- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
[2018年IEEE第三届图像、视觉与计算国际会议（ICIVC）- 中国重庆（2018年6月27日-29日）] 2018年IEEE第三届图像、视觉与计算国际会议（ICIVC）- 基于移动最小二乘的特征提取点云配准
摘要： 在表面重建中，为解决激光雷达点云配准问题，采用基于移动最小二乘法的方法对目标球进行特征提取，继而根据特征曲线建立线性方程计算球心坐标。最后基于四个球心坐标实现点云配准。实验结果表明：该方法能提高球心坐标的计算精度，在移动最小二乘法基础上配准误差达到毫米级，精度高且满足工程需求。
关键词： 激光雷达、逆向工程、移动最小二乘法、点云配准、特征提取
更新于2025-09-10 09:29:36
-
[IEEE 2018年第十届建模、辨识与控制国际会议(ICMIC) - 中国贵阳(2018年7月2日-7月4日)] 2018年第十届建模、辨识与控制国际会议(ICMIC) - 绝缘子图像多特征提取技术研究
摘要： 绝缘子是高压输电线路的重要组成部分，其状态直接影响电力系统的安全运行。本研究提出采用计算机视觉技术提取绝缘子图像的多种特征值，这些特征值可为绝缘子的检测与识别提供依据，从而保障电力系统的安全。首先利用像素统计法对实际绝缘子进行图像分割，通过灰度共生矩阵提取纹理特征，在二值图像中提取不变矩特征，基于局部属性计算几何特征并提取边界轮廓，最终利用局部特征实现绝缘子特征的检测。
关键词： 计算机视觉、绝缘子、不变矩、局部特征、特征提取、纹理
更新于2025-09-10 09:29:36
-
[IEEE 2018年第25届国际图像处理会议(ICIP) - 希腊雅典 (2018.10.7-2018.10.10)] 2018年第25届IEEE国际图像处理会议(ICIP) - 基于现成深度模型复合特征的图像美学评估
摘要： 深度卷积神经网络近期在图像美学评估任务中取得了显著成功。本文提出一种高效方法，该方法综合考虑图像的全局、局部及场景感知信息，并利用预训练深度学习模型提取的复合特征，通过支持向量机对衍生特征进行分类。与需要微调或从头训练新模型的主流方法不同，我们这种免训练方法直接采用现成模型生成的深度特征进行图像分类和场景识别。此外，我们从两个维度分析了可能影响性能的因素：深度神经网络的架构以及局部与场景感知信息的贡献度。结果表明，深度残差网络能产生更具美学感知力的图像表征，而复合特征可提升整体性能。在常见大规模美学评估基准上的实验表明，本方法在照片美学评估方面超越了现有最先进成果。
关键词： 特征提取、预训练模型、图像美学、深度学习
更新于2025-09-10 09:29:36
-
利用概率神经网络实现卫星通信的特定发射器识别
摘要： 卫星通信（satcom）发射机发出的电磁信号用于在真实环境中识别共享公共转发器的特定上行链路卫星通信终端，这一技术被称为特定辐射源识别（SEI），它能够对携带卫星通信设备的目标准确预警（I&W），并提升军事行动中实时电磁态势感知能力。本文作者首次提出采用概率神经网络（PNN）进行卫星通信特定发射机识别以实现目标辨识。我们通过探索希尔伯特变换在信号预处理中的可行性、离散小波变换在特征提取中的应用，以及运用PNN对稳态信号进行分类，致力于验证该方法的可行性。测试中共包含1000组由五类卫星通信发射机产生的二进制相移键控（BPSK）调制采样时间序列。所建立的PNN分类器经数据测试后，在载噪比8分贝（±1分贝）条件下最终获得令人满意的识别精度，这不仅证实了本方法的可行性，更展现出其在军事应用中的敏锐洞察力。
关键词： 特定发射器识别、特征提取、概率神经网络、分类
更新于2025-09-10 09:29:36
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 一种结合基于子空间的特征提取与卷积神经网络的高光谱图像分类新型深度学习框架
摘要： 近年来，基于深度学习的方法（特别是在遥感领域）受到了越来越多的关注。卷积神经网络（CNN）作为这些深度学习技术之一，在视觉识别应用中展现出了卓越的性能。然而，由于高光谱图像分类领域存在高维特性和训练样本不足的问题，使用GoogleNet和VGGNet等知名预训练模型具有挑战性。本研究针对两个真实高光谱数据集提出了一种新型改进的CNN架构。 为克服维度灾难问题，我们通过计算每个类别相关矩阵的正交基来执行基于子空间的特征提取方法，从而降低高光谱图像的维度并提高信噪比。该框架结合了所提出的CNN架构与子空间降维方法：一方面从子空间方法中提取有效特征，另一方面通过考虑训练样本的限制来设计优化的CNN。此外，子空间降维方法生成的特征天然适配基于类别的CNN结构，并采用逻辑回归作为最终层的分类器。 在印第安松树和帕维亚大学这两个著名真实高光谱图像上的实验结果表明，相较于使用原始数据和近期研究中采用的常规特征提取策略，本方案实现了性能提升。在印第安松树和帕维亚大学数据集上分别获得了约98.1%和98.3%的分类总体准确率。
关键词： 降维、深度学习、特征提取、卷积神经网络、高光谱图像分类、基于子空间的特征提取
更新于2025-09-10 09:29:36
-
[IEEE 2018年NASA/ESA自适应硬件与系统会议(AHS) - 英国爱丁堡(2018.8.6-2018.8.9)] 2018年NASA/ESA自适应硬件与系统会议(AHS) - 基于二维Log-Gabor滤波器的掌静脉识别竞争编码方案
摘要： 本文提出一种基于二维对数Gabor滤波器的竞争编码方案的新型掌静脉识别方法。该方法包含两个主要步骤：(i) 受比特级竞争编码启发，特征提取采用二维对数Gabor滤波，最终特征图由最低滤波器组响应的获胜编码构成；(ii) 匹配过程使用Jaccard距离作为度量标准，有效捕捉特征图间的相似性并作出决策。在具有挑战性的MS-PolyU数据库上进行的实验表明，与现有最先进方法相比，本方法取得了显著的性能提升。
关键词： 竞赛编程、多光谱生物识别、掌静脉识别、特征提取、对数Gabor滤波器
更新于2025-09-10 09:29:36
-
基于混合技术的虹膜识别身份认证与验证
摘要： 本研究的目的是提出一种采用混合方法的新虹膜识别系统（IRS）。这些方法用于提取被测眼图像的特征：使用Gabor小波和Zernike矩提取虹膜特征，采用Canny边缘检测和Hough变换定位虹膜。该系统在CASIA-v4.0间隔数据库上进行测试，结果显示该方法准确率高达约97%。通过计算训练与测试虹膜图像的峰值信噪比（PSNR）来衡量其相似度，PSNR值支持该系统的有效性——当测试图像与训练数据库中同一人的图像匹配时，PSNR呈现最高值。
关键词： 特征提取、生物识别、Zernike矩、混合、Gabor小波、虹膜识别
更新于2025-09-10 09:29:36
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 高光谱图像多类变化检测的堆叠自编码器
摘要： 多时相数据集中的变化检测（CD）是遥感领域的关键任务。本文提出一种通过堆叠自编码器（SAEs）提取特征来实现遥感高光谱数据集多类别变化的方案。该方案结合多类别与二进制变化检测以获取精确的多类别变化图：多类别变化检测首先融合多时相数据，再通过堆叠自编码器进行特征提?。欢票浠觳饣诠馄仔畔⒓扑阆袼丶毒嗬氩⑸瓒ㄣ兄?，同时通过分水岭分割融入空间信息。处理后的图像经二进制变化检测图过滤后，采用支持向量机或极限学习机算法进行分类。该方案在Hyperion传感器获取的多时相高光谱数据集上进行了评估，实验结果表明：相较于其他已发表的特征提取方法，使用堆叠自编码器提取融合信息相关特征时，本方案具有显著有效性。
关键词： 变化检测、堆叠自编码器、特征提取、高光谱、支持向量机、极限学习机
更新于2025-09-10 09:29:36
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 高光谱图像分类的深度张量分解
摘要： 高维光谱特征和有限的训练样本给高光谱图像（HSI）分类带来了一系列困难。特征提取是解决这一问题的有效方法。具体而言，张量分解优于主成分分析（PCA）和非负矩阵分解（NMF）等突出方法，因为它考虑了空间信息。近年来，深度学习因能高效提取各类任务的分层特征而备受关注。本文提出一种新颖的特征提取方法——深度张量分解（DTF），用于从观测到的HSI中提取分层且有意义的特征。该方法利用张量表示HSI的优势以及卷积神经网络（CNN）在分层特征提取方面的优点。具体来说，首先对HSI的光谱维度进行卷积操作以抑制噪声影响，然后将卷积后的HSI输入张量分解以学习数据的低秩表示，之后重复上述两个过程以学习HSI的分层表示。在两个真实高光谱数据集上的实验结果表明了所提方法的优越性。
关键词： 高光谱图像（HSI）分类、特征提取、卷积神经网络（CNN）、张量分解
更新于2025-09-10 09:29:36
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 高光谱图像分类的保相似性深度特征
摘要： 近年来，深度学习被引入高光谱图像（HSI）以提取层次化特征，并取得了良好的分类效果。然而，以往基于深度学习的方法仅考虑单个像素的语义信息，无法有效处理高光谱图像复杂的"光谱-空间"特性。本文提出一种新颖的深度学习框架来学习用于高光谱分类的相似性保持深度特征（SPDF）。具体而言，我们首先构建一个能以图像块对作为训练样本的深度网络，然后精心设计损失函数使特征空间中相似样本对的特征距离最小化、不相似样本对的特征距离最大化。当深度网络训练完成后，通过样本在训练网络中的前向传播即可获得SPDF。最终将这些特征输入支持向量机（SVM）进行高光谱分类。实验结果表明，所提方法优于其他对比方法。
关键词： 相似性、特征提取、深度学习、高光谱图像分类
更新于2025-09-10 09:29:36