排序方式: 共有20条查询结果,搜索用时 114 毫秒
11.
基于卷积神经网络的正则化方法 总被引:2,自引:0,他引:2
正则化方法是逆问题求解中经常使用的方法.准确的正则化模型在逆问题求解中具有重要作用.对于不同类型的图像和图像的不同区域,正则化方法的能量约束形式应当不同,但传统的L1,L2正则化方法均基于单一先验假设,对所有图像使用同一能量约束形式.针对传统正则化模型中单一先验假设的缺陷,提出了基于卷积神经网络的正则化方法,并将其应用于图像复原问题.该方法的创新之处在于将图像复原看作一个分类问题,利用卷积神经网络对图像子块的特征进行提取和分类,然后针对不同特征区域采用不同的先验形式进行正则化约束,使正则化方法不再局限于单一的先验假设.实验表明基于卷积神经网络的正则化方法的图像复原结果优于传统的单一先验假设模型. 相似文献
12.
基于局部复杂度和初级视觉特征的自底向上注意信息提取算法 总被引:4,自引:1,他引:3
借鉴心理学中有关视觉注意的研究成果,提出了一种新的自底向上的注意信息提取算法.自底向上的注意信息由图像中每个点对应区域的显著性构成,区域的尺度自适应于局部特征的复杂度.新的显著性度量标准综合考虑了局部复杂度、统计不相似和初级视觉特征这3个方面的特性.显著区域在特征空间和尺度空间中同时显著.获取的自底向上的注意信息具有旋转、平移、比例缩放不变性和一定的抗噪能力.以该算法为核心,构建了一个注意模型,将其应用于多幅自然图像的实验证明了算法的有效性. 相似文献
13.
人类具有很强的草图识别能力. 然而, 由于草图具有稀疏性和缺少细节的特点, 目前的深度学习模型在草图分类任务上仍然面临挑战. 目前的工作只是将草图看作灰度图像而忽略了不同草图类别间的形状表示差异. 提出一种端到端的手绘草图识别模型, 简称双模型融合网络, 它可以通过相互学习策略获取草图的纹理和形状信息. 具体地, 该模型由2个分支组成: 一个分支能够从图像表示(即原始草图)中自动提取纹理特征, 另一个分支能够从图形表示(即基于点的草图)中自动提取形状特征. 此外, 提出视觉注意一致性损失来度量2个分支之间视觉显著图的一致性, 这样可以保证2个分支关注相同的判别性区域. 最终将分类损失、类别一致性损失和视觉注意一致性损失结合完成双模型融合网络的优化. 在两个具有挑战性的数据集TU-Berlin数据集和Sketchy数据集上进行草图分类实验, 评估结果说明了双模型融合网络显著优于基准方法并达到最佳性能. 相似文献
14.
鉴于V1区复杂细胞具有提取外界刺激不变本质的能力,设计了一个提取目标图像局部不变特征的方法.该方法首先使用提出的无监督算法(PCICA),从图像中学习出类似于复杂细胞感受野的滤波器集合.然后利用这些滤波器组成的复杂细胞描述子,提取目标图像各个位置的不变特征.最后对图像特征图进行分块统计,将各区域的直方图序列作为图像的最终描述.测试结果表明,PCICA具有类似于快速独立分量分析算法(FastICA)三阶收敛的特点,从图像中学习出的滤波器集合,表现出复杂细胞感受野的拓扑结构.这些滤波器对于局部图像的微小变化并不敏感,对于检测不变特征十分有利,并在MNIST手写体数据库上取得0.84%的识别错误率. 相似文献
15.
针对传统模型建模复杂、算法效率较低等缺点,提出了一种学习自然图像拓扑表示的新方法.不同于传统的空域汇集操作,文中利用“成对累计量”对初级视皮层复杂细胞之间的二元关系进行建模,并结合向量在高维空间中的分布特点,得到了能够模拟V1区复杂细胞特性的自然图像拓扑表示模型.此外,在模型的估计部分,推导出基于“不动点迭代”的快速学习算法.实验表明,该模型能够有效地捕捉复杂细胞中的非线性依赖关系,从自然图像中学习的基向量具有类似于V1区复杂细胞的特性.与传统方法相比,文中算法不仅适用于完备或超完备基的学习问题,而且具有类似于FastICA算法的收敛性能,比同类算法更加快速可靠. 相似文献
16.
17.
王胜春罗四维王旭黄雅平戴鹏 《数据采集与处理》2017,32(2):337-345
虽然基于机器视觉的铁路基础设施的自动化检测技术已经被广泛使用,然而护栏作为保障列车安全运行免受异物入侵的重要组成部分,针对护栏的缺失检测仍依靠传统的人工检视方法。本文基于全景拼接技术,获取了铁路沿线护栏的全景图,并通过提取护栏全景图的灰度均值和方差等统计特征构建了全景图像的二维直方图,在此基础上提出了基于灰度方差的二维直方图的最大熵值分割方法,从而实现了栏杆位置的自动识别和缺损检测。实
验结果验证了该方法的准确性和有效性,且取得了87.5%的查准率和92.1%的查全率。 相似文献
18.
19.
20.
基于独立分量分析的虹膜识别方法 总被引:15,自引:1,他引:15
虹膜识别技术作为一种生物识别手段,具有惟一性、稳定性和安全性等优点,从而成为当前模式识别和机器学习领域的一个研究热点.提出了一种新的虹膜识别方法,该方法利用独立分量分析(ICA)提取虹膜的纹理特征,并采用竞争学习机制进行识别.实验结果证明了该方法的有效性和对环境的适应性,在图像模糊、噪声干扰等不利条件下,仍然能够正确识别. 相似文献