【摘 要】
：
视频中的雪花会降低视频图像的质量，影响计算机对视频中目标自动检测、跟踪和识别等操作。视频中雪花去除是一项具有挑战性的任务，现存的算法除雪方法效果不佳。根据不同的空间特征，将一个视频中的雪花分为近景雪花和远景雪花。首先，利用低秩矩阵分解提取视频的背景信息。然后，采用多尺度卷积稀疏编码对远景雪花进行检测。利用马尔可夫随机场对运动物体进行建模，之后使用连通域阈值去除被判断为运动物体的雪花。实验结果表明，
论文部分内容阅读
视频中的雪花会降低视频图像的质量，影响计算机对视频中目标自动检测、跟踪和识别等操作。视频中雪花去除是一项具有挑战性的任务，现存的算法除雪方法效果不佳。根据不同的空间特征，将一个视频中的雪花分为近景雪花和远景雪花。首先，利用低秩矩阵分解提取视频的背景信息。然后，采用多尺度卷积稀疏编码对远景雪花进行检测。利用马尔可夫随机场对运动物体进行建模，之后使用连通域阈值去除被判断为运动物体的雪花。实验结果表明，提出的算法有效地去除了视频中的近景雪花和远景雪花，同时保留了相关的背景和运动物体的信息。
其他文献
本文提出了一种耦合粒子图像测速(Particle Image Velocimetry,PIV)实验误差的连续伴随数据同化算法，通过优化目标损失函数，增强算法在不同误差场景下的鲁棒性。为了验证该算法的有效性，本文先对已知PIV流场植入合成误差进行同化对比测试，继而对PIV互相关算法的不同参数设置所获得的流场进行同化研究。结果表明，相比于原连续伴随数据同化，耦合PIV实验误差的同化算法能够对实验观测数
针对YOLOv4-Tiny算法目标检测网络参数量和计算量大而导致不能在资源较少平台部署的问题，提出一种以GhostNet残差结构作为主干的轻量级目标检测网络（YOLO-GhostNet）。该网络采用GhostNet结构思想将普通卷积分成了两步，降低了计算所需资源的同时降低了参数量。其中采用GhostNet所构建的残差结构的YOLO-GhostNet经过BN（BatchNormalization）层
多表征自适应网络（MRAN）用于无监督学习取得了显著成效。但MRAN的特征提取只关注了域在空间结构上的联系而忽略了特征通道之间的联系，在进行无监督领域自适应（UDA）分类时，决策边界附近存在大量混淆数据的情况，当使用信息熵最小化对混淆数据进行分类时，往往会产生错误分类。针对这一问题，提出了基于批量核范数最大化的多表征挤压激励自适应网络（Multi-Representation Squeeze-Ex
针对行人重识别复杂场景而引起的提取特征辨别能力弱的问题，提出了一种多尺度多粒度融合网络（Multi-scale and Multi-granularity Fusion Network， MMF-Net），旨在更全面和有效地利用特征信息。MMF-Net使用多分支结构学习了不同尺度和不同粒度的特征，并以局部特征学习去精细化全局特征，加强了全局和局部的关联性；在网络低层引入语义监督模块，提升了网络的表
针对人工提取植物病害图像特征存在效率低、识别率低、成本高等问题，提出一种基于DenseNet网络的现代卷积神经网络架构FI-DenseNet，旨在对多种类的植物病害图像达到高精准的识别准确率。引入Focal损失函数对DenseNet网络进行改进，使得训练模型的注意力集中于难分类的样本。FI-DenseNet网络可以增强特征传递、进行深层训练或有效改善过拟合问题。采用的数据集有87867张植物病害图
基于2010—2019年的MODIS卫星影像数据与实地调查，在地理信息技术的支持下，从宏观角度实现了塔里木河流域土壤湿度的遥感监测。研究结果表明，MODIS第7波段的反射率与土壤湿度呈负相关，塔里木河流域上、中、下游土壤湿度在年内空间上、时间上差异较大。同期不同河段的对比分析：塔里木河流域上游土壤湿度>中游土壤湿度>下游土壤湿度。同河段不同时期对比分析：塔里木河上游土壤湿度增加量>塔里木河中游土壤
现实情况中通常会针对同一对象从不同途径或层面获得特征数据，我们称这样获得的数据为多视角数据，对于多视角数据的挖掘利用具有研究价值，与传统的单视角学习相比表现出一定优势。多视角学习(MVL)中一个重要的问题是如何在满足视角间互补情况下同时保持视角之间一致性。为解决上述问题，基于多视角学习和特权信息学习(LUPI)概念，以随机向量函数连接网络(RVFL)为基础，本文提出了一种快速多视角特权协同随机向量
深度学习的优势在于其具有深层次的特征提取结构，而随着层数的增加以及激活函数的影响往往会导致其编码能力下降。基于此本文提出了一种基于U-Net和FCN网络进行编码约束的方法，并应用到医学图像分割上。编码约束结构以U-Net和FCN全卷积网络模型架构为主体，对网络最后一层使用Sigmoid激活函数的1×1卷积层进行特征约束，通过将特征值向0.5靠近预防Sigmoid激活函数产生的梯度消失问题，同时要求
针对数字图像处理计算量大、串行结构计算速度慢等特点，完成了最新的开源OpenVX计算机视觉加速规范1.3中底层特征抽取核函数的并行实现，使用自主设计的OpenVX可编程并行处理器进行了验证。在对图像的底层特征提取中，前期滤波及平滑处理选择OpenVX 规范1.3中基本像素点处理函数Color Convert（颜色转换）、局部图像处理函数Gaussian Filter（高斯滤波）、Median Fi
传统的可编程处理器（Programmable Processor）虽然高度灵活，但其处理速度及性能不及专用集成电路（Application Specific Integrated Circuit，ASIC)，而图像处理往往是多样、密集且重复的操作，所以处理器要兼顾速度、性能及灵活性。OpenVX是图像图形处理、图计算和深度学习等应用的预处理或者辅助处理开源标准，基于最新的OpenVX 1.3标准中