进行分类.实验采用线性分类器,针对BCICompetitionIIdatasetIIb和BCICompetitionIIIdatasetII两组公共数据集进行了验证.结果表明,提出方法在3次叠加平均下识别正确率达671%,15次达952%,在相同实验条件下,分类时间也较其他方法缩短.     

基于特征点组合聚类的图像检索新方法

由于特征点能对图像局部特征进行合理描述,有效使用特征点实现基于内容的图像检索成为当前计算机视觉领域中的热点问题.针对该问题,提出一种基于特征点组合聚类的图像检索新方法.该方法包括特征点组合聚类算法,以及基于该算法的局部颜色直方图构建策略.与现有的基于特征点和局部颜色直方图的检索方法相比,该方法能有效解决当前方法对特征点位置信息及特征点中心过度依赖的问题.从公共图像库上的实验结果可以看出,该方法与现有方法相比具有较高的检索精度.     

面向对象删除的局部邻域粗糙集动态更新算法

为了有效地计算动态数值型数据的近似算子,提出了一种局部邻域粗糙集模型的动态更新算法,分析对象集减少时局部近似集的更新公式,设计获取局部近似集的动态算法。动态更新算法充分利用已有知识,避免了大量重复计算。为了验证算法的有效性,使用来自UCI的6组数据集进行了对比实验。     

基于Gabor特征和局部二值模式融合的纹理图像识别

传统的Gabor滤波方法和局部二值模式(Local Binary Pattern,LBP)算法提取的纹理特征鉴别能力不足,导致纹理识别精度不够理想.为了解决上述问题,提出一种将全局Gabor特征和局部LBP特征进行融合的纹理图像识别方法.该方法利用Gabor滤波方法提取纹理图像的全局特征,利用LBP算法提取纹理图像的局部特征,然后在最近子空间分类器的框架下实现全局和局部特征的融合以及纹理图像识别.在CURe T和KTH-TIPS基准纹理库上的实验结果表明,笔者提出的方法显著超越了传统Gabor滤波方法和LBP算法的纹理识别精度.     

结合问题-关系注意力和特征视图匹配的关系检测方法

问答系统作为信息检索的一种高级形式,已成为人工智能和自然语言处理领域中一个备受关注的研究方向。本文聚焦于知识图谱问答(Knowledge Graph Question Answering, KGQA)研究中的关系检测,针对现有方法中未能较好兼顾全局语义和局部语义信息,以及复杂问题准确率不高的问题,提出了一种结合问题-关系注意力和特征视图匹配的关系检测方法。该方法从问题和知识库中提取多粒度的特征,将提取特征构造成特征对视图作为关系检测模型的输入,视图内部利用双边多视角匹配(Bilateral Multi-Perspective Matching, BiMPM)进行比较匹配,得出关系预测结果。为验证本文提出的方法,在SimpleQuestions、WebQSP数据集上,与6种主流基线方法进行对比实验,本方法的准确率分别提升3.42个和0.45个百分点。     

一种消除局域波法中边界效应的新方法

局域波法能在时频图上正确地描述平衡非线性信号的局部特征，但由于信号边界的不确定性，现有的边界处理方法都不能有效地消除边界效应，造成时频图内两边端点附近信号的能量扩散，因此精确估计边界值是局域波法的关键问题，采用边界波形匹配的方法预测边界值，无论边界点是极值点或非极值点，都能有效地消除边界效应。     

基于多尺度特征融合的超分辨率重建算法研究

超分辨率重建技术可以提高图像质量,使原图像具有更丰富的细节信息。针对现有的超分辨率重建算法存在提取特征单一、不利于对图像信息进一步提取的问题,提出了一种基于多尺度特征融合的超分辨率重建算法。采用多特征提取模块获取更多浅层信息,并在网络中添加密集连接结构,增强特征的传播,减少相关参数计算,减轻梯度消失问题。在Set5和Set14基准数据集上进行了测试,并在电力巡检数据集上进一步验证了算法的有效性。与主流的超分辨率重建方法进行了对比,实验结果表明,该方法生成的图像有更加丰富的细节信息,能够有效地改善图像质量,峰值信噪比与结构相似度值较其他主流算法均有一定的提高。