【摘 要】
：
通过视觉获取图像信息是人类学习和生活的重要功能,失明则会显著降低其生活质量.因视网膜色素变性、青光眼和黄斑变性等疾病而造成后天失明者,以及由意外事故、战争等造成眼部创伤者,有可能通过人工视觉辅助系统的帮助恢复部分视觉,或者完成复杂的生活任务.一些盲症患者视觉通路的神经传导剩余部分依然有功能,因此可以借助电极阵列刺激视神经向大脑传递视觉信息,也可在大脑视觉皮层贴敷电极阵列的方法输入视觉信息.此外,还
论文部分内容阅读
通过视觉获取图像信息是人类学习和生活的重要功能,失明则会显著降低其生活质量.因视网膜色素变性、青光眼和黄斑变性等疾病而造成后天失明者,以及由意外事故、战争等造成眼部创伤者,有可能通过人工视觉辅助系统的帮助恢复部分视觉,或者完成复杂的生活任务.一些盲症患者视觉通路的神经传导剩余部分依然有功能,因此可以借助电极阵列刺激视神经向大脑传递视觉信息,也可在大脑视觉皮层贴敷电极阵列的方法输入视觉信息.此外,还能借助体外装置,如通过人工智能将视觉转换成语音指令、触觉阵列编码等,帮助盲症患者获得环境信息.本文综述各
其他文献
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
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
针对现有煤矿井下钻杆计数方法存在精度较低、抗干扰能力弱等问题,提出了一种基于ECO-HC的钻杆计数方法。使用ECO-HC算法实时跟踪钻杆目标,从而得到钻杆目标运动轨迹。通过分析钻杆目标轨迹波形图建立计数模型,实现钻杆计数。ECO-HC算法采用相关滤波和高效卷积操作方法,充分利用跟踪目标的特征信息,快速准确地得到跟踪目标在下一帧的位置。实验结果表明,ECO-HC算法在跟踪速度上达到了65帧/s,满足
【目的/意义】针对当前利用计算机管理图像资源存在图像语义特征表达不足等问题,探索和分析了特征及特征融合对分类结果的影响,提出了一种提高图像语义分类准确率的方法。【方法/过程】本文定义了四种图像风格,将图像描述特征划分为三个层次,探究特征融合的特点,寻求能有效表达图像语义的特征。分别采用SVM、CNN、LSTM及迁移学习方法实现图像风格分类,并将算法组合以提高分类效果。【结果/结论】基于迁移学习的R
针对跨域行人重识别应用中源域与目标域差异较大、现有模型无法在剥离域信息的同时有效获取关键身份信息的问题,提出一种基于对抗学习分离图像域信息与身份信息的方法 .该方法由域分离和对抗学习两个阶段构成:域分离阶段分离图像行人特征和域特征;对抗学习阶段通过特征提取器与相机分类器的对抗学习,提升模型对域信息与身份信息的区分能力.在Market-1501,DukeMTMC-reID和MSMT17数据集上开展跨
徘徊行为判定作为异常行为识别的热点难题,目前存在难以构建具有场景特定性的识别模型问题.特定场景下的行人轨迹数据,或是有标签,或是无标签,针对如何利用特定场景下有标签轨迹数据信息问题,结合行人多种轨迹特征,提出基于分类函数的徘徊行为识别模型,能够通过分类函数自动学习该场景下有标签轨迹数据中的徘徊行为模式;针对如何利用特定场景下无标签轨迹数据信息问题,提出基于异常检测的徘徊行为识别模型,能够在大量无标