基于改进MVCNN的IFC构件分类识别审查方法

为实现IFC构件精确、高效分类，提出一种改进的多视图卷积神经网络（Multi-view Convolutional Neural Network， MVCNN）模型，该模型引入了自注意力模块和长短期记忆（Long Short-term Memory，LSTM）网络，针对MVCNN模型特征融合的局限性，设计了LSTM_ATT模块；通过对各视图数据特征关系的自适应调整，并结合注意力权重对输入的各视图数据进行融合，得到一个更具辨识性的3D形状描述符，从而提高模型对各相似IFC构件的分类检测性能. 使用IFCNet数据集对建筑领域20个主要类别的IFC构件进行训练并在测试集上对改进MVCNN模型与MVCNN模型进行实验对比. 实验结果表明，改进模型的分类准确率和F1值分别达到了88.27%、86.72%，相比改进前准确率提高了9.46%，对相似构件之间的分类识别效果明显.     

基于核主成分分析的三维模型分类算法

针对三维模型的分类问题,提出了一种基于核主成分分析(Kernel-Principal Components Analysis,K-PCA)的三维模型分类算法。该算法首先选择形状直径函数(Shape Diameter Function,SDF)作为特征描述符来提取三维模型的特征向量;然后使用核函数将原始特征向量映射到高维空间中并在该空间上进行PCA得到新的特征向量;最后使用KNN算法并计算未知模型与已知类别的k个模型之间的l2范数以实现模型的分类,确定未知模型的类别。实验结果表明,该算法能够很好的识别三维模型的几何特征,能准确的区分不同类别的三维模型,具有较高的分类准确率。     

面向细粒度分类的预测属性引导的注意力研究

细粒度图像分类任务比一般图像分类任务更具有挑战性,其通常需要对类间差异小、类内差异大的样本进行分类.现有细粒度分类方法主要依赖视觉特征进行分类,而人类可以根据文本描述等属性描述来辅助识别图像类别.该文提出了一种通过预测属性引导的通道注意力模块,该模块可以插入到任意的卷积神经网络中,从而让模型学习到更高级的特征表示.最后,该算法在CUB-200-2011数据集上测试,在使用Resnet-50、VGG-19、Bilinear-CNN作为主干网络训练时的精度分别达到87.1%、82.1%、85.5%,精度得到显著提升.     

多协议下智能家居协议的分类方法

针对市场上智能家居协议标准繁多,加大了流量识别与分类难度这一问题,提出了一种多协议下智能家居协议的分类方法.该方法利用数理统计计算出K-Means聚类算法的K值和聚类初始中心,基于向量空间模型(vec-tor space model,VSM)概念,使用数据对象间的相似度去代替K-Means聚类算法中数据对象间的距离,使用信息熵作为聚类好坏的评估.选用真实环境下捕获的实验数据进行测试验证.结果表明,该方法对多协议下智能家居协议的分类精度达到90％以上.     

基于局部敏感哈希的K邻近算法识别垃圾短信

针对目前垃圾短信的识别算法存在的关键字及频次的规则死板,易于被不法分子探测和规避等问题,提出将局部敏感哈希的K邻近算法应用于垃圾短信分类识别;首先定义特征,然后采用局部敏感哈希算法计算向量距离,通过得到的距离衡量矩阵的相似性,量化矩阵相似程度,对本文中提出的优化模型进行实现和训练;基于短信文本内容,运用词频-逆向文本频率算法生成矩阵,利用局部敏感哈希算法求解最相似样本,记录样本类别,将训练结果导入K邻近算法分类器得到最优近邻,在测试集或验证集上对优化模型垃圾短信分类识别准确率进行评测。结果表明,经过K邻近算法分类器后,优化模型垃圾短信分类识别准确率达到98.7%。     

基于叶缘特征的植物图像分类检索

叶缘是植物属种识别分类可以参照的主要特征之一.与叶片形状特征相比,叶缘描述了尺度更细微的特征,对于弥补叶形识别特征的不足、以及从多尺度识别植物属种都有重要意义.在借鉴已有研究成果的基础上,设计了7个新的叶缘特征描述符、提出了以语义字典组织植物属种多层分类中的层间继承关系、以及通过叶节点成员相似性评估确定植物属种的技术框架和方法.通过分支结点描述符组合分类实验,证明了叶缘凸残差与叶局部面积比、右边长与左边长比对划分不同的非裂叶植物、以及划分不同的非全缘叶植物有效;叶缘凸残差均值等描述符对于划分不同的非全缘叶植物有效.通过多描述符组合的多层分类将30种非裂叶植物划分到多个叶节点,平均全局精度优于81.21%.而叶节点成员属种概率评估实验,进一步论证了这种多层分类和相似性检索框架的合理和有效性.     

数据驱动的细粒度中文属性对齐方法

为提高中文开源数据集间属性关系识别的准确率,提出一种数据驱动的细粒度对齐方法,综合利用属性的扩展、定义域等对属性间的同义、包含、相关等关系进行统一识别.方法首先利用统计理论确定属性的数据类型,并给出类型感知的属性相似度计算方法.在此基础上,将属性关系识别建模为多分类问题,抽取有效特征对不同关系进行描述并用于随机森林模型的构建.实验结果表明,该方法中属性数据类型判别的准确率达94.6%,最终对同义、包含、相关关系识别的F1值分别为71.3%,57.3%及59.9%.相比只关注同义属性的传统方法,细粒度属性对齐方法不仅提高了同义属性识别的准确性,而且可识别出相互包含和相关的属性,证明了其在中文开源数据集上的有效性.     

基于孪生网络的自监督细粒度分类度量

针对小样本间的细粒度分类中同种样本间不同个体的差异性不明显,导致特征难以提取的问题,设计了使用自监督的抠图式度量学习图像分类建模训练方法,在不增加数据集人工标注成本的基础上提高分类精度.首先,将数据集进行抠图处理,扩大检测目标在图像中的占比,突出样本特征.其次,通过比较网络结构模型及距离度量函数,择优对模型进行改进.最后,采用孪生网络的思想将样本集和验证集输入特征提取器中通过度量函数的计算得到两者相似度.选用的样本集为公开数据集CUB＿200＿2011和Standford Dogs Dataset,实验结果显示,提出的方法在性能和精度上得到了较好提升.     

双路特征提取与度量的少样本细粒度图像分类方法

少样本学习旨在利用少量数据训练深度学习模型,并将其快速泛化到新任务中．在这一领域,少样本细粒度图像分类是最具有挑战性的任务之一,原因在于细粒度图像具有类内方差大、类间方差小的特点．为了解决这一问题,本文提出了一种基于距离与方向双重度量的神经网络,分别利用欧氏距离衡量特征间的绝对距离差异和余弦相似度衡量特征间的相对方向差异,以提升度量信息多样性和样本特征的判别性．同时,为了与当前先进的少样本细粒度图像分类方法对比,将特征提取器在不增加深度的前提下设置为双路形式,以适应不同度量方法对嵌入特征信息的需要．此外,设计了彼此分离的通道和空间注意力机制,分别通过自适应通道注意力和空间信息交叉注意力对不同阶段的提取特征进行增强,从而挖掘重要分类信息．最后,通过双相似度模块分别计算两种差异信息的度量结果,并选取一定权重融合得到最终的相似度分数,实现绝对差异与相对差异在度量空间中的协调补充．在4个主流细粒度图像分类数据集上进行实验对比与分析,最终结果表明了所提方法在相同设置下最多实现了7.0%左右的分类准确率提升．     

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%.     

基于注意机制和循环卷积神经网络的细粒度图像分类算法

细粒度图像分类是计算机视觉中非常热的研究方向.由于同一个大物种的子类别之间具有相似的外观,相似的颜色,所以差别非常细微.因此,细粒度图像分类非常具有挑战性.为了解决这个挑战,该文提出一种基于注意机制的循环卷积神经网络用于细粒度图像分类.首先,根据注意机制循环提取一幅图像中的显著性物体区域;然后,对原始图像和每次提取的显著性区域分别进行分类;最后,融合分类层得分,进行最终分类.在非常有挑战性的公共数据集CUB-200-2011,Stanford Dogs和Stanford Cars上进行实验,与比较先进的实验方法进行比较,实验结果表明该文提出的方法非常有效.     

基于二维成像的三维物体形状特征分析

目前三维物体识别方法在识别过程中所需数据量大、难以实用。该文简化三维物体识别过程,构建了一个基于单视点二维投影图像的三维物体识别系统。分别选取Zernike矩、基于Trace变换的Triple特征、MSA等三种形状特征,实现了对物体的视点空间的聚类划分。在普林斯顿三维模型库上,通过分类识别实验分析三种形状特征的性能。实验表明:特征对不同类别物体的分类效果差异明显。该文由此提出了针对目标物体形状及应用环境的特征选取方案。     

基于k-means++的多分类器选择分类研究

【目的】机器学习中不同算法适用于具有不同分布特征的数据集。在用整个训练集上训练得到的单个分类器预测新样本类别时,由于缺少对局部区域样本的针对性,可能导致分类器对某一区域数据的预测能力较差而产生错误分类。为了解决这个问题,提出基于k-means+ +的多分类器选择算法。【方法】首先用3种分类综合性能较好的算法———Ada-Boost、SVM、随机森林(RF)在训练集上分别训练得到3个分类器作为候选基分类器,然后利用k-means++算法将训练数据集分为k个簇,用3个候选分类器分别对每个簇进行分类测试,选择对这一簇中数据分类精度最高的分类器作为与它的数据相似数据的分类器。在对新样本进行类别预测时,首先判定样本属于哪个簇,然后用它的分类器进行分类预测。【结果】实验结果表明,新算法在9个UCI数据集上优于单个分类算法。【结论】基于局部区域动态选择最优分类器可以提高模型分类准确性。
     

基于跨层精简双线性网络的细粒度鸟类识别

细微的类间差异和显著的类内变化使得细粒度图像分类极具挑战性。为了对鸟类图像进行细粒度识别,提出一种基于跨层精简双线性池化的深度卷积神经网络模型。首先,根据Tensor Sketch算法计算出多组来自不同卷积层的精简双线性特征向量;其次,将归一化后的特征向量级联送至softmax分类器;最后,引入成对混淆对交叉熵损失函数进行正则化以优化网络。提出的模型无需额外的部件标注,可进行端到端的训练。结果表明,在公开的CUB-200—2011鸟类数据集上,该模型取得了较好的性能,识别正确率为86. 6%,较BCNN提高2. 5%。与多个先进细粒度分类算法的对比,验证了提出模型的有效性和优越性。     

基于形状相似的三维模型检索方法研究

在基于内容的三维模型检索方法中,基于形状的检索方法由于其视觉上的直观性和效果上的稳定性,得到了广泛的研究,本文提出了一种基于模型视觉投影图相似的形状检索方法,对任意模型通过坐标规范化,方向投影,提取其二维投影图像的Fourier描述符和Zernike矩描述符作为模型特征,在数据库中进行匹配检索.解决了该类方法中的投影图最优匹配的问题,并在检索效果和效率上取得了很好的结果.     

基于投影序列质心的不规则形状识别

以交通标记识别为例,针对不规则形状识别提出一种新的方法。选取不规则形状的边缘点做双向投影变换,根据归一化和中心化后的投影序列数据求得加权质量,从而得出投影序列的质心。由于相似质点系的质心距离相近,因此相似投影序列的质心也相近。以棋盘距离和街区距离的线性组合替代欧氏距离来度量投影序列及其质心的相似性,继而得到不规则形状的相似程度。实验结果表明,该算法在保持较高识别精度的同时,运算速率也比较快。     

基于局部自相似结构特征的多模态影像匹配

针对多模态遥感影像间存在显著的非线性灰度和几何差异等问题导致的匹配难题,提出了一种基于局部自相似结构特征的多模态影像匹配方法。首先,利用非线性扩散对影像进行滤波,计算影像的相位一致性,并采用Harris算子在相位一致性图上提取特征点;然后,对相位一致性模型进行扩展,生成相位一致性方向图,并结合自相似理论,构建一种局部自相似结构特征描述符;最后,利用欧式距离作为相似性测度识别正确匹配点,实现多模态影像间的精确匹配。多组实测多模态影像的实验结果表明,与现有方法相比,本文方法可以获得更多的匹配点和更高的匹配精度。     

基于Hellinger距离矩阵的层次型多分类算法研究

针对层次型多分类算法中二元分类器度量标准选择不合理而导致模型分类效果较差的现象,提出基于Hellinger距离矩阵的新度量方法.结果表明,该方法具有计算简单、不受数据分布不均影响等特点,可作为类别间重叠性的衡量;依据类别间重叠性越小可分性越强的节点选择方法,用该距离可构建分类性能更优的层次模型.实验结果验证了该方法的有效性和可行性.     

基于样本类可分性分析的特征选择研究

在传统类间散布矩阵理论的基础上,提出了类间的两两散布矩阵和类间重叠系数矩阵.传统的类间散布矩阵对于两类或多类的类别均值和全局均值之间距离值相近时难以区分,而且对于方差大而分类信息差的向量也无能为力.类间重叠系数矩阵可以剔除方差大而分类信息差的向量,两两类间散布矩阵则用于区分类别均值和全局均值之间距离值相近的向量.实验证明该方法生成的特征向量取得的分类效果较好.     

基于多层次深度学习网络的行人重识别

提出了多层级特征融合模型,该模型利用深度学习网络提取行人图像的全局特征和局部特征,并将全局和局部特征联合起来,以生成更具辨识度的描述符.在模型中,基于部分的多层级网络用于提取不同网络深度的局部特征,从而将网络底层到高层中提取的局部特征组合起来.全局—局部网络分支则提取网络深层的局部特征和全局特征,用于识别行人.该模型在三个数据集上进行了实验并得到了更好的结果.