基于边缘计算的CNN图像分类系统设计

针对目前物联网在图像识别任务中,海量视频终端通过网络将图像传输至云计算中心进行集中处理,造成的云计算中心计算负载大、图像处理延时高、视频图像隐私性低等问题.提出了一种基于边缘计算的实时图像处理的方法.该方法利用边缘节点在物理位置上更靠近视频源的特点,将图像分析处理的复杂计算任务从云计算中心迁移至边缘节点完成.设计CNN...     

针对肝包膜特征图的自动化提取方法

为了自动化提取肝包膜及其上下组织特征图,实现全自动特征学习,文中提出采用频域处理与图像形态学处理的方法对图像进行预处理,并借鉴移动平均法提出二路交叉感受野策略,由感受野映射区域进行特征筛选与分析。通过对数能量函数识别并定位目标区块,从而实现对肝实质病变特征、肝包膜、肌肉脂肪层纹理特征数据提取与分析,并根据数据分析获取肝包膜及其上下组织特征图。根据特征区域的相对位置,提出区块纠错机制对误检区块进行校正,使其更具鲁棒性。实验结果表明,在对肝硬化超声图像中的肝包膜及其上下组织特征图的提取过程中,该提取机制在正常、轻度、中度阶段特征提取均达到100%的准确率,对于重度病情阶段的特征提取准确率达到84.6%。     

基于非局部自相关的复制粘贴检测算法

针对数字图像复制-粘贴篡改无法区分目标与来源的问题,文中通过改进相似度匹配算法和利用非局部自注意力机制,在定位出篡改区域的前提下,解决了篡改源区域和目标区域的分类问题。总体框架为双分支检测网络,主分支采用经典U-net分割篡改区域像素,副分支通过孪生网络进行特征提取并计算自相关性,从而分割出篡改目标与源区域像素。将双分支融合后进行端到端训练,最终网络预测出三分类结果。实验结果表明,文中算法检测定位目标区域时的像素级分类精确率达到了80.47%,且F1值及准确度均优于对比算法。可视化结果和鲁棒性实验也表明文中算法具有良好的泛化性能。     

基于网格法分集和主动学习的高光谱图像分类方法

针对高光谱图像分类过程中分类精度低和样本数量较少的问题,文中提出了一种基于网格法分集和主动学习的图像分类方法。该方法利用网格法将主成分空间划分成若干网格,在每个含有样本的网格中随机挑选一个样本,并将其原始光谱数据归入训练集;随后,采用主动学习方法,在其余样本中用K-近邻法选择不确定性最大的若干样本并入训练集,从而扩充了训练集,并使数据集具有代表性,提升了分类精度。同时,在数据处理过程中,联合运用主成分分析和线性判别分析对光谱数据进行降维,进一步提高了运算速度。实验结果表明,在Indian Pines高光谱数据集中,在少量训练集样本的情况下,该方法相较于随机分集和非主动学习,分别将总体分类精度提升了12.24%和19.76%。     

基于深度学习的自动抠图技术研究

针对计算技术视觉中的抠图问题,分析利用人工智能技术进行自动抠图的实现方法,通过深度学习技术结合大数据的优势实现端到端的精准抠图。首先,列出抠图技术在生活中的应用场景;然后,介绍抠图任务的目标和实质,并将抠图与图像分割进行对比分析;接下来重点介绍近年来利用深度卷积网络实现自动抠图的五类模型和算法,分析其在模型结构、数据集构建、模型训练方面的不同特点和实现方法;最后,归纳总结基于深度学习的自动抠图方法和精细的抠图数据集的创建方法。     

基于神经网络的图像分类模型的设计与实现

传统的图像分类方法是采用人工分类图像的即由人眼观察到色彩特征进行特征分类的。随着人工智能时代的到来,图像自动分类处理技术已成为一项研究热点。研究以残差神经网络模型中的Res Net50为目标场景,以残差神经网络在图像分类中的应用及网络优化为切入点,将Res Net50神经网络模型应用到CIFAR10图像集的图像分类问题上,从优化网络模型和优化特征层抽取技术两个方面,对图像分类模型进行了改进。同时对梯度消失,过度拟合等一系列训练过程中可能会遇到的问题进行分析,通过在Res Net50模型的两个卷积层间增加Dropout层和在图像加载到Res Net50模型前进行一系列图像增强技术以便能改善残差网络的结构,从而达到最好的图像分类效果。     

图像尺寸测量仪校准方案的研究

分析了图像尺寸测量仪的工作原理与目前的应用现状,参考国家标准与相近的校准规范,对其示值误差提出了一种校准方案,经实验验证该方案可满足该仪器的校准需求。     

浅谈电子证据与数字取证

文章从电子证据以及计算机取证的概念出发,介绍了数字取证工具的种类以及相应数字取证工具及其应用,并结合大数据、云计算等新型计算机技术,探究数字取证技术所面临的问题和挑战。     

基于知识蒸馏与改进ViT网络的花卉图像细粒度分类

由于自然条件下拍摄的花卉图像背景复杂,而且其存在类内差异性大和类间相似性高的问题,现有主流方法仅依靠卷积模块提取花卉的局部特征难以实现准确的细粒度分类。针对上述问题,本文提出了1种高精度、轻量化的花卉分类方法(ConvTrans-ResMLP),通过结合Transformer模块和残差MLP(multi-layer perceptron)模块实现对花卉图像的全局特征提取,并在Transformer模块中加入卷积计算使得模型仍保留提取局部特征的能力;同时,为了进一步将花卉分类模型部署到边缘设备中,本研究基于知识蒸馏技术实现对模型的压缩与优化。实验结果表明,本文所提出的方法在Oxford 17、Oxford 102和自制的Flowers 32数据集上的准确率分别达98.62%、97.61%和98.40%;知识蒸馏后本文的轻量化模型的大小约为原来的1/18,而准确率仅下降2%左右。因此,本研究能较好地提升边缘设备下花卉细粒度分类的效率,对促进花卉培育的自动化发展具有切实意义。