图像深度特征提取方法研究

发布时间：2024-07-03 01:47

　　图像特征提取是指从图像中提取出有利于图像视觉任务的特征表达,其表达能力直接影响图像视觉任务的性能。近年来,深度学习极大地提升特征表达的泛化能力,性能表现优于传统学习方法,已成功应用于图像分类、目标检测等视觉任务,甚至在某些领域超过了人类表现。目前,深度学习模型的研究内容包括网络架构和损失函数两大主要方向。前者探索深度卷积网络中卷积的通道数、卷积层数、不同卷积核的组合以及不同分支的自适应选择等,通常以网络基本块为粒度构建网络,而后者是度量深度卷积网络的预测值和和真实值间距离,用于指导深度网络的训练。这两方面内容均对深度卷积网络的性能影响较大。事实上,它们皆是研究者们对不同深层特征语义信息的初步改造,具有重要的理论贡献和广阔的应用前景。当前面向图像分类的网络架构和损失函数的研究点分别是关注机制和交叉熵损失函数。为此,本文主要工作为:1)设计新型的关注机制基本块。关注机制是受人类视觉系统的注意力现象启发,其目的是关注感兴趣的特征区域。当前常用的关注机制主要是用于端到端训练深度网络的软关注,可分为通道关注和空间关注两类,分别对应着给通道加权和特征图元素进行加权操作。本文提出的新型关注机制,通过...

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

图5.4局部地图、扫描、帧、特征之?

棊于ＲＧＢ－Ｄ相机数据的室内三维冀建摸型与方法研究表５．２计算任务分配表??计算乎台?计算任务??ＡＲＭ＃１?畸变校正、深度图像双边滤波等预处理、ＯＲＢ特征提取??ＡＲＭ?＃２?特征匹配与验证、扫描控制程岸??ＡＲＭ?＃３?ＳＬＡＭ＋＋增量式优化??ＰＣ?．全麵地圏生成、三負网４....

图1.5特征提取过程

在该特征空间上，图像中的每个像素更具有可分性。如图1.5所示，特征提取是通过某种变换操作P，将原始特征从输入域X映射到特征域Y。在特征域中，同种类别样本的特征值更相似，其表现是在距离上同种类样本之间距离更近，不同种类样本之间距离更远。这样增加了样本的判别性，提高分类器....

图3.7感知损失网络用于红外与可见光图像融合

基于无监督深度学习的红外与可见光图像融合方法研究54当使用感知损失网络提取输入源图像深层特征时，将单通道红外图像、可见光图像及调节图像在通道维进行级联组成三通道作为输入，模拟真实图像；当使用感知损失网络提取融合后图像深层特征时，因融合目标明确且融合图像单一，直接将三路同样的融合图....

图2.1基于深度图像序列的人体动作特征提取方法流程图

t传感器）为本文获取深度视频序列提供了方便。在深度图像中，每个像素代表了图像中的深度值，从而保留了视觉信息中的三维信息。深度图像在复杂背景、遮挡等因素的影响要比RGB小很多，并且在光照条件不同的情况下，纹理和颜色不发生改变，这些优势都为基于深度图像序列的人体动作识别研究提供了更多....

本文编号：4000336