视觉概念学习方法研究进展

计算机视觉的核心问题是寻找视觉概念的层次化与结构化表示.以深度学习为代表的连接主义方法能够学习到输入图像数据的分层表示,这个表示具有优异的类内不变性与类间区分性,带来了视觉目标分类问题的突破式进展.而以图像随机语法模型为代表的逻辑主义方法试图基于先验知识和输入图像数据得到视觉概念的层次化与结构化表示,进而实现像人类一样的概念迁移学习,从更一般的意义上解释视觉现象.综述了两类方法各自的一些代表性工作,分析了其主要思路与各自的优缺点.分析认为,两类方法具有明显的互补性,在概率图模型框架下将两类方法综合是未来视觉概念学习的一个重要发展方向.     

基于目标检测结果的轮廓及颜色识别研究

基于深度学习方法给出的目标矩形框检测结果,针对实时目标轮廓提取和颜色识别问题,提出了一种基于边缘提取和形态学操作的方法.首先通过Canny边缘检测算法提取图像大致轮廓,应用多次形态学闭操作将目标主体与背景、噪声等加以区分,找出最大轮廓即目标轮廓,然后利用目标轮廓所包含的区域,在HSI颜色空间中完成目标颜色的统计和识别,并采用真实场景中的无人机、小汽车和人的图像来进行实验验证.实验结果表明,所提出的方法相比纯粹基于深度神经网络的方法在效率上有较大提升,相比纯粹的底层图像处理方法在精度上有较大提高,既保证了实时性,又确保了较高的精度.     

基于形态学的硬币镜面区域缺陷检测算法研究

在机器视觉领域中金属产品表面缺陷检测是生产加工中的重要环节,而对于具有兼有镜面特性和纹理特性的硬币进行检测,则更加复杂.为了更有效地检测出硬币表面的缺陷,可将硬币表面分为2部分检测:一个是镜面部分,另一个是纹理部分.针对硬币镜面部分的检测提出了一种基于形态学配准的算法:首先利用无缺陷的标准硬币作为模板图像进行二值化、中值滤波、边缘检测以及形态学处理,然后再将待处理的硬币图像进行除形态学外的相同处理,最后对2幅图像的特征配准算法和差分将匹配错误的位置作为缺陷进行提取.实验结果表明,本方法可以有效检测出硬币镜面部分的缺陷.     

基于深度迁移学习的人脸识别方法研究

针对大数据集上学习的深度人脸模型在实践中的相关问题,提出一种通过迁移一个预训练的深度人脸模型到特定的任务来解决该问题的方案:将深度人脸模型学习的分层表示作为源模型,然后在一个小训练集上学习高层表示以得到一个特定于任务的目标模型;在公共的小数据集及采集的真实人脸数据集上的实验表明,所采用的迁移学习方法有效且高效;经验性地探索了一个重要的开放问题——深度模型不同层特征的特点及其可迁移能力,认为越底层的特征越局部、越通用,而越高层的特征则越全局、越特定,具有更好的类内不变性和类间区分性;无监督的特征可视化与有监督的人脸识别实验结果都能较好地支持上述观点.