排序方式: 共有20条查询结果,搜索用时 15 毫秒
11.
非负矩阵分解(NMF)是一种有效提取特征的方法,但算法中参数的随机初始化使得迭代求解速度慢,且易陷入局部极小的问题。针对以上问题,提出了一种自适应FCM-NMF的方法,该方法利用模糊C聚类方法 (FCM)获得相似性关系矩阵,能为NMF参数的初始化提供较好的初值,从而有效解决了上述问题。通过在两个人脸库的实验结果显示,收敛速度明显高于随机赋初值的方法,识别率也有所提高。 相似文献
12.
人脸识别是生物特征识别的重要组成部分,而人眼是人脸最突出的特征之一,眼睛定位成为人脸识别的关键环节。积分投影法是一种常用的人眼定位方法,但直接采用此方法进行人眼定位时,由于眉毛与眼睛距离较近,容易将眉毛的水平位置错误地判定为眼睛的水平位置,降低眼睛定位的准确率。所以,在人脸区域粗定位后,计算眼睛区域的水平积分投影时,增加了其在水平方向灰度变化频繁的特征,即差分投影法,最后将积分投影法与差分投影法相结合来实现人眼定位。该方法在ORL人脸库上经过测试,取得了约90.5%的定位准确率。实验结果表明,该方法可以更准确地定位人眼。 相似文献
13.
14.
15.
16.
17.
路面图像裂缝自动检测技术是公路养护技术的重要方向,路面图像的分割是路面图像处理的关键步骤。由于噪声等干扰因素的影响,使得利用传统的模糊C_均值聚类(F(M) 算法进行路面图像分割得不到满意的结果。本文采用Ptile算法和直方图模糊C-均值聚类算法对路面图像进行分割,一方面克服了传统FCM运算量大、计算速度慢的缺点,另一 一方面减少分割算法分析的范围,增强了分割的效果。实验证明,本文算法能较好地分割出路面图像的裂缝。 相似文献
18.
基于蚂蚁算法的QoS组播路由问题求解 总被引:19,自引:0,他引:19
采用启发式算法中的蚂蚁算法解决了包含带宽,延时,延时抖动,包丢失率和最小花费等约束条件在内的QoS组播路由问题。实验表明算法能快速找到最优解,而且具有良好的扩充性。 相似文献
19.
目的 青光眼会对人的视力造成不可逆的损伤,从眼底图像中精确地分割视盘和视杯是青光眼诊治中的一项重要工作,为有效提升视盘和视杯的分割精度,本文提出了融合上下文和注意力的视盘视杯分割方法(context attention U-Net,CA-Net)。方法 进行极坐标转换,在极坐标系下进行分割可以平衡数据分布。使用修改的预训练ResNet作为特征提取网络,增强特征提取能力。采用上下文聚合模块(context aggregation module,CAM)多层次聚合图像上下文信息,使用注意力指导模块(attention guidance module,AGM)对融合后的特征图进行特征重标定,增强有用特征;使用深度监督思想同时对浅层网络权重进行训练,同时在视杯分割网络中引入了先验知识,约束对视杯的分割。结果 在3个数据集上与其他方法进行对比实验,在Drishti-GS1数据集中,分割视盘的Dice (dice coefficient)和IOU (intersection-over-union)分别为0.981 4和0.963 5,分割视杯的Dice和IOU分别为0.926 6和0.863 3;在RIM-ONE (retinal image database for optic nerve evaluation)-v3数据集中,分割视盘的Dice和IOU分别为0.976 8和0.954 6,分割视杯的Dice和IOU分别为0.864 2和0.760 9;在Refuge数据集中,分割视盘的Dice和IOU分别为0.975 8和0.952 7,分割视杯的Dice和IOU分别为0.887 1和0.797 2,均优于对比算法。同时,消融实验验证了各模块的有效性,跨数据集实验进一步表明了CA-Net的泛化性,可视化图像也表明CA-Net能够分割出更接近标注的分割结果。结论 在Drishti-GS1、RIM-ONE-v3和Refuge三个数据集的测试结果表明,CA-Net均能取得最优的视盘和视杯分割结果,跨数据集测试结果也更加表明了CA-Net具有良好的泛化性能。 相似文献
20.
针对现有算法无法精确分割细微血管末端,且分割结果易受光学造影与病变区域影响的问题,提出一种结合注意力和多路径U-Net的视网膜血管分割算法.首先,设计一个双路径U-Net,通过纹理与结构分支提取粗和细粒度血管,并使用语义指导模块充分融合深浅层特征;其次,采用一种引入注意力机制和DropBlock的残差模块来代替普通卷积模块,改善处于复杂背景区域中血管的分割效果,防止过拟合;最后,将双路径U-Net的输出图与原图传入特征细化模块进行特征提取和融合,进一步细化血管分割结果.在DRIVE, STARE和CHASEDB1数据集上的实验结果表明,该算法的准确率分别为97.01%,96.43%和97.52%;灵敏度分别为80.31%,84.38%和81.61%;受试者工作特性曲线下方的面积(AUC)分别为98.67%, 98.06%和98.83%,综合分割性能优于其他算法. 相似文献