【摘 要】
：
混凝土的不同配合比决定了材料的性能，对于多种配比和粒径大小混凝土图像的分类研究，有利于工业废弃混凝土的高效回收利用。为了提升分类效果，提出了一种新的特征提取模块—ITFA-DLF(Image Texture Feature Aided Deep Learning Feature)，该模块在图像分离重构出的R、G、B三个通道上，使用卷积神经网络(Convolutional Neural Networ
论文部分内容阅读
混凝土的不同配合比决定了材料的性能，对于多种配比和粒径大小混凝土图像的分类研究，有利于工业废弃混凝土的高效回收利用。为了提升分类效果，提出了一种新的特征提取模块—ITFA-DLF(Image Texture Feature Aided Deep Learning Feature)，该模块在图像分离重构出的R、G、B三个通道上，使用卷积神经网络(Convolutional Neural Network，CNN)提取三通道图像的颜色特征，使用多块局部二值模式(Multi-Block Local Bina
其他文献
双目深度估计的在线适应是一个有挑战性的问题,其要求模型能够在不断变化的目标场景中在线连续地自我调整并适应于当前环境.为处理该问题,本文提出了一种新的在线元学习适应算法(Online Meta-learning Model with Adaptation,OMLA),其贡献主要体现在两方面:首先引入在线特征对齐方法处理目标域和源域特征的分布偏差,以减少数据域转移的影响,然后利用在线元学习方法调整特征
针对由于人脸姿势、光照不均、拍摄环境、拍摄设备等内外部因素造成图像分辨率低的问题，提出融合注意力机制的高分辨人脸识别图像重建模型。首先以低分辨率人脸图像对作为两个生成器输入，通过残差块和注意力模块堆叠网络提取人脸特征信息，进而生成高分辨率人脸图像。训练中使用一个鉴别器来监督两个生成器的训练过程。利用Adam算法对鉴别器、生成器以及对抗损失函数进行迭代优化来提升网络模型性能。模型在CASIA-Web
地铁运行产生的杂散电流已成为地电阻率观测的主要干扰源之一.2020年1—3月南京地铁进行了5次大规模运营调整.本文选取地铁运营调整期间江宁台地电阻率观测数据，结合地铁运营调整方案和杂散电流产生机理及特征，通过分析均方差变化比较了地铁运营时间、行车间隔调整对江宁台井下和垂向地电阻率观测的影响，在此基础上初步探讨杂散电流对地电阻率观测的干扰机理.发现：①运营时间调整后，地铁干扰时间段为首班时间前约2小
视频中的人体动作识别是计算机视觉领域研究的热点，基于人体骨架的动作识别方法可以明确地表现人体动作，已逐渐成为该领域的重要研究方向之一。针对目前主流人体动作识别网络参数量大，计算复杂度高等问题，本文提出一种融合多流数据的轻量级图卷积网络。首先，通过多流数据融合算法，对4种特征数据流进行融合，一次训练就可以得到最优结果，从而降低网络参数量；其次，设计了基于图卷积网络的非局部网络模块，能够捕获图像全局信
实际应用中人脸图像的遮挡对人脸识别准确率具有重要影响，当前处理带遮挡人脸识别主要有丢弃法和修复法两种。丢弃法因忽略或丢弃大量遮挡区域的有效特征易造成识别准确率不高，而当前大多数修复法需要已知原图相关信息进行修复，限制了其应用。针对现有修复法的不足，本文提出一种基于循环生成对抗网络的人脸识别方法。该方法先利用两对生成器和判别器循环训练，实现遮挡人脸图像的盲修复，此过程不需要除遮挡区域外的原图信息；在
人体骨骼点数据相对于RGB视频数据具有更好的环境适应性和动作表达能力，因此基于骨骼点数据的动作识别算法得到越来越广泛的关注和研究。近年来，基于图卷积网络（GCN）的骨骼点动作识别模型表现出了很好的性能，但多数基于GCN的模型往往使用固定空间配置分区策略且手动设定各骨骼点之间的连接关系，无法更好适应不同动作的变化特征。针对此问题，本文提出多配置分区的自适应时空图卷积网络用于骨骼点动作识别，通过搜索更
零次学习是迁移学习在图像识别领域一个重要的分支。其主要的学习方法是在不使用未见类的情况下，通过训练可见类语义属性和视觉属性映射关系来对未见类样本进行识别，是当前图像识别领域的热点。现有的零次学习模型存在语义属性和视觉属性的信息不对称，语义信息不能很好地描述视觉信息，从而出现了领域漂移问题。未见类语义属性到视觉属性合成过程中部分视觉特征信息未被合成，影响了识别准确率。为了解决未见类语义特征缺失和未见
红外热像的自动识别是变电设备缺陷与故障诊断的重要手段。针对目前变电设备的红外热像识别存在的极易受到背景杂波干扰、图像视觉效果差、缺乏智能方法等问题，使用快速导向滤波在去噪时保留边缘信息，提出参数自调整的Retinex算法对图像进行增强，提高红外热像的对比度；改进YOLOv3网络的特征提取网络与损失函数提高变电设备的识别精度。经测试，五种变电设备的识别平均准确率可以达到94.85%，每张图片的识别速
重采样操作通过几何变换使伪造的图像更加逼真。JPEG图像作为信息的重要载体，对其进行重采样检测至关重要。光谱分析法对于JPEG图像的下采样检测较为困难。依据重采样引起的块效应网格移位，其差分图像相邻极值的间隔遵循几何分布，并在直方图上呈现周期性的峰值。由于图像纹理的统计特征具有周期性，干扰直方图的提取，影响检测结果的准确性。本文提出一种纹理免疫块效应分析模型，用于JPEG预压缩图像的降尺度因子估计
利用一阶谱图卷积探索类别标签间关系是目前多标签图像识别常用的手段。但是，较多的图卷积层数易于出现过度平滑现象，因此用一阶谱图卷积直接探索标签相关性具有局限性。为此，提出一种基于自适应多尺度图卷积网络的多标签图像识别方法，主要思路为：采用块Krylov子空间形式的谱图卷积来挖掘类别标签间的相关性，在每个图卷积层中拼接多尺度信息并扩展到深层结构，并在自适应标签关系图模块所构建的关系图上学习分类器，从而