排序方式: 共有8条查询结果,搜索用时 140 毫秒
1
1.
Pedestrian attribute recognition is often considered as a multi-label image classification task. In order to make full use of attribute-related location information, a saliency guided sel-attention network ( SGSA-Net) was proposed to weakly supervise attribute localization, without annotations of attribute-related regions. Saliency priors were integrated into the spatial attention module ( SAM ). Meanwhile,channel-wise attention and spatial attention were introduced into the network. Moreover, a weighted binary cross-entropy loss ( WCEL) function was employed to handle the imbalance of training data. Extensive experiments on richly annotated pedestrian ( RAP) and pedestrian attribute ( PETA) datasets demonstrated that SGSA-Net outperformed other state-of-the-art methods. 相似文献
2.
提出了一种基于深度融合的深度图像修 复算法。对于单幅深度图像,首先利用形态学操作进行空洞区域优化,消除深度图像中的间 隙和随机噪声;然后针对迭 代滤波过程,提出一种新的深度融合策略计算深度值,并通过对空洞区域的分析,判断深度 图像中空洞区 域类型,自适应选择结构元进行迭代操作;最后利用局部深度值重建方法对受损的边缘处深 度值进行修复。 实验结果表明,本文算法在较好的修复深度图像中存在空洞和间隙的同时,能够保持原始深 度图深度值分 布规律,克服修复过程中存在的深度值失真,边缘模糊等不足。基于标准数据集Middlebury 的对比试验结果表明,本文算法与其它算法相比,获得了良好的效果。 相似文献
3.
针对刑侦图像分类问题,提出一种基于多核支持向量机的多示例学习(MIL)算法.首先,该方法采用金字塔网格划分法对刑侦图像进行分块,再将每幅图像作为一个多示例包,每个子块的底层视觉特征作为包中的示例,将刑侦图像分类问题转化为MIL问题;然后,采用K-means双重聚类方法对所有多示例包进行聚类生成聚类中心并定义为视觉字,再把视觉字的集合构造成视觉投影空间;最后,通过设计的非线性投影函数将每个包映射为视觉投影空间中的一个点,则MIL问题被转化为一个标准的有监督学习问题,并采用多核支持向量机(MKSVM)来训练刑侦图像分类器.基于真实刑侦图像库的对比实验表明,所提方法具有较好的鲁棒性,且分类精度高于其他方法. 相似文献
4.
5.
刑侦现勘图像数据库是具有保密性高、图像内容罕见等极具行业特色的图像数据库.针对现勘图像内容复杂、目标物体不明确的特点,提出了DCT-DCT波纹理特征,并与HSV颜色直方图特征、GIST特征相融合构成融合特征.与常用的图像特征相比,DCT-DCT波纹理特征能够得到较高的检索效率,而融合特征的平均检索查准率高于构成其本身的三种特征的平均检索查准率.最后,将语义分析技术引入到检索过程中,提出基于检索结果优化的现勘图像检索算法,利用支持向量机(Support Vector Machine,SVM)分类器对查询图像进行语义提取,并对初次检索的结果进行语义分析,根据初检结果中语义类别的占比选择二次检索方案,该算法能在按例查询的基础上进一步提高平均检索查准率. 相似文献
6.
7.
基于EMD-CkNN多示例学习算法的图像分类 总被引:3,自引:1,他引:3
针对自然图像场景分类问题,根据Citation-kNN算法思想,提出一种新的基于多示例学习(MIL)的图像分类方法。将整个图像当作多示例包,图像分割的区域当作包中的示例,在度量图像包间的相似距离时,利用改进的推土机距离(EMD)代替Citation-KNN算法中的最小Hausdorff距离(minHD),用于图像分类。在Corel图像库上的对比实验结果表明,分类准确率更高。 相似文献
8.
图像分类作为计算机视觉领域中的重要研究方向之一,应用领域非常广泛.基于深度学习的图像分类技术取得的成功,依赖大量的已标注数据,然而数据的标注成本往往是昂贵的.主动学习作为一种机器学习方法,旨在以尽可能少的高质量标注数据达到期望的模型性能,缓解监督学习任务中存在的标注成本高、标注信息难以大量获取的问题.主动学习图像分类算法根据样本选择策略,从未标记样本数据集合中选择出信息量丰富,对分类模型训练贡献更高的样本进行标注,以更新已标注训练数据池,如此循环直至满足给定的停止条件或模型标注预算耗尽.本文对近年来提出的主动学习图像分类算法进行了详细综述,并根据所用样本数据处理及模型优化方案,将现有算法分为三类:基于数据增强的算法,包括利用图像增广来扩充训练数据,或者根据图像特征插值后的差异性来选择高质量的训练数据;基于数据分布信息的算法,根据数据分布的特点来优化样本选择策略;优化模型预测的算法,包括优化获取和利用深度模型预测信息的方法、基于生成对抗网络和强化学习来优化预测模型的结构,以及基于Transformer结构提升模型预测性能,以确保模型预测结果的可靠性.此外,本文还对各类主动学习图像分类算法... 相似文献
1