【摘 要】
：
针对标签样本不易获得且需要大量的人力财力的问题,提出了基于稀疏表示的半监督线性子空间学习。该方法的核心思想是将有标签样本与无标签样本合成一个训练集来训练半监督模型。首先将样本数据集进行训练得到字典以及稀疏表示特征;然后将稀疏特征进行分组,分为含有较多识别信息(MDP)部分以及含有较少识别信息(LDP)部分;最后学习得到半监督投影矩阵P。实验结果表明该方法在现有的人脸数据库extended Yale
论文部分内容阅读
针对标签样本不易获得且需要大量的人力财力的问题,提出了基于稀疏表示的半监督线性子空间学习。该方法的核心思想是将有标签样本与无标签样本合成一个训练集来训练半监督模型。首先将样本数据集进行训练得到字典以及稀疏表示特征;然后将稀疏特征进行分组,分为含有较多识别信息(MDP)部分以及含有较少识别信息(LDP)部分;最后学习得到半监督投影矩阵P。实验结果表明该方法在现有的人脸数据库extended Yale B和AR数据集上都取得了较好的结果。
其他文献
Image enhancement is a monumental task in the field of computer vision and image processing. Existing methods are insufficient for preserving naturalness and minimizing noise in images. This article d
运动视差的关键点(Focus of Expansion,FOE)是铁路接触网视频巡检的重要参数,但当前计算FOE的方法需多帧图像匹配估计,时间复杂度高。针对单帧图像FOE估计问题,结合自监督学习思想,提出了一种融合自监督学习的单帧图像FOE估计算法。搭建了全卷积网络F-VGG(Fully-VisualGeometryGroup)作为FOE的预测器,通过融合代理任务自动生成样本数据的训练标签,实现了
针对现有医学图像融合方法产生的图像,存在源图像潜在特征信息丢失而导致融合效果差的问题,提出一种利用生成对抗网络(generative adversarial network, GAN)来探索潜在空间的图像融合算法(GAN-ELS),用于提高计算机断层成像(CT)与T2加权核磁共振成像(MR-T2)融合图像的质量.该算法首先通过基于StyleGAN改进的对抗网络在训练进程中的特征解缠学习、多分辨率层
本文提出了一种基于可逆神经网络的单一图像超分辨率算法.最近提出的基于深度神经网络的单一图像超分辨率模型都是利用生成的超分辨率图像和对应的高分辨率图像之间的差异定义目标函数以及更新模型参数,这些模型仅利用了超分辨率正向过程中高分辨率图像对于低分辨率图像的依赖,并没有建立低分辨率图像与高分辨率图像之间的相互依赖.本文提出的超分辨可逆网络利用具有可逆结构的神经网络建立低分辨率图像与高分辨率图像之间的相互
针对常规人脸活体检测中存在的特征信息提取不足、准确率不高、容易被欺骗等问题,提出了一种基于注意力机制的多特征融合人脸活体检测算法.首先,为充分利用图像的低层特征,将原始人脸图像通过变换得到傅里叶频谱图,结合局部二值模式图和简化的韦伯局部描述图作为检测模型的输入.其次,再把这3种类型的图像分别输入到3个结构相同的ResNet支流中.然后,引入注意力机制来表征不同特征对于识别的重要性,将提取到的特征进
研究文本智能生成图像所蕴含的艺术性及其背后的重构与复制,进而探讨"艺术创作与艺术复制"所引发的问题与解决方案。从现有的文本智能生成图像技术切入,梳理当前的主要应用方法,提炼出技术特点。在此基础上探索文本智能生成图像技术的创作过程、生成图像特点和艺术特性。从纵向角度与传统图像、数字图像进行比较分析,探讨人与人工智能在图像创作中因主体差异性而产生的创作过程的差异。最终探讨文本智能生成图像在艺术重构与艺
针对变电站中开关状态图像识别易发生误判的问题,提出了一种基于非下采样剪切波变换(NSST)图像融合的变电站开关图像识别方法。该方法采用可见光和红外光双摄像模式,得到开关可见光图像和红外图像,根据两者的特点与互补特性,采用基于NSST的图像融合算法对可见光图像和红外图像进行融合,生成含有两种开关图像丰富细节信息和特征量的融合图像,采用改进加速稳健特征(SURF)算法对融合图像进行目标特征量提取和匹配
作为电力变压器的重要部件,套管的管理与维护对于设备的安全稳定运行起着至关重要的作用。为提升电力设备巡检的智能化水平,文中提出一种基于卷积神经网络的套管故障红外图像识别方法,该方法在特征提取方面具有显著的优势,避免了人为提取描述特征的低效和易误判问题。首先,建立了包含正常、缺油与局部过热3种状态类型的套管红外图像样本库;然后,将规范化处理后的红外图像作为卷积神经网络的输入,搭建了套管故障红外图像识别
手势识别在人机交互领域具有重要作用。利用肤色检测算法对手势图像进行分割处理,基于轻量级卷积神经网络MobileNetV2,自建数据集训练,通过迁移学习,建立适用于移动设备的手势识别模型。
针对当前大部分深度学习目标检测算法庞大的运算量和空间占用,以及嵌入式设备与可移动设备有限的性能和功耗,对轻量化目标检测算法YOLO v4-tiny的具体应用展开研究。介绍了各类目标检测算法的发展历程和YOLO v4-tiny的实现原理,以人员检测为例用相同的数据集分别交给YOLO v4和YOLO v4-tiny进行训练并比较,结果得出YOLO v4-tiny具备轻量化优势。