基于级联和自适应子分类的目标检测方法

在基于机器学习的目标检测中,检测速度和检测准确性是主要考虑的问题。通过所设计的两级级联和自适应子分类的方法,有效提升了检测速度和检测的准确率。在实际检测时,可以通过一些简单的特征,快速否定绝大多数非检测目标的探测窗口,因此设计了两级级联的方法获得较高的检测速度:在两级级联的第一级采用一种快速简单的检测方法,快速地否定绝大多数错误的探测窗口,并使得几乎所有的正确的探测窗口通过第一级检测。在实际场景下,同一类目标常常有不同的表现形态,如不同姿势、颜色等,因此设计了自适应子分类的方法来获得较高的检测准确率:在两级级联的第二级通过对一类目标使用自动子分类的方法训练多个识别模型,在子分类过程中自动寻找最优分类方法,提升了识别的准确性。在利用著名的UIUC数据集以及一些高清图像的检测实验结果表明,该算法显著提升了检测速度和准确性。     

L1范数的图像超分辨率重建改进算法

介绍了超分辨率图像重建的数学模型和基于L1范数的超分辨率重建算法。针对在所观察到的低分辨率图像不足情况下的超分辨率重建,在L1范数重建算法框架下,提出了一种新的代价方程,在其中增加了关于丢失的低分辨率观察信息的保真度项和正则化项。该方法同时对高分辨率图像和丢失的观察信息进行迭代估计,并利用交替最小方法求解。实验结果表明,在获取低分辨率图像较少的情况下,提出的算法能够有效地改进重建的结果。