随着近红外光谱检测仪种类的增多,不同仪器间的校正模型存在无法共享问题,可利用模型传递解决。以食用油为研究对象,在主机上建立油酸质量比的极限学习机校正模型,利用迁移学习中的TrAdaBoost算法把主机模型传递到从机上,探讨标准化样品数量对模型传递效果的影响,并与直接标准化算法、缺损数据重构算法和极限学习机自编码器的模型传递算法进行对比。结果表明:主机模型经TrAdaBoost算法模型传递后,从机预测集决定系数R^(2)从0.489上升到0.892,预测集均方根误差(Root mean square error of prediction,RMSEP)从4.824 mg/g下降到0.267 mg/g,且模型效果几乎不受标准化样品数量的影响。说明TrAdaBoost算法可以有效应用于模型传递领域,实现了不同光谱仪器之间的共享。
RGB-D图像包含丰富的多层特征,如底层的线特征、平面特征,高层的语义特征,面向RGB-D图像的多层特征提取结果可以作为先验知识提升室内场景重建、SLAM(simultaneous localization and mapping)等多种任务的输出质量,是计算机图形学领域...
详细信息
RGB-D图像包含丰富的多层特征,如底层的线特征、平面特征,高层的语义特征,面向RGB-D图像的多层特征提取结果可以作为先验知识提升室内场景重建、SLAM(simultaneous localization and mapping)等多种任务的输出质量,是计算机图形学领域的热点研究内容之一。传统的多层特征提取算法一般利用RGB图像中丰富的颜色、纹理信息以及深度图像中的几何信息提取多层特征,此类提取算法依赖输入RGB-D图像的质量,而受采集过程中环境和人为因素的影响,很难得到高质量的RGB-D图像。随着深度学习技术的快速发展,基于深度学习的多层特征提取算法突破了这一限制,涌现出一批高质量的研究成果。本文对面向RGB-D图像的多层特征提取算法进行综述。首先,汇总了现有的常用于多层特征提取任务的RGB-D数据集和相关算法的质量评价指标。然后,按照特征所处的不同层次,依次对线、平面和语义特征相关算法进行了总结。此外,本文还对各算法的优缺点进行比较并结合常用算法质量评价标准进行了定量分析。最后,讨论了当前多层特征提取算法亟待解决的问题并展望了未来发展的趋势。
暂无评论