發(fā)布時(shí)間：2024-07-03 01:47

　　圖像特征提取是指從圖像中提取出有利于圖像視覺任務(wù)的特征表達(dá),其表達(dá)能力直接影響圖像視覺任務(wù)的性能。近年來,深度學(xué)習(xí)極大地提升特征表達(dá)的泛化能力,性能表現(xiàn)優(yōu)于傳統(tǒng)學(xué)習(xí)方法,已成功應(yīng)用于圖像分類、目標(biāo)檢測等視覺任務(wù),甚至在某些領(lǐng)域超過了人類表現(xiàn)。目前,深度學(xué)習(xí)模型的研究內(nèi)容包括網(wǎng)絡(luò)架構(gòu)和損失函數(shù)兩大主要方向。前者探索深度卷積網(wǎng)絡(luò)中卷積的通道數(shù)、卷積層數(shù)、不同卷積核的組合以及不同分支的自適應(yīng)選擇等,通常以網(wǎng)絡(luò)基本塊為粒度構(gòu)建網(wǎng)絡(luò),而后者是度量深度卷積網(wǎng)絡(luò)的預(yù)測值和和真實(shí)值間距離,用于指導(dǎo)深度網(wǎng)絡(luò)的訓(xùn)練。這兩方面內(nèi)容均對深度卷積網(wǎng)絡(luò)的性能影響較大。事實(shí)上,它們皆是研究者們對不同深層特征語義信息的初步改造,具有重要的理論貢獻(xiàn)和廣闊的應(yīng)用前景。當(dāng)前面向圖像分類的網(wǎng)絡(luò)架構(gòu)和損失函數(shù)的研究點(diǎn)分別是關(guān)注機(jī)制和交叉熵?fù)p失函數(shù)。為此,本文主要工作為:1)設(shè)計(jì)新型的關(guān)注機(jī)制基本塊。關(guān)注機(jī)制是受人類視覺系統(tǒng)的注意力現(xiàn)象啟發(fā),其目的是關(guān)注感興趣的特征區(qū)域。當(dāng)前常用的關(guān)注機(jī)制主要是用于端到端訓(xùn)練深度網(wǎng)絡(luò)的軟關(guān)注,可分為通道關(guān)注和空間關(guān)注兩類,分別對應(yīng)著給通道加權(quán)和特征圖元素進(jìn)行加權(quán)操作。本文提出的新型關(guān)注機(jī)制,通過...

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖5.4局部地圖、掃描、幀、特征之?

棊于ＲＧＢ－Ｄ相機(jī)數(shù)據(jù)的室內(nèi)三維冀建摸型與方法研究表５．２計(jì)算任務(wù)分配表??計(jì)算乎臺(tái)?計(jì)算任務(wù)??ＡＲＭ＃１?畸變校正、深度圖像雙邊濾波等預(yù)處理、ＯＲＢ特征提取??ＡＲＭ?＃２?特征匹配與驗(yàn)證、掃描控制程岸??ＡＲＭ?＃３?ＳＬＡＭ＋＋增量式優(yōu)化??ＰＣ?．全麵地圏生成、三負(fù)網(wǎng)４....

圖1.5特征提取過程

在該特征空間上，圖像中的每個(gè)像素更具有可分性。如圖1.5所示，特征提取是通過某種變換操作P，將原始特征從輸入域X映射到特征域Y。在特征域中，同種類別樣本的特征值更相似，其表現(xiàn)是在距離上同種類樣本之間距離更近，不同種類樣本之間距離更遠(yuǎn)。這樣增加了樣本的判別性，提高分類器....

圖3.7感知損失網(wǎng)絡(luò)用于紅外與可見光圖像融合

基于無監(jiān)督深度學(xué)習(xí)的紅外與可見光圖像融合方法研究54當(dāng)使用感知損失網(wǎng)絡(luò)提取輸入源圖像深層特征時(shí)，將單通道紅外圖像、可見光圖像及調(diào)節(jié)圖像在通道維進(jìn)行級聯(lián)組成三通道作為輸入，模擬真實(shí)圖像；當(dāng)使用感知損失網(wǎng)絡(luò)提取融合后圖像深層特征時(shí)，因融合目標(biāo)明確且融合圖像單一，直接將三路同樣的融合圖....

圖2.1基于深度圖像序列的人體動(dòng)作特征提取方法流程圖

t傳感器）為本文獲取深度視頻序列提供了方便。在深度圖像中，每個(gè)像素代表了圖像中的深度值，從而保留了視覺信息中的三維信息。深度圖像在復(fù)雜背景、遮擋等因素的影響要比RGB小很多，并且在光照條件不同的情況下，紋理和顏色不發(fā)生改變，這些優(yōu)勢都為基于深度圖像序列的人體動(dòng)作識別研究提供了更多....

本文編號：4000336