开集分类识别是近10多年来模式识别领域研究的热点,它能够识别训练集中已知类别的测试样本,同时还能够有效“拒识”未知类别的测试样本;这些未知类别样本不包含在训练集中。现有的开集分类识别算法主要是基于Support Vector Machine(SVM)和深度学习网络框架进行改进,并且主要应用在自然景物图像领域中;在光谱分析领域中还鲜有报道。将传统的闭集框架下的模糊推理分类器进行模型改进,提出了开集框架下的改进模糊推理分类器,并将其应用到木材树种近红外光谱分类识别中。首先,使用Flame-NIR近红外微型光谱仪采集木材样本横切面的近红外光谱曲线,采用Metric Learning算法进行光谱向量维度约简降维至4维(4D)。其次,改进闭集框架下的模糊推理分类器,根据模糊规则置信度和各维度隶属度概率的乘积构建Generalized Basic Probability Assignment(GBPA),再根据GBPA进行分类处理。在20个树种的具有不同的Openness指标下的近红外光谱数据集的分类识别对比实验表明,改进的开集模糊推理分类器(fuzzy reasoning classifier in an open set,FRCOS)优于现有的基于机器学习和深度学习的开集分类识别主流算法,具有较好的评价指标F-Score,Kappa系数及总体识别率。
针对多视图三维重建任务中点云完整性欠佳的问题,提出一种基于空间传播的多视图深度估计网络(SPMVSNet)。引入空间传播思想用于复杂条件下的稠密点云重建,并分别设计基于空间传播的混合深度假设策略和空间感知优化模块。混合深度假设策略采用由粗糙到精细的深度推理方式,将深度估计视为多标签分类任务,对正则化概率体执行交叉熵损失以约束代价体,从而避免回归方法过拟合和收敛速度过慢的问题。空间感知优化模块从包含高级语义特征表示的特征图中获得引导,在进行置信度检查后采用卷积空间传播网络,通过构建亲和矩阵来细化最终的深度图。同时,为解决大多数方法存在的对不满足多视图一致性的不可靠区域重建质量较低的问题,进一步结合注意力机制设计具有样本自适应能力的动态特征提取网络,用于增强模型的局部感知能力。实验结果表明,在DTU数据集上,SP-MVSNet的重建完整性相比于CVP-MVSNet提升32.8%,整体质量提升11.4%。在Tanks and Temples基准和Blended MVS数据集上,SP-MVSNet的表现也优于大多数已知方法,取得了良好的三维重建效果。
根据不同木材表面的光谱反射率差异可以对木材树种进行分类识别。在木制家具及工艺品的生产实践中,考虑到防止木材腐败、开裂,美化木制品外表及延长木制品使用寿命等原因,经常需要在木材表面涂抹某种涂饰。涂抹涂饰将导致木材表面光谱反射率曲线产生漂移和变形,经实验验证无法使用原始木材表面的光谱反射率训练出的分类器模型对涂饰木材光谱曲线进行分类识别。相对于原始木材光谱曲线,涂饰木材光谱曲线的漂移和变形可以用非线性模型来拟合;而这种非线性拟合一般使用神经网络来实现。为了能够继续使用原始木材光谱反射率训练的分类器模型,使用全连接神经网络拟合了原始木材光谱反射率和涂饰木材光谱反射率之间的关系模型,通过该模型对涂饰木材光谱反射率进行校正,实现使用原始木材光谱所训练的分类器模型对涂饰木材进行分类识别的目的。此外,还使用卷积神经网络对光谱反射率提取卷积特征,引入表征原始木材光谱反射率和涂饰木材光谱反射率的卷积特征之间关系的隐藏层,将涂饰木材光谱反射率的卷积特征进行校正,并通过输出层输出其分类结果。为了验证所提出的校正模型的有效性,本文以20种木材样本的近红外光谱(950~1650 nm/near infrared spectra,NIR)和可见光/近红外光谱(350~1000 nm/visible and near infrared spectra,VIS/NIR)为研究对象,对比了8种不同涂饰建立的校正模型性能。实验结果表明,NIR的校正分类效果要好于VIS/NIR的校正分类效果;卷积神经网络的校正模型可以将涂抹透明涂饰木材表面的NIR分类正确率提高至70%以上;全连接网络模型可以将涂抹透明涂饰木材表面的NIR分类正确率提高至80%以上,但两种模型都无法对非透明涂饰进行校正。从模型的训练速度和识别效率上看,卷积神经网络的校正模型要好于全连接神经网络的校正模型。综上所述,通过神经网络建立起的原始木材光谱反射率和涂饰木材光谱反射率之间的非线性关系模型,可以对涂抹透明涂饰的木材光谱曲线进行校正。进而实现直接使用原始木材光谱反射率所训练出的分类器模型对涂抹透明涂饰木材光谱曲线进行分类识别,使得木材树种分类识别应用领域从原始木材扩展到涂抹透明涂饰木材,具有较好的实际应用意义和前景。
暂无评论