图像分类

摘要： 现有层归一化(Layer Normalization,LN)研究通过中心化和缩放网络中某一层的所有神经元输入来使得输入值落在非线性函数对输入比较敏感的区域,从而帮助稳定训练并促进模型收敛.在多通道的图像数据中,虽然现有层归一化技术能够让不同通道的特征具有相同的均值和方差,但是图像中相邻特征之间依旧具有很强的相关性,即多个通道中特征存在冗余.本文进一步提出了去相关层归一化(Decorrelated Layer Normalization,DLN)研究,所提方法通过对单个样本所有通道中加入白化(Whitening)操作,在保留原有网络层归一化的基础上进一步减少了输入特征之间的相关性,使得通道上的数据特征表达具有独立同分布的特点,从而降低了输入数据的冗余并最终提升层归一化的泛化性能.在CIFAR-10,CIFAR-100数据集上的实验结果证明本论文所提方法与其他归一化方法在小批量样本(Mini-Batch)上比较能够将图像分类准确率提高2%至4%.

摘要： 本文在VGG16模型的基础上,应用迁移学习的思想对其网络结构进行改进,设计出一种小型卷积神经网络结构VGG-6。并将其应用于长沙市的城市用地分类数据集中进行分类,通过对比不同网络结构的分类精度和运行时间,得到适合应用于该数据集的进行图像分类的网络结构。

摘要： 目的针对锂电池极片涂布缺陷种类多,传统方法分类检测精度不高,以及人工依赖性强等问题,提出一种基于卷积神经网络的锂电池极片涂布缺陷自动分类算法。方法首先对网络结构以及模型参数进行优化,接着在网络中加入跳跃连接结构,将空洞卷积提取到的多尺度特征与高层特征进行融合以获取更多缺陷特征,并采用LeakyReLU(Leaky Rectified Linear Unit)激活函数保留图像中的负值特征信息,最后通过构建的数据集训练模型,实现锂电池极片涂布缺陷的准确分类。结果实验结果表明,当前方法识别准确率能够达到99.34%,平均检测时间为51 ms。结论改进后的方法能够准确分类出锂电池极片18种涂布缺陷,满足工业生产中实时分类检测的要求。

摘要： 针对稻瘟病显微图像的特点,提出将SVM应用于水稻稻瘟病快速分类的方法,首先对稻瘟病显微图像作预处理,然后进行形状及纹理特征提取,最后使用SVM进行稻瘟病识别。结果表明,SVM适用于小样本的稻瘟病孢子显微图像分类问题,研究中采用4种核函数进行分类准确率对比试验,使用径向基核函数的SVM分类准确率最高为98.7%。

摘要： 分心驾驶行为识别任务可以看作细粒度图像分类任务,即图像中较小区域所包含的特征决定了该图像的类别,如一张图像是正常驾驶还是与副驾驶聊天完全由驾驶员的脸部朝向来决定。对于那些图像差异很小的类别,图像分类通常训练方法训练出的模型无法高精度地区分。针对这一问题,提出了基于类间距优化的分心驾驶行为识别模型训练方法,通过增大模型从异类图像所提取特征向量之间的欧式距离,使得模型学到可以区分那些图像差异很小的类别的细微特征,进而提高模型对这些类别的分类准确率。该方法实现了端到端的模型训练,既不增加模型的推理时延,又不引入额外监督信息。State Farm数据集上的试验表明,与图像分类通常训练方法比,该训练方法有效提高了模型的准确率。

摘要： 通过建立一个以系统和智能方式对胃癌癌前病变进行分类的模型,帮助医生找到敏感点和癌前息肉。在本文方法中,通过设计一种改进的ALexNet架构并使用数据增强、高斯噪声、L2权值衰减和ReLU等技术训练卷积神经网络模型,最后通过利用精度、损失值和混淆矩阵等性能指标对该模型的性能进行评估。在3677张糜烂、息肉和溃疡等胃病图像上对所提出的模型进行测试,结果表明该模型的分类准确率达到89%。

摘要： 目前,以深度学习为代表的人工智能算法凭借超大规模数据集以及强大的计算资源,在图像分类、生物特征识别、医疗辅助诊断等领域取得了优秀的成果并成功落地.然而,在许多实际的应用场景中,因诸多限制,研究人员无法获取到大量样本或者获取样本的代价过高,因此研究图像分类任务在小样本情形下的学习算法成为了推动智能化进程的核心动力,同时也成为了当下的研究热点.小样本学习指在监督信息数量有限的情况下进行学习并解决问题的算法.首先,从机器学习理论的角度描述了小样本学习困难的原因;其次,根据小样本学习算法的设计动机将现有算法归为表征学习、数据扩充、学习策略三大类,并分析其优缺点;然后,总结了常用的小样本学习评价方法以及现有模型在公用数据集上的表现;最后,讨论了小样本图像分类技术的难点及未来的研究趋势,为今后的研究提供参考.

摘要： 矩不变量是计算机视觉和模式识别领域常用的图像不变特征.现有的形状和颜色变换下彩色图像的矩不变量均基于几何矩构造,因此抗噪性较差.针对该问题,提出了利用基本微分算子和颜色几何基元生成旋转-仿射变换下彩色图像Gaussian-Hermite正交矩不变量的方法,所构造的不变量均为Gaussian-Hermite矩的齐次多项式;然后生成所有可能的低阶低次不变量,并从中得到13个满足线性独立关系的不变量实例.基于合成图像数据集和HPatches图像数据集进行了数值稳定性验证、图像分类和模板匹配实验,结果表明,13个不变量实例具有良好的数值稳定性和抗噪性;使用它们得到的分类和匹配准确率比同类矩不变量分别高出10%和30%左右.

摘要： 由于图像类别标签的弱监督目标定位方法存在定位区域仅覆盖目标最具有显著性类别信息部位的问题,同时,区域的类别信息响应受到关键权重的影响,且关键权重的不均衡导致了定位区域响应的稀疏性,因此,提出一种基于区域权重平滑的弱监督目标定位方法。文章设计了自适应标准差正则项,以缩小关键权重差异,从而在保留网络分类能力的同时平滑定位区域。在多个数据集上实验的结果表明,采用该方法所得的定位区域覆盖面更广,定位精度更高。

摘要： 为了使得优质石墨资源得到优质优用,提出利用迁移学习和焦点损失卷积神经网络的石墨分类识别算法.在自建的初始数据集基础上,通过对数据集的离线扩充与在线增强,有效扩大数据集并减低深层CNN过拟合的风险.以VGG16、ResNet34和MobileNet V2为基础模型,重新设计新的输出模块载入全连接层,提高了模型的泛化能力与鲁棒性;结合焦点损失函数,修改模型超参数并在石墨数据集上训练.实验仿真发现,本文所提方法的准确率均在95%以上,识别准确率提高,收敛速度加快,模型更加稳定,证明了所提算法的可行性与有效性.

摘要： 紧致极化SAR作为一种新型的雷达传感器,其极化信息丰富、刈幅宽度大等优势,在未来SAR卫星地表属性定性、定量反演领域具有很大前景,因而开展关于紧致极化SAR图像分类能力预研工作十分必要.针对目前尚未有紧致极化SAR数据公布的问题,开展了紧致极化SAR重构工作,利用多景RADARSAT-2全极化SAR影像反向重构了紧致极化数据.为了进一步评价紧致极化SAR图像分类能力,同样利用Nord算法得到了重建后的伪全极化数据(以π/4模式为例),并比较了紧致极化伪全极化和全极化数据在HH/HV/VV极化通道的重建效果.结果发现:共极化具有较高的重建精度,其相关度、均方根差、偏差和散射系数分别为0.75,4.16,-0.58,-0.23(HH极化);0.75,4.37,-0.54,-0.21(VV极化).交叉极化重建精度交叉,其相关度、均方根差、偏差和散射系数分别为0.16,8.20,3.07,-0.05.此外,进一步分析了交叉极化重建精度对Freeman分解体散射分量的影响,比较了不同地物类型在重建过程中的体散射分量精度差异.最后,进一步评估了基于紧致极化SAR伪全极化图像的Freeman-Wishart分类结果,其Kappa系数和平均分类精度为0.7285和86.6％,由此可知,基于紧致极化SAR影像分类精度较为满意.

摘要： 为了减少原图像特征空间中高维数据的冗余,解决细粒度数据分布在特征空间中无法线性可分的问题,本文提出了一种结合视觉特征低维嵌入和非线性映射的细粒度图像分类方法.首先,将视觉特征嵌入到低维空间来减少冗余数据对分类造成的干扰,提高分类模型对测试数据的泛化能力;然后,通过基于排序的目标函数来训练多个线性分类器,建立类别和低维视觉嵌入之间的非线性关系,有效区分不同类别的细粒度样本之间的细微差异.实验结果表明,本文算法有效改进了现有的细粒度图像分类方法,显著提高了对未知测试样本的分类精度.

摘要： 针对目前常见机织物表面缺陷分类准确率和效率低的问题,提出一种无监督分割和ELM的织物缺陷图像分类方法,分为缺陷分割、特征提取、ELM分类器训练和贝叶斯概率融合4个步骤.首先对经预处理后的织物灰度缺陷图像进行无监督分割;然后分别提取分割后以及未分割的织物灰度缺陷图像的形状和纹理特征;再将待分类织物缺陷图像集特征向量和标签作为训练集以训练ELM分类器;最后通过训练后的ELM分类器以及贝叶斯概率融合方法,将输入的织物缺陷图像进行分类.实验结果表明,该方法提高了织物缺陷图像分类的准确率和效率,能较好地满足实际应用中的需求.

摘要： 城市绿地在缓解城市热环境效应问题中发挥着重大作用.面向对象的绿地提取方法是一种基于面向对象的图像分析技术的绿地信息提取方法,相较于传统基于光谱分类方法和基于专家知识决策树的分类方法,面向对象的图像分类方法能够减少同物异谱、同谱异物对分类结果的影响.本文以重庆市涪陵区为研究基址,通过面向对象分类的方法进行绿地信息提取,基于landsat8TM影像地表温度反演生成涪陵区地表温度图像.对研究区域绿地斑块面积、周长、形状指数等指标与绿地斑块平均温度的关系进行回归分析,进而探索地表热环境与绿地斑块的相关性、涪陵区夏季绿地空间热环境.以期提出一种实践性强、精确度高的绿地热空间评估方法,为涪陵区绿地的合理规划提供参考.

摘要： 回归分析是刻画图像数据之间相互关系一个常用而有效的工具,近年来,回归分析是机器学习领域的研究热点之一.实际应用问题中,由于遮挡、光照等因素的影响,图像数据的噪声是十分复杂的,经典的回归分析模型难以准确地刻画诸如此类的图像噪声.本文从如何有效地建模图像中多种类型噪声的角度,介绍了稳健回归分析的一些最新研究进展.特别地,详细地分析了几种二维的稳健回归模型.

摘要： 针对传统图转导(GT)算法计算量大并且准确率不高的问题,提出一个基于C均值聚类和图转导的半监督分类算法.首先,采用模糊C均值(FCM)聚类算法先对未标记样本预选取,缩小图转导算法构图数据集的范围;然后,构建k近邻稀疏图,减少相似度矩阵的虚假连接,进而缩减了构图的时间,通过标记传播的方式得出初选未标记样本的标记信息;最后,结合半监督流形假设模型利用扩充的标记数据集以及剩余未标记数据集进行分类器的训练,进而得出最终的分类结果.在Weizmann Horse数据集下,所提算法分类准确率均达到96％以上,和传统仅使用图转导的分类方法相比,解决了对初始标记集的依赖性问题,将准确率至少提高了10％;将所提算法直接运用到兵马俑数据集,分类准确度也达到95％以上,明显高于传统的图转导算法.实验结果表明,基于C均值聚类和图转导的半监督分类算法,在图像分类方面有较好的分类效果,对图像的精准分类具有研究意义.

摘要： 针对工业流水线上外形相似、区分度较低的多种阶梯轴类零件,提出了一种利用单目相机对多个目标同时进行分类和定位的算法.工业相机拍摄到的图像经过滤波降噪、边缘提取、形态学处理等步骤后被分割成多个含有零件的感兴趣区域,沿区域中零件的长轴方向采样多条直径归一化后形成特征向量,并与模板向量进行匹配,进而完成分类;对于零件的实际位置坐标,通过内参矩阵的标定与外参矩阵的求解相结合便可求得.实验结果表明该分类与定位算法具有良好的准确性.系统及算法通过开源计算机视觉库OpenCV实现,可以在较低的硬件配置下稳定运行,十分方便工业流水线部署.

摘要： 针对工业流水线上外形相似、区分度较低的多种阶梯轴类零件,提出了一种利用单目相机对多个目标同时进行分类和定位的算法.工业相机拍摄到的图像经过滤波降噪、边缘提取、形态学处理等步骤后被分割成多个含有零件的感兴趣区域,沿区域中零件的长轴方向采样多条直径归一化后形成特征向量,并与模板向量进行匹配,进而完成分类;对于零件的实际位置坐标,通过内参矩阵的标定与外参矩阵的求解相结合便可求得.实验结果表明该分类与定位算法具有良好的准确性.系统及算法通过开源计算机视觉库OpenCV实现,可以在较低的硬件配置下稳定运行,十分方便工业流水线部署.

摘要： 针对工业流水线上外形相似、区分度较低的多种阶梯轴类零件,提出了一种利用单目相机对多个目标同时进行分类和定位的算法.工业相机拍摄到的图像经过滤波降噪、边缘提取、形态学处理等步骤后被分割成多个含有零件的感兴趣区域,沿区域中零件的长轴方向采样多条直径归一化后形成特征向量,并与模板向量进行匹配,进而完成分类;对于零件的实际位置坐标,通过内参矩阵的标定与外参矩阵的求解相结合便可求得.实验结果表明该分类与定位算法具有良好的准确性.系统及算法通过开源计算机视觉库OpenCV实现,可以在较低的硬件配置下稳定运行,十分方便工业流水线部署.

摘要： 针对工业流水线上外形相似、区分度较低的多种阶梯轴类零件,提出了一种利用单目相机对多个目标同时进行分类和定位的算法.工业相机拍摄到的图像经过滤波降噪、边缘提取、形态学处理等步骤后被分割成多个含有零件的感兴趣区域,沿区域中零件的长轴方向采样多条直径归一化后形成特征向量,并与模板向量进行匹配,进而完成分类;对于零件的实际位置坐标,通过内参矩阵的标定与外参矩阵的求解相结合便可求得.实验结果表明该分类与定位算法具有良好的准确性.系统及算法通过开源计算机视觉库OpenCV实现,可以在较低的硬件配置下稳定运行,十分方便工业流水线部署.

摘要： 本公开提供了一种图像分类方法和图像分类模型的训练方法，涉及计算机技术领域，尤其涉及基于人工智能的深度学习技术领域。实现方案为：获得目标图像；对目标图像执行特征提取，以获得目标图像特征，其中，目标图像特征与第一图像特征的相似度大于预设值，其中，第一图像特征是通过对目标图像进行变换后获得的第一图像执行特征提取后获得的；以及基于目标图像特征，获得目标图像的分类结果，分类结果指示目标图像对应于多个类别中的第一类别。

摘要： 本申请提供了一种图像分类模型的训练方法、图像分类方法、装置及设备，属于人工智能技术领域。方法包括：获取第一样本数据集；获取第二样本数据集；基于第一样本数据集，采用自监督的方式对图像分类模型进行预训练，得到第一图像分类模型；基于第二样本数据集，对第一图像分类模型进行训练，得到目标图像分类模型。上述技术方案，通过在预训练时引入图像类型标签和染色固定标签，使得第一图像分类模型能够学习到样本染色图像本身的特征，该第一图像分类模型能够对细胞进行较为精确的分类，再基于样本细胞图像和细胞标签对该第一图像分类模型进行训练，能够进一步的提高模型的分类精度，使得训练得到的目标图像分类模型具有较高的分类精度。

摘要： 本申请提供一种图像分类模型训练方法、图像分类方法、设备及存储介质，具体实现方案包括：获取目标图像分类模型及对目标图像分类模型进行训练的图像训练样本；采用图像训练样本对目标图像分类模型进行训练，并在每次训练时先后执行对目标图像分类模型中的决策函数的学习训练过程及对图像训练样本对应的特征表示的学习训练过程，两个学习训练过程对应的损失函数表示为L2正则化推广形式，并且在对应的损失函数中对决策函数或特征表示进行正交化处理；判断是否满足目标图像分类模型的收敛条件；若确定满足目标图像分类模型的收敛条件，则将满足收敛条件的目标图像分类模型确定为训练至收敛的图像分类模型。

摘要： 本申请公开了一种图像分类模型训练和图像分类方法、装置、电子设备及可读存储介质，通过获取当前的标注了分类类型的图像样本，并将图像样本输入图像分类模型，由图像分类模型随机选取预设比例的神经元对图像样本的类型进行预测，预测得到图像样本的类型，并利用预测的图像样本的类型与图像样本标注的类型标签，计算得到损失值，基于损失值判断图像分类模型是否完成训练，若否则将损失值传递给图像分类模型，以供模型调整模型参数，若是则得到训练后的图像分类模型。在图像分类模型的训练过程中，每次训练均会随机选取预设比例的神经元对图像样本的类型进行预测，避免模型过度依赖于某些特定的神经元，从而一定程度上提升模型的预测准确性。

摘要： 本申请实施例提供了一种图像分类方法、图像分类模型的训练方法及装置，涉及人工智能领域。该方法包括：将待分类图像输入至预先训练的图像分类模型的编码层，进行向量提取，得到特征向量，特征向量包括多个局部向量，每个局部向量对应待分类图像中的一个子图像；利用编码层中的注意力机制层，对局部向量进行筛选，得到剩余局部向量；基于剩余局部向量得到待分类图像的分类结果。本申请实施例在缩减局部向量的过程中首先无需辅助网络，也没有引入更多的参数，由于可以从头训练一个轻量级的图像分类模型，因此能够降低计算量，还适用于不同分辨率的图像，增强了方案的适应性。

摘要： 本申请公开了一种图像分类、图像分类模型的训练方法、装置、设备及介质，属于人工智能技术领域。该图像分类方法包括：获取目标图像；基于目标图像，获取第一分类层级与关联层级之间的关联信息；基于目标图像在关联层级下对应的分类结果以及关联信息，获取目标图像在第一分类层级下对应的分类结果；其中，关联层级为至少两个分类层级中与第一分类层级满足关联条件的分类层级。此种方式，在获取目标图像在第一分类层级下分别对应的分类结果的过程中，不仅考虑了图像本身，还考虑了第一分类层级与关联层级之间的关联信息，考虑的信息较丰富，有利于提高分类结果的可靠性，进而提高图像分类的准确性。

摘要： 本发明提供了一种图像分类模型训练方法及图像分类方法、系统，该图像分类模型训练方法包括：获取初始图像样本，并对初始图像样本进行数据增强，得到增强图像样本；将初始图像样本及增强图像样本输入预设图像分类模型，得到初始输出特征及增强输出特征；将增强输出特征与初始输出特征进行拟合，得到特征拟合结果；将初始输出特征及增强输出特征进行拼接，得到融合特征，并对融合特征与预设标签向量进行拟合，得到标签拟合结果；根据特征拟合结果及标签拟合结果，更新模型中的参数，直至得到训练完成的图像分类模型。本发明通过对样本进行数据增强来提高图像分类模型的泛化能力，并且使得样本训练出的模型分类性能得到保障，提高了模型的性能。

摘要： 公开了人脸图像分类方法、人脸图像分类装置和存储介质。人脸图像分类方法包括以下步骤：接收第一图像集，第一图像集与第一人对应但不具有对图像进行标记的标签；提取第一图像集中的每个图像的特征；基于所提取的特征，计算第一图像集中的每个图像对之间的相似度；基于所计算的相似度，构建图；基于所提取的特征以及所构建的图，通过使用图卷积网络来确定每个节点的概率值，该概率值指示出节点表示第一人的人脸图像的概率，其中，图卷积网络是通过使用第一图像集和第二图像集两者而被训练的，第二图像集具有将图像标记为是否表示第二人的人脸图像的标签；以及基于所确定的概率值，将节点分类为信号节点和噪音节点。

摘要： 本申请公开了安检图像分类模型训练方法、安检图像分类方法及装置，安检图像分类模型包括第一网络结构和第二网络结构；安检图像分类模型的训练过程，通过获取已标注标签的安检训练图像；利用第一网络结构提取特征图，并基于提取的特征图预测第一分类结果；基于第一分类结果及标签，计算第一网络结构的第一损失；利用第二网络结构对特征图进行形状特征提取，得到形状特征图，并基于形状特征图预测第二分类结果；基于第二分类结果及标签，计算第二网络结构的第二损失；基于第一损失及所述第二损失，计算安检图像分类模型的总损失，并基于总损失调整安检图像分类模型的网络参数，直至达到设定训练结束条件为止，得到训练后的安检图像分类模型。

摘要： 本公开的实施例公开了用于训练图像分类模型的方法、装置、电子设备和介质。该方法的一具体实施方式包括：将预先获取的初始样本集合和新样本集合中的样本图像输入至初始图像分类模型，生成与该初始样本集合和该新样本集合分别对应的第一损失值，其中，该初始图像分类模型中包括与该新样本集合对应的全连接层以及基于该初始样本集合训练得到的主干网络和与该初始样本集合对应的全连接层，该第一损失值分别基于与该初始样本集合和该新样本集合对应的全连接层输出的结果和对应的样本标注信息生成；调整该初始图像分类模型中与所生成的第一损失值相关联的权重，以训练该初始图像分类模型。该实施方式提高了训练图像分类模型的可扩展性。