摘要：针对单目静态图像中姿态估计方法易受遮挡干扰的问题,提出基于部位遮挡级别的可形变姿态估计方法.首先定义遮挡级别为人体部位的被遮挡程度,其通过计算部位遮挡比例和部位方向获得;然后根据遮挡级别为每个部位建立对应级别的部位检测器,并给出基于遮挡级别的部位间形变模型;最后依据以上2个模型的总体匹配得分,获得最合理的人体姿态.在标准数据集IP和LSP上的实验结果表明,该方法提高了姿态估计的整体准确率,特别是减少了有遮挡情况下的部位误匹配问题.

摘要：在跟踪形变目标时,为了克服采用颜色特征分割和学习目标模型而产生跟踪漂移的问题,提出一种基于显著性分割与目标检测的跟踪方法.该方法采用图流形排序方法对超像素进行显著性分割来获得显著、高质量的目标像素,并使用这些像素的颜色和梯度量化值及其与目标中心的相对位置关系来表示目标模型,通过目标模型检测目标中心位置实现跟踪;以全局颜色特征作为漂移约束条件,对由目标持续形变而产生的中心位置漂移进行修正;在跟踪过程中,将跟踪结果作为正样本对显著分割和全局颜色特征进行约束,依据显著分割结果更新目标模型.实验结果表明,文中方法有效地提高了形变目标跟踪的精度和稳定性.

摘要：针对高光谱遥感图像光谱信息维度大,标注训练样本较少的问题,提出适合小训练样本的高光谱遥感图像分类框架HSI-CNN,减少模型参数数量的同时保持神经网络深度。通过主成分分析方法进行图像模式不变性以及光谱通道贡献率分析,消除光谱冗余信息。设计了适用于小样本高光谱遥感图像的全卷积神经网络结构,有效降低网络参数数量。提出3种HSI-CNN结构,并对不同结构进行了比较分析。在高光谱遥感数据集Pavia University和Salinas上的实验结果表明,HSI-CNN能够利用少量训练样本有效地提取光谱特征信息,取得了较优的分类性能。

摘要：遥感图像空间分辨率较低,如何提取遥感图像特征是提升遥感图像分类性能的重要问题.提出SAT-CNN,一个基于卷积神经网络的遥感图像分类框架用于提取遥感图像特征.设计了四个构件块并逐层堆叠构成SAT-CNN,其中两个构件块用于提取遥感图像局部区域的底层特征,其他两个构件块用于提取遥感图像局部区域间的空间位置关系.对SAT-CNN采用三种不同的参数配置进行训练,通过分析分类精度、SAT-CNN特征的迁移性以及图像通道来研究SAT-CNN特征提取的准确性和通用性.实验结果表明,SAT-CNN在SAT-4以及SAT-6数据集上达到了较高的分类精度,能够提取适合遥感图像分类的图像特征.

摘要：近年来,随着互联网技术的发展,图像数据呈现爆炸式增长,图像检索已成为广泛关注的热点问题。提出一种基于Hadoop和Elastic Search的多特征融合图像检索方案。为实现分布检索,该方案给出了视觉词典生成、图片向量化和多维倒排索引的构建方法。为了提高检索精度,设计了Root SIFT、颜色矩、Gabor特征,给出了三种特征融合方法。在Corel-1000标准图像库和ILSVRC2015数据集上的实验结果表明,该方案在分布式平台上具有较快的响应速度以及较高的检索精度。

摘要：批归一化训练技术是训练现代神经网络的重要技术之一。它通过归一化各个隐藏层的均值和方差,减少了梯度爆炸或消失现象的发生。然而批归一化技术统计的均值和方差依赖于每一个mini batch的数据分布,导致训练时稳定性较差。提出了BN-cluster算法,基于构建块的思想设计了卷积神经网络框架用于分类图像数据集。分析了批归一化问题,统计了每一个批归一化输出结果均值的方差,并且设计了基于批归一化参数聚类的卷积神经网络集成算法,实验结果证明采用集成学习的方法确定批归一化的参数,网络在各个数据集上的训练波动均有所降低,保证了在不降低原有性能的同时使网络的收敛更加稳定、快速。