检索结果-内蒙古大学图书馆

作者：齐秀梅燕山大学

学位级别：硕士

相位成像的关键是相位恢复,相位恢复是指利用某种线性变换的幅值对原始图像进行重建。本文研究在SPICA(Single-shot Phase Imaging with a Coded Aperture)成像模型下的近场相位恢复算法。由于相位信息的缺失,该问题是病态的,具有不适... 详细信息

相位成像的关键是相位恢复,相位恢复是指利用某种线性变换的幅值对原始图像进行重建。本文研究在SPICA(Single-shot Phase Imaging with a Coded Aperture)成像模型下的近场相位恢复算法。由于相位信息的缺失,该问题是病态的,具有不适定性。本文在稀疏表示的基础上,利用图像的全变差和图像梯度域的重叠组结构稀疏性,对近场相位恢复算法进行研究,具体研究内容如下:首先,针对SPICA成像模型中包含两个菲涅尔衍射过程,利用复图像幅值部分和相位部分的全变差,改进了两步求解的单次测量相位恢复算法。算法分为两个步骤,第一步利用HIO算法恢复掩膜之后的光场,第二步将幅值和相位的全变差作为正则项来求解对应的压缩感知问题。对第二步的求解使用了两种方法,实验结果验证了本章算法的有效性。其次,将SPICA成像模型中的两个菲涅尔衍射过程看作一个整体过程,同样利用幅值部分和相位部分的全变差,提出了基于全变差的单次测量相位恢复算法。然后通过对离散全变差求偏导,使用最速下降法求解相应的最优化问题。通过实验结果,表明该算法的重构结果明显优于对比算法。最后,针对全变差在图像处理中引起的阶梯效应问题,提出了基于结构稀疏性的单次测量相位恢复算法。该算法利用图像全变差的重叠组结构稀疏性,将重叠的结构稀疏正则项以卷积形式表示,使求解过程更简单,并利用最速下降法求解相应的优化问题。实验结果表明,该算法在有噪声的情况下也能够有效地实现对复图像的重构。

关键词：相位恢复近场衍射全变差结构稀疏性最速下降法

来源：评论

学校读者我要写书评

暂无评论

利用结构稀疏性提高大脑电生理学连通性估计的准确性

利用结构稀疏性提高大脑电生理学连通性估计的准确性

引用

作者：王颖电子科技大学

学位级别：硕士

利用电生理数据估计大脑的连通性是研究大脑动力学系统的重要手段。复杂的神经系统在其活动中产生的电磁信号为研究其生物物理过程提供了途径,EEG(Electroencephalography)和MEG(Magnetoencephalography)能够以非侵入式高时间分辨率地... 详细信息

利用电生理数据估计大脑的连通性是研究大脑动力学系统的重要手段。复杂的神经系统在其活动中产生的电磁信号为研究其生物物理过程提供了途径,EEG(Electroencephalography)和MEG(Magnetoencephalography)能够以非侵入式高时间分辨率地采集到这些电生理信号。通过EEG/MEG逆问题技术,不仅能够重建出颅内源空间的电生理信号,而且也可以估计出源空间的连通性。然而估计EEG/MEG源空间连通性面临着源泄漏的挑战,因为泄漏会造成虚假的连通性。因此本文从线性源模型的泄漏控制角度对连通性重建方案进行了讨论,并提出了相关的验证实验,评估了连通性估计方法的泄漏消除性能,证明了借助结构稀疏性的方法能够精确地估计大脑电生理连通性:首先,本文介绍了以大脑生物物理过程建立的状态空间和图模型的理论框架,并在此基础上介绍了源空间的信号估计和连通性估计方法。然后,本文对利用重建的源空间信号来估计连通性的两步估计策略进行了讨论。指出了采用泄漏校正的两步连通性估计典型实践中的四个关键步骤存在的问题,其中最重要的是证明了源空间泄漏造成了非零相位的影响。本文对此给出了相应的解决方案:相比使用EEG/MEG的时域带限信号的协方差,采用带限的希尔伯特包络的协方差来估计频域的逆问题更精确;为了保留相位信息,应该使用源空间复数希尔伯特包络计算协方差;由于源泄漏并非只影响零相位关联性,在关于偏相干的Graphical Ridge估计的基础上本文通过求解真实互功率谱的代数Riccati方程消除泄漏的非零相位的连通性失真;根据网络的结构稀疏性,使用无偏的Hermitian Graphical LASSO(hgLASSO)估计逆协方差矩阵得到偏相干。接着,为了降低连通性估计维度,根据结构稀疏假设,本文在贝叶斯框架重新审视了逆问题,引出了Paz-Linares等人提出的源空间信号重建方法——频域结构化稀疏贝叶斯学习(Spectral Structured sparse Bayesian Learning,sSSBL)。由于利用观测数据直接估计模型参数的一步估计方法——隐高斯图源模型(Hidden Gaussian Graphical Source-model,HIGGS)在高维估计中需要sSSBL为其筛选体素空间以及设定初值,以保证算法收敛,因此在介绍sSSBL的精确源定位性能之后,本文利用典型相关分析计算了重建的源电生理信号和血液动力学信号之间的频率耦合特性。根据结果发现两者的频率耦合关系与此前文献报道的局部场电位(Local field potential,LFP)与血氧水平依赖(Blood oxygenation level dependent,BOLD)信号的关系一致,证明了sSSBL重建得到的源信号也具有良好的频率特性,进一步验证了其能够精确地估计源空间信号。另一方面,通过贝叶斯框架也揭示了两步估计中存在将源信号协方差作为先验固定的问题,进而介绍了Paz-Linares等人为源空间连通性估计设计的三层贝叶斯模型HIGGS方法,以及其中用于偏相干估计的无偏hgLASSO。最后为了比较各种源连通性重建方案,本文在xi-alpha模型和Hermitian Gaussian Graphical Model(hGGM)模型的基础上使用向量自回归模型建立了更加符合真实大脑电生理时空特性的时域仿真。通过对比仿真验证中各方法的性能表现,证明了本文对两步法使用AREC校正等改进手段是有效的。而HIGGS方法在本文的仿真中对连通性估计非常精确,为EEG和MEG进行大脑连通性估计提供了可靠手段。综上所述,本文为大脑电生理数据用于高维神经动力学的研究提供了理论和方法的支持。结合仿真和真实数据的结果本文验证了连通性估计方法的可靠性,推进了EEG/MEG连通性估计在大脑认知活动和医疗健康领域应用的发展。

关键词：电生理数据泄漏状态空间模型连通性结构稀疏性

来源：评论

学校读者我要写书评

暂无评论

基于结构稀疏性池化的多层级图分类神经网络研究

基于结构稀疏性池化的多层级图分类神经网络研究

引用

作者：周玉欣西南交通大学

学位级别：硕士

随着大数据产业的快速发展,深度学习已成为人工智能技术发展的引领者,为各行各业带来新的发展机遇。而图结构数据的大量涌现,图结构数据在日常生活中较为常见,使其成为近年来备受青睐的数据转化和研究对象。本文主要通过挖掘分析图结构... 详细信息

随着大数据产业的快速发展,深度学习已成为人工智能技术发展的引领者,为各行各业带来新的发展机遇。而图结构数据的大量涌现,图结构数据在日常生活中较为常见,使其成为近年来备受青睐的数据转化和研究对象。本文主要通过挖掘分析图结构数据知识特征,对深度学习技术中的图神经网络(Graph Neural Network,GNN)模型进行深入研究,具体研究内容如下: 相比于图像信息,图结构数据特征信息更难以获取,深度学习作为一门依赖大量数据和算力的学科,其模型在小数据集下,往往呈现过拟合等情况。为解决图学习中的这一问题,受传统图像修复算法的启发,从先验知识、数据增强、网络架构等层面,提高模型的信息提取能力,提出了多层级图分类神经网络与对比学习预训练模型。为缓解过拟合的问题,从信息提取的角度,提出了基于图结构稀疏性与注意力机制的K节点稀疏池多层级图分类模型(Sparsity ATop K)。该模型在池化层面实现先验知识和语义知识的融合,设计了基于结构稀疏性与注意力机制的稀疏池化层(Sparsity Pool),缓解了过拟合的问题,并提高了模型分类表现。同时,对所提出的池化层进行了多种实现,并从池化层面、网络架构层面,将Sparsity ATop K与实验基准模型在多个数据集上进行实验对比分析,证明了提出的Sparsity ATop K模型具有更高的分类性能。另外,对模型的参数敏感性、训练收敛等情况进行了分析,全面分析了模型性能与各变量间的关联性。考虑图结构数据的多视图特性,为充分挖掘数据特征并进一步提高分类精度,在基于结构稀疏性池化的多层级图神经网络的基础上,研究分析了多视图学习下的图神经网络模型,提出了基于稀疏性多层级学习的对比学习K节点稀疏池预训练模型(CLSparsity ATop K),以及在此基础上的两阶段分类模型。并在通过数据增强得到的多视图图结构数据集上完成了图分类任务的实现。在实验中,实现了多种数据增强方法,并将所提出的模型与实验基准模型在多个数据集上进行对比分析,证明了所提出模型在图分类任务上性能更好,并对新模型的参数敏感性进行了分析。最后,对本研究进行了总结与展望,指出了研究的不足之处以及未来改进的方向。

关键词：图神经网络结构稀疏性对比学习注意力机制图数据增强

来源：评论

学校读者我要写书评

暂无评论

利用块间耦合稀疏贝叶斯学习的建筑物布局成像方法

引用

电子与信息学报 2018年第4期40卷 853-859页

作者：晋良念冯飞刘庆华欧阳缮广西无线宽带通信与信号处理重点实验室桂林541004 桂林电子科技大学信息与通信学院桂林541004

该文针对现有穿墙雷达建筑物布局成像中扩展目标稀疏成像方法未能有效利用墙体反射信号的结构稀疏性,导致成像中出现墙体不连贯和墙体轮廓不明显的问题,提出一种利用稀疏信号块间耦合的建筑物布局成像方法。该方法在块稀疏信号特性的高... 详细信息

该文针对现有穿墙雷达建筑物布局成像中扩展目标稀疏成像方法未能有效利用墙体反射信号的结构稀疏性,导致成像中出现墙体不连贯和墙体轮廓不明显的问题,提出一种利用稀疏信号块间耦合的建筑物布局成像方法。该方法在块稀疏信号特性的高斯分层先验模型的基础上,利用块间耦合系数进一步表征场景中墙体反射信号的结构稀疏性,然后将其引入到控制稀疏信号先验概率分布的超参数中,从而把稀疏信号的结构性转化为超参数的耦合关系,最后利用期望最大化(EM)算法求解超参数的最大后验(MAP)估计。仿真和实验数据处理结果表明,该方法有效改善了墙体的成像质量。

关键词：穿墙雷达建筑物布局成像结构稀疏性稀疏贝叶斯学习块间耦合

来源：评论

学校读者我要写书评

暂无评论

基于结构化稀疏表示的高光谱图像压缩感知技术研究

基于结构化稀疏表示的高光谱图像压缩感知技术研究

引用

作者：张磊西北工业大学

学位级别：博士

高光谱成像技术已经广泛地应用于遥感对地观测、资源勘探、环境监测、数字化农业和生物制药等诸多民用及军用领域,并取得了显著成效。虽然光谱信息有助于精确的描述成像场景中物质的组成成分,但是丰富的光谱信息导致高光谱图像数据量巨... 详细信息

高光谱成像技术已经广泛地应用于遥感对地观测、资源勘探、环境监测、数字化农业和生物制药等诸多民用及军用领域,并取得了显著成效。虽然光谱信息有助于精确的描述成像场景中物质的组成成分,但是丰富的光谱信息导致高光谱图像数据量巨大,给成像采集、链路传输和数据存储过程中的硬件设备带来了巨大的压力。随着高光谱应用及高分辨率技术的进一步发展,这一问题将进一步加剧。因此,如何有效地压缩高光谱图像,缓解硬件设备压力,成为高光谱应用中的一个基础问题。与传统图像采集方式不同,压缩感知技术在成像过程中仅采集少量的压缩数据,并可依据这些压缩数据进行图像重建,能够从根本上缓解高光谱图像采集及传输等过程的硬件压力。虽然目前已有大量的高光谱图像压缩感知方法研究如何从压缩数据中进行高光谱图像的重建,但现有的方法在重建过程中无法准确地描述高光谱图像内部的空-谱结构特性,从而导致重建精度有限,无法满足实际的应用需求。本文针对这一问题,结合高光谱图像固有的空-谱结构特点,重点研究了如何挖掘高光谱图像内潜在的结构稀疏特性和相应的高光谱图像压缩感知技术,并通过大量实验验证了本文提出方法在重建精度方面的有效性和优越性。具体的研究内容包括以下四个方面:(1)针对现有方法难以有效地描述高光谱图像光谱维中结构稀疏性的问题,本文提出了一种基于重加权Laplace先验的高光谱图像压缩感知方法。该方法首先构建了一种重加权Laplace稀疏先验模型,有效地描述了高光谱图像光谱维中潜在的结构稀疏性;然后,采用基于隐变量的稀疏学习方法,将先验学习、稀疏表示重建和噪声估计等三个问题,进行联合建模和求解。由于得到的联合模型揭示了所有未知变量和观测值之间的相互依赖关系,因而该方法能够从少量观测值中学习稀疏先验模型参数,并且自动消除观测值中的未知噪声干扰,从而有效地约束了高光谱图像稀疏表示中的结构特点,提升了重建精度。实验结果表明,相对于现有的压缩感知方法,该方法显著地提升了重建精度,而且具有更强的噪声鲁棒性。(2)针对现有方法依赖于固定字典,无法数据自适应地挖掘高光谱图像光谱维中稀疏性的问题,本文提出了一种基于字典学习的高光谱图像压缩感知方法。结合前文提出的重加权Laplace稀疏先验,该方法首先提出了一种结构字典先验模型,对光谱字典进行建模。然后,基于交替最小化思想,将图像重建过程分解为稀疏表示重建和结构字典学习两个子问题,并通过交替迭代优化这两个子问题,获得最终的重建结果。在该方法中,两个子问题的求解均采用了基于隐变量的学习方法,通过对所有未知变量与观测值之间的依赖关系进行建模,实现了从观测值中自适应地估计光谱字典、相应的稀疏表示矩阵以及未知的噪声干扰,从而获得了高光谱图像更加精确的表示模型,提升了重建精度。大量的实验结果验证了本文提出方法在重建精度和噪声鲁棒性方面的优势,以及学习得到的字典在高光谱图像稀疏表示方面的优越性。(3)针对单一采用光谱稀疏性进行压缩感知重建,难以有效保持图像空间结构的问题,本文提出了一种基于局部滤波的高光谱图像压缩感知方法。该方法通过分析前文提出的重加权Laplace稀疏先验模型,总结出单一采用光谱稀疏性进行高光谱图像重建的理论缺陷。然后,结合高光谱图像空间维中呈现出的局部相似性,针对性地提出了一种基于光谱相似性的局部线性滤波方法。通过与基于重加权Laplace先验的重建方法相结合,该方法能够有效地修复重建结果中被破坏的空间结构,尤其在噪声干扰比较严重的情况下。在大量的实验中,与单一采用光谱稀疏性进行压缩感知重建的方法相比,本文提出的方法获得了更高的重建精度。(4)针对现有方法不能有效地描述高光谱图像中空-谱三维结构的问题,本文提出了一种基于聚类稀疏随机场的高光谱图像压缩感知方法。该方法首先提出了一种基于聚类稀疏随机场的先验模型,将高光谱图像光谱维中的结构稀疏性和空间维中的类内图结构特性,有效地结合并表示在一个联合分布模型中。此外,通过引入大量的超先验模型描述模型参数的分布,进一步提升了先验模型的灵活性。然后,利用先验模型的近似表示,该方法采用基于隐变量的学习方法将先验模型学习、稀疏表示重建和噪声估计等三个问题进行了联合建模和求解。由于该方法有效地描述了高光谱图像内的空-谱三维结构,而且能够自适应地从观测中学到数据相关的模型参数并消除未知噪声的干扰,因而获得了更加精确的高光谱图像表示模型,提升了重建精度。大量的实验结果验证了本文提出的方法在高光谱图像压缩感知重建方面的有效性和优越性。

关键词：高光谱图像压缩压缩感知结构稀疏性隐变量学习字典学习线性滤波 Markov随机场模型

来源：评论

学校读者我要写书评

暂无评论

基于结构化注意力机制的人体行为识别研究

基于结构化注意力机制的人体行为识别研究

引用

作者：陈一鑫华南理工大学

学位级别：硕士

视频人体行为识别,也简称为视频行为识别,是指从视频中识别特定人类对象的具体动作。人类行为丰富多样,且贯穿于生产和生活中。对视频中的人类行为进行识别,可以有效增进对视频内容的理解。识别所提供的高层语义信息,可以运用到视频监... 详细信息

视频人体行为识别,也简称为视频行为识别,是指从视频中识别特定人类对象的具体动作。人类行为丰富多样,且贯穿于生产和生活中。对视频中的人类行为进行识别,可以有效增进对视频内容的理解。识别所提供的高层语义信息,可以运用到视频监控、智能运动和行为预警等具体的应用中,有着很大的价值。视频中进行行为识别的关键信息是运动对象以及运动的主体,大部分情况之下关键信息的信息量只占视频帧的信息量的一小部分,通过凸显动作关键信息而忽视其他无关信息,能大大提高行为识别的效率和精度。受此启发,近年来不少研究者结合深度学习和注意力机制,把其应用在行为/动作识别系统上。利用注意力机制,可以在空间域上制造出注意力各不相同的关注点,从而来引导计算机集中分析与行为相关的视觉信息。然而,在实际中,用于训练深度网络的视频行为数据有限,而相关动作区域的其他特征变化显著。因此,在使用自由形式的注意掩码来实现注意力机制时,往往会因为过度拟合导致产生注意力分散的情况,从而削弱了注意力机制对动作识别所带来的帮助。针对上述的问题,本文提出了一种l2,1范数的组稀疏性正则化方法,该方法依据人类的注意力机制在生物学和认知学所呈现的局部关注的特点,通过在注意力掩码的区域上增加块状结构稀疏性的先验,使得掩码具有空间结构的约束,从而让注意力能聚焦于行为关键部位避免其产生分散现象,并根据关键部位来完成对行为的识别。本文依据结构化的注意力模块,提出了基于结构化注意力机制的卷积循环网络以进行动作识别。该网络以卷积网络和循环网络作为主体。卷积神经网络负责对视频每一帧的空域特征进行提取,循环神经网络则利用视频帧之间的连续信息,对整个视频进行行为的识别。引进的结构化的注意力机制能使得模型集中关注关键特征区域,这改善了模型的泛化能力并有效提高模型行为识别效率。本文所提出的方法在两个基准数据集上进行了实验,实验结果表明,该方法可以显着提高注意力掩码对关键运动区域关注的准确性,从而提高行为识别的性能。

关键词：行为识别注意力机制结构稀疏性深度循环网络卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

一种求解中心图套索问题的高效算法

一种求解中心图套索问题的高效算法

引用

作者：何文伶西南交通大学

学位级别：硕士

在生物分析和推荐系统等许多领域中,图模型发挥着重要的作用,该模型已被广泛应用于表征各种应用中的数据变量间的关系。但是,当数据维数较大时,带有中心节点的图模型在计算上存在很难拟合的问题。本文主要考虑可区分中心图套索模型,即... 详细信息

在生物分析和推荐系统等许多领域中,图模型发挥着重要的作用,该模型已被广泛应用于表征各种应用中的数据变量间的关系。但是,当数据维数较大时,带有中心节点的图模型在计算上存在很难拟合的问题。本文主要考虑可区分中心图套索模型,即用可区分的方式划分中心罚项来改进中心图套索模型,这样能更好地利用可能提前得到的节点信息。目前,没有一种算法可以直接用于解决可区分中心图套索模型。为有效地估计中心图套索模型,我们引入了两阶段算法。该算法首先应用对偶交替方向乘子法(dual Alternating Direction Method of Multipliers,简称d ADMM)生成良好的初始点,再热启动基于半光滑牛顿(Semi-Smooth Newton,简称SSN)的增广拉格朗日方法(Augmented Lagrangian Method,简称ALM)计算出足够精确的解,以满足实际任务需要。在使用SSN方法时,深入分析了广义雅可比矩阵的稀疏性结构,设计了该问题中心罚项邻近映射来替代雅可比,提高了两阶段算法中第二阶段运用SSN方法求解子问题的效率。同时,我们还分析了d ADMM、ALM和SSN方法的收敛性,并进一步针对合成数据和真实数据进行了数值试验,即比较原始交替方向乘子法(primal Alternating Direction Method of Multipliers,简称p ADMM)、d ADMM和两阶段算法的数值表现,试验结果证实了两阶段算法的有效性。在合成数据和真实数据的试验结果中也表明,两阶段算法的性能明显优于其他两个算法,特别是在一些高维任务中,它可以节省70%以上的执行时间,同时仍能获得高质量的估计。

关键词：中心图套索结构稀疏性增广拉格朗日方法半光滑牛顿法

来源：评论

学校读者我要写书评

暂无评论

基于稀疏贝叶斯学习的RIS辅助无线通信系统信道估计算法研究

基于稀疏贝叶斯学习的RIS辅助无线通信系统信道估计算法研究

引用

作者：杨浩中原工学院

学位级别：硕士

可重构智能表面(Reconfigurable Intelligent Surface,RIS)技术,作为第六代(The 6th Generation,6G)无线通信的潜在技术之一,具有通过波束调控主动改变无线信道环境的能力。RIS具有硬件成本低、功耗低、易部署,且能显著提升覆盖范围等优... 详细信息

可重构智能表面(Reconfigurable Intelligent Surface,RIS)技术,作为第六代(The 6th Generation,6G)无线通信的潜在技术之一,具有通过波束调控主动改变无线信道环境的能力。RIS具有硬件成本低、功耗低、易部署,且能显著提升覆盖范围等优点,因而备受学术界和工业界研究人员的广泛关注。为了实现RIS辅助无线通信系统的最佳性能增益,精准的信道状态信息是关键。然而,由于无源RIS不能处理信号,系统信道的维度显著增加,使得信道估计所需要的导频开销大幅攀升,造成资源的严重浪费。为了降低RIS辅助无线通信系统信道估计的导频开销,本课题深入挖掘毫米波信道在角域的稀疏性,并以稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)卓越的稀疏信号恢复性能为突破口,对RIS辅助毫米波系统上行链路低导频开销信道估计算法进行了研究。为解决导频开销过大的问题,本文提出了基于超参数正则化的SBL级联信道估计方案。首先进行向量化信道建模,RIS级联信道矩阵维度高,由RIS反射元件系数构成的低维感知向量在估计高维级联信道矩阵时,可能导致信道信息的缺失。为了克服该问题,本文对多组观测向量进行堆叠,并利用克罗内克积的性质进行向量化,有效地避免了因信道信息损失导致的信道估计精确度低的问题。然后,通过对SBL的超参数空间施加正则化,挖掘级联信道的稀疏性,利用对数函数对超参数进行非线性缩放,以区别出信道的非零区域和零区域。在超参数更新阶段,本文采用期望最大化联合分段并行交替优化算法有效地解决了超参数耦合和级联信道维度过大所导致的超参数更新困难问题。仿真结果表明,所提出的方法可以有效降低导频开销,且在散射路径、信噪比等影响因素变化的情况下具有较高的稳定性。为解决计算复杂度高的问题,本文提出针对基于双结构超参数正则化SBL的两阶段信道估计算法,旨在降低级联信道估计导频开销的同时降低计算复杂度。RIS辅助多用户(User Equipment,UE)无线通信系统呈现出独特的双结构稀疏性。具体来说,因基站和RIS之间的散射路径为所有UE共享,级联信道矩阵展现出完全公共行结构稀疏性;同时,所有UE共享RIS和各个UE之间的部分散射路径,则表现为部分公共的列结构稀疏性。在算法的第一阶段,充分利用基站所接收到的不同UE观测矩阵之间的相关性,查找信道矩阵的行支撑集;利用不同UE的观测矩阵和感知矩阵的相关性,获取级联信道的列支撑集。第二阶段,将获取到的行列支撑集作为信道的先验信息,采用超参数正则化稀疏贝叶斯学习算法进行信道估计。仿真实验结果表明,在相同散射路径下,相比于现有算法,本文所提方案可以有效降低导频开销,信道估计精度高,且计算复杂度相比于SBL类算法更低。

关键词：可重构智能表面信道估计正则化稀疏贝叶斯学习结构稀疏性

来源：评论

学校读者我要写书评

暂无评论

基于结构稀疏深度网络的图像压缩感知重建算法研究

基于结构稀疏深度网络的图像压缩感知重建算法研究

引用

作者：朱静桂林电子科技大学

学位级别：硕士

随着卷积神经网络技术在图像分类,人脸识别等视觉领域成功应用,在解决压缩感知图像重建的问题中,将传统相关理论与深度学习技术相结合,具有巨大实现意义。在基于深度学习的压缩感知重建问题中,由于对图像中特征提取不充分,导致重建图像... 详细信息

随着卷积神经网络技术在图像分类,人脸识别等视觉领域成功应用,在解决压缩感知图像重建的问题中,将传统相关理论与深度学习技术相结合,具有巨大实现意义。在基于深度学习的压缩感知重建问题中,由于对图像中特征提取不充分,导致重建图像平滑,高频边缘纹理信息损失。其次,在较低采样率下,所采样得到的信号中包含信息较少,造成重建图像出现信息丢失、图像模糊现象。若能有效利用图像中的各种结构先验信息,则对图像重建具有较大助益。本文在基于分块压缩感知框架下,将深度学习技术与图像中的结构稀疏性先验信息进行结合,指导深度网络结构、相关损失函数设计。在低采样率下,实现对重构图像解空间的约束,有效重建图像高频信息,提高图像重建精度。研究内容如下:(1)将图像块结构稀疏先验、图像非局部自相似先验与深度网络结合,提出一种基于结构组稀疏网络的图像压缩感知重建算法。首先,利用观测值相似性度量为图像观测值构造相似组,将相似组输入两分支卷积神经网络;其次,将观测值相似组输入边缘轮廓重构分支,通过其中的局部残差递归网络和亚像素卷积层,获得对图像边缘轮廓的重建;将观测值相似组输入局部细节重构分支,通过其中的密集连接网络和多尺度编解码网络模块,获得对图像细节纹理的重建;最后,将两分支重建图像进行融合,输出得到对原始图像的最优重建图。设计并采用结构组稀疏约束损失对网络训练进行约束,提高网络训练稳定性,增强图像解空间的唯一性。实验结果表明,所提出的方法与现有的基于卷积神经网络的压缩感知图像重建方法相比,网络能够有效对图像边缘轮廓,细节纹理信息重建,重建图像视觉效果更好。(2)依据图像非局部均值理论,利用图像非局部自相似结构稀疏先验指导深度网络结构设计,提出一种基于非局部特征融合网络的图像压缩感知重建方法。该方法利用相似图像块间的互补信息对单个图像特征进行协同表示;采用由粗到细的思想设计两阶段重构网络框架。第一阶段,为每个图像块的压缩观测值构造协同重构组,利用线性映射网络得到粗精度初始重建图像组;第二阶段,将组内初始重建图像进行通道拼接后输入由非局部特征自适应交互模块堆叠而成的全局残差重构网络,对图像块细节信息进行精确重构,得到最终的输出图像。最后,构建并采用图像块稀疏约束损失对网络训练进行约束。实验结果表明,利用图像非局部自相似性结构稀疏先验协同图像块进行信息重建,重建图像在较低采样率下,图像评价指标PSNR,SSIM均取得较大提升。

关键词：压缩感知结构稀疏性图像重建结构组稀疏非局部特征融合

来源：评论

学校读者我要写书评

暂无评论

基于改进BoW模型的行为识别

引用

测控技术 2016年第12期35卷 1-6页

作者：宋运忠杨丽英河南理工大学电气工程与自动化学院河南焦作454000

尽管传统的词袋(BoW,bag of worcls)模型在复杂场景行为识别中能够保持鲁棒性,但是硬向量量化会导致大量的近似误差,进而产生很差的特征集。行为识别中一个重要的挑战是视觉词汇的构造,从原始特征到分类标签没有直接的映射,因此高层的... 详细信息

尽管传统的词袋(BoW,bag of worcls)模型在复杂场景行为识别中能够保持鲁棒性,但是硬向量量化会导致大量的近似误差,进而产生很差的特征集。行为识别中一个重要的挑战是视觉词汇的构造,从原始特征到分类标签没有直接的映射,因此高层的视觉描述子需要更加精确的词典,故提出基于结构稀疏表示的人体行为识别方法。在所提出方法的:BoW模型中,视频表示为组稀疏编码系数的直方图。与传统的BoW模型相比,所提方法具有更少的量化误差,而且高层特征表示可以减少模型参数和存储复杂性,并在标准化的人体行为数据集上评价所提方法,数据集包括KTH,Weimann,UCF-Sports,UCF50人体行为数据集,实验结果表明,所提方法与现存的其他方法相比各方面性能都有显著的提高。

关键词：人体行为识别无监督特征学习结构稀疏性组稀疏编码线性SVM

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：