一种基于全卷积网络的目标检索方法

基于预训练卷积神经网络的图像表示已成为一种新的图像检索方法,但这种图像表示方法是对图像整体特征的表示,无法适用于目标仅占被检索图像部分区域的检索,故主要研究将深度全卷积网络应用于实例目标较小、仅占被检索图像部分区域的检索.首先,利用全卷积网络对输入图像大小不受限制的优势,给定被检索图像,经过全卷积网络得到该图像的特征矩阵;其次,给定查询目标图像,利用全卷积神经网络得到目标图像的特征表示;最后,将目标特征与被检索图像的特征矩阵的每一个特征进行相似性比对,得到相似值和匹配最优位置.实验表明,本算法的检索性能优于现有算法.     

一种改进卷积神经网络的教学图像检索方法

针对卷积神经网络在提取图像特征时所造成的特征信息损失以及降低高维度图像特征数据等问题,提出了一种改进卷积神经网络的图像检索优化方法。该方法首先利用融合的卷积层提取图像特征,并在融合的卷积层之间添加全连接层以减少特征信息的丢失;然后采用主成分分析法对高维的特征数据进行有效的降维处理;最后采用余弦相似度的方法进行相似度匹配,以实现相似图像的检索。采用当前经典的LeNet-L、LeNet-5等方法同文中方法在图像检索性能评价指标上进行对比实验。实验结果表明,所提出的检索方法比文中其他检索方法在查全率和平均查准率方面提高了3%27.3%。     

相似性保持实例检索方法

针对多输入样本的网络训练,提出了相似性保持实例检索方法。首先,经深度网络除卷积结构提取输入图像的特征并加以池化操作。然后,依照基准排序,修正低相关性图像与查询图像的相似度关系,获得低相关性图像的对比损失系数,保留损失基准值内的损失值,进行基于相似性保持的对比损失训练。最后,使用训练后网络提取图像特征,用于进行实例级图像检索。实验结果表明:基于相似性保持的损失对比函数具有可行性,该方法显著提高了实例级图像的检索精确度。     

空间金字塔分解的深度可视化方法

针对基于深度卷积神经网络的图像分类模型的可解释性问题,通过评估模型特征空间的潜在可表示性,提出一种用于改善理解模型特征空间的可视化方法.给定任何已训练的深度卷积网络模型,所提出的方法在依据原输入图像使得模型类别得分激活最大化时,首先对反向传播的梯度进行归一化操作,然后采用带动量的随机梯度上升训练策略,反向回传修改原输入图像.引入了通过激活最大化获得的图像可解释性的正则化方法,常规正则化技术不能主动调整模型特征空间的潜在可表示性,结合现有正则化方法提出空间金字塔分解方法,利用构建多层拉普拉斯金字塔主动提升目标图像特征空间的低频分量,结合多层高斯金字塔调整其特征空间的高频分量得到较优可视化效果.通过限制可视化区域,提出利用类别显著性激活图技术加以压制上下文无关信息,可进一步改善可视化效果.对模型学习到的不同类别和卷积层中单独的神经元进行合成可视化实验,实验结果表明提出的方法在不同的深度模型和不同的可视化任务中均能取得较优的可视化效果.     

特征金字塔多尺度全卷积目标检测算法

基于区域建议网络构建一种特征金字塔多尺度网络结构,并结合全卷积操作完成微小目标与类别无关目标的检测. 为了提升图像中微小目标的检测精度,构建基于侧链接融合的3层金字塔结构网络,充分利用语义级别比较低的图像卷积特征. 为了提高类别无关的图像目标检测鲁棒性,提出特定的非极大值抑制算法,在重叠目标过滤时消除冗余目标窗口,并对目标窗口进行位置精修. 在PASCAL VOC 2007、PASCAL VOC 2012以及古代绘画数据集上的实验结果表明：所提算法对于微小目标、多尺度目标检测及种类无关的目标检测的检测精度高于已有算法.     

基于图像分块目标区域的检索技术研究

为了解决图像检索中视觉感知缺失所造成的检索率偏低问题,提出了一种基于目标区域检索算法.借鉴方块编码的方法将图像进行二值化处理,从而转化为位平面图,在此基础上,提取图像的背景区域和目标区域,为提取图像的空间分布信息,采用环形分割的方法提取图像的环形分布直方图作为内容特征用于检索.该算法既利用了图像的灰度信息和人眼对纹理的视觉敏感特性,又充分考虑了图像的空间分布对检索效率的影响,试验表明该算法和以往算法相比具有较高的检索效率.     

基于Faster R-CNN的食品图像检索和分类

面向食品领域的图像检索和分类等方面的研究成为多媒体分析和应用领域越来越受关注的研究课题之一.当前的主要研究方法基于全图提取视觉特征,但由于食品图像背景噪音的存在使得提取的视觉特征不够鲁棒,进而影响食品图像检索和分类的性能.为此,本文提出了一种基于Faster R-CNN网络的食品图像检索和分类方法.首先通过Faster R-CNN检测图像中的候选食品区域,然后通过卷积神经网络(CNN)方法提取候选区域的视觉特征,避免了噪音的干扰使得提取的视觉特征更具有判别力.此外,选取来自视觉基因库中标注好的食品图像集微调Faster R-CNN网络,以保证Faster R-CNN食品区域检测的准确度.在包括233类菜品和49 168张食品图像的Dish-233数据集上进行实验.全面的实验评估表明:基于Faster R-CNN食品区域检测的视觉特征提取方法可以有效地提高食品图像检索和分类的性能.     

特征点显著性约束的图像检索方法

图像检索的Bag of Words体系存在量化后的视觉词影响局部特征的辨别能力并且缺乏特征之间空间关系的缺点,影响检索效率。针对复杂背景的目标查询,提出了融合显著性信息的图像检索方法和基于显著特征点空间距离比的后验证方法。首先,提取图像显著目标区域,使用空间金字塔模型进行图像检索。然后,利用查询图像与检索图像匹配的显著特征对,计算任意两对显著特征点的距离比,保留满足阈值的比值,并求和,用以重新排序结果图像,得到最终的检索结果。实验结果表明:该方法显著提高了检索的精确度,并减少了几何验证过程的运算时间。     

一种基于ResNet网络特征的视觉目标跟踪算法

针对复杂场景下目标容易丢失的问题,提出了一种基于深度残差网络（ResNet）特征的尺度自适应视觉目标跟踪算法.首先,通过ResNet提取图像感兴趣区域的多层深度特征,考虑到修正线性单元（ReLU）激活函数对目标特征的抑制作用,在ReLU函数之前选取用于提取目标特征的卷积层;然后,在提取的多层特征上分别构建基于核相关滤波的位置滤波器,并对得到的多个响应图进行加权融合,选取响应值最大的点即为目标中心位置.目标位置确定后,对目标进行多个尺度采样,分别提取不同尺度图像的方向梯度直方图（fHOG）特征,在此基础上构建尺度相关滤波器,从而实现对目标尺度的准确估计.在视频集OTB100中与其他6种相关算法进行了比较,实验结果表明,所提算法取得了较高的跟踪成功率和精确度,能够较好地适应目标的尺度变化、背景干扰等复杂场景.     

基于可变形卷积的图像边缘智能提取方法

针对传统卷积神经网络边缘提取局限性的问题,提出一种基于可变形卷积的图像边缘智能提取方法。根据图像边缘呈现的数据分布特点,采用多尺度可变形卷积,改进图像边缘提取网络。通过跨层融合特征图的方式引入可变形卷积网络模块,增强卷积网络对图像形状的适应能力和边缘特征提取效果。测试结果表明,该方法相比于其他多尺度融合算法具有更高的精度指标和效果。