【摘 要】
：
为解决在识别过程中存在手背静脉图像信息严重缺失而造成识别效率低下的问题,提出基于分离表示学习严重缺失手背静脉图像的修复算法.基于图像到图像转换的互信息估计表示学习的原理,通过一个共享属性部分编码网络和一个独占属性部分的编码网络来进行特征信息的分离表示,学习静脉关键点与完整静脉骨架图像之间的映射,进而实现基于部分关键点对静脉严重缺失图像的良好修复.为保证生成图像的质量,采用对抗损失与感知损失保证图像
论文部分内容阅读
为解决在识别过程中存在手背静脉图像信息严重缺失而造成识别效率低下的问题,提出基于分离表示学习严重缺失手背静脉图像的修复算法.基于图像到图像转换的互信息估计表示学习的原理,通过一个共享属性部分编码网络和一个独占属性部分的编码网络来进行特征信息的分离表示,学习静脉关键点与完整静脉骨架图像之间的映射,进而实现基于部分关键点对静脉严重缺失图像的良好修复.为保证生成图像的质量,采用对抗损失与感知损失保证图像的语义真实性与信息完整性,采用循环一致性损失对分离表示网络得到的分离内容和属性表示的循环重建进行约束.实
其他文献
针对RGB图像在光照条件较差的情况下,难以检测其显著性目标区域,热红外(T)图像具有红外热辐射,难以检测其显著性目标边界的问题,提出一种基于RGB、T图像信息融合互补的显著性检测算法。首先,基于IHS颜色空间建立图像光照条件,判断RGB、T图像的光照情况;并提出RGB-T图像自适应光照融合算法,该算法根据图像的光照情况引导RGB-T图像的融合,以生成多级RGB-T光照融合图像,提高显著性目标的区域
光子计数成像技术具有灵敏度高、时间分辨率高、光子利用率高的特点,是近年来激光雷达技术领域的研究前沿。高效的图像重建算法能在硬件系统的基础上以较低的代价提升重建图像的质量或突破单纯依靠硬件技术的瓶颈,成为光子计数成像技术领域的热点问题。针对已有的光子计数成像算法,系统梳理了光子计数成像技术的原理与特点,对若干典型问题进行了深入的调研与讨论,并对该领域未来的发展趋势进行了思考与展望。
在变电站二次侧管理中,压板承担着重要作用。针对现有压板状态识别方法效果不理想的问题,提出了一种融合注意力机制的双线性细粒度压板状态识别方法。首先,通过注意力机制将注意力集中到压板接触部分;然后,利用双线性细粒度模型将重点集中到与压板开闭相关的关键区域;最后,从关键区域中提取有效的特征以实现对压板状态的准确识别。实验结果表明,本方法能实现压板状态的端到端识别,识别准确率可达到98%;且相比传统方法,
针对现有数字水印算法对于几何攻击稳健性差、嵌入彩色版权图像信息量过多导致效率低下等问题,提出一种基于SURF(speed up robust features)几何校正和半色调映射加密的彩色零水印算法。基于SURF提取载体图像的特征点,并将其特征点信息保存为密钥用于实现盲检测。在版权验证过程中,提取受攻击图像的特征点并进行密钥匹配,使用筛选后的特征点估计出仿射矩阵,对受攻击的图像进行几何校正。同时
三维激光扫描点云在采集和处理后生成的三角化网格,由于测量设备限制或模型自身形状特点常包含孔洞,这类孔洞会给后续三维重建带来障碍。针对孔洞修补问题,提出了一种激光三角网格曲面点云孔洞修补算法。首先对封闭孔洞通过遍历三角网格确定三角面片边界,检测孔洞。其次基于最小角度法在孔洞多边形处快速生成新三角面片,形成初始网格。然后融合最小二乘网络与径向函数隐式曲面,利用最小二阶导数对曲面曲率进行最小化,并与原始
针对基于三维(3D)变形模型的人脸图像重建方法对人脸特征点检测不准确导致的重构模型形状表达能力不稳健问题,提出了一种优化3D变形模型参数的重建方法。首先,通过改进的位置映射图网络准确提取和定位人脸特征点,并以此为基础得到初始模型参数。然后,为了提高模型的精准度和泛化能力,融合基于回归方法得到的参数获取优化的模型参数。最后,对3D变形模型进行优化,得到最终的人脸模型。用真实人脸作为实验数据的结果表明
随着机器学习领域研究的持续发展,特别是深度学习方面的进步及图像处理器(GPU)等算力的持续提高,利用生物特征大数据的识别技术获得广泛关注,并在人证比对、智能监控以及疫情防控等多个领域取得了很好的应用。分析了大数据生物特征识别技术的发展态势,总结了生物特征类型以及大数据驱动的生物特征识别技术发展与应用,探讨了大数据生物特征识别技术的未来发展趋势。
目标运动场景去模糊问题是一个具有挑战性的病态逆问题,这是因为在动态场景中不同目标和背景区域可能会存在不同的模糊核.现有的基于能量优化的去模糊方法是将模糊图像分割成具有不同模糊度的多层图像,然后对不同的模糊层进行去模糊处理,然而其优化方案往往涉及迭代,耗时又烦琐.针对目标区域与背景区域可分离的模糊场景,结合传统的基于能量优化和基于深度学习方法的优点,提出一种基于深度对抗网络和局部模糊探测的目标运动场
图表示法通常用于个人或者总体级别上对结构化数据进行建模分析,已成功应用于网络分析、交通预测、推荐系统等领域.随着成像设备的发展和普及,从神经影像中学习脑的连接特性,开展基于脑网络的疾病诊断(自闭症、阿斯海默症等)受到广泛关注.图表示法可用于对一组大脑区域之间的结构或功能连接进行建模,揭示与大脑发育和疾病有关的模式,然而评估基于图结构的脑连接网络之间相似性并非易事.传统的深度学习方法无法适用图结构,
针对基于图像识别的报警系统研究,采用了DSP技术、图像处理技术、RFID技术等,实时勘测裂缝的动态变化,并迅速定位发出警报。图像处理方面,对图像完成PCA降维后进行OTSU分割,然后通过Wiener算法完成复原,最后经泊松融合后提取HOG特征,完成裂缝特征提取;最后对裂缝特征进行分析,设计了裂缝面积占比、区域裂缝面积占比、裂缝面积变化速率3种预警准则,当3种准则均满足时认定存在危险,实时上报进行报