-
题名基于视觉传达的视频图像帧特征动态识别仿真
被引量：3
- 1
-
-
作者
王卓
-
机构
长春理工大学光电信息学院
-
出处
《计算机仿真》
北大核心
2020年第7期455-458,479,共5页
-
文摘
传统视频图像帧特征识别方法主要基于三维模型来完成,但由于图像识别的复杂性,导致很难构建准确的三维模型,所以基于模型的方法只能在理想条件下具有较高识别率。为了提升视频图像动态识别的实际应用,提出了基于视觉传达的视频图像帧特征动态识别方法。通过灰度变换和阈值化处理方法对视频图像进行预处理,根据小波变换分析预处理后的灰度视频图像中灰度与细节的特点,利用灰度投影法对视频图像进行帧特征提取,在此基础上,采用以K-L(Karhuncn-Loeve)变换为核心的局部识别方法,最大限度上保留了完整的图像信息,完成了视频图像帧特征的动态识别。仿真结果表明,该方法具有较高的识别率和精准度,且识别时间较短,满足了实际应用需求。
-
关键词
三维模型
灰度投影法
光学图像特征
加权映射法
-
Keywords
Three-dimensional model
K-L transform
Gray projection method
Optical image feature
weighted mapping method
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名DRSTN:深度残差软阈值化网络
- 2
-
-
作者
曹岩
朱真峰
-
机构
郑州大学计算机与人工智能学院
-
出处
《计算机科学》
CSCD
北大核心
2024年第S01期81-87,共7页
-
基金
国家自然科学基金面上项目(62176239)。
-
文摘
在采用深度残差等神经网络模型解决图像分类任务时,特征提取过程损失的一些重要特征会影响模型的分类性能。神经网络“端到端”的学习模式带来的黑盒问题,也会限制其在诸多领域的应用和发展。另外,神经网络模型往往需要较长的训练时间。为了提高深度残差网络模型的分类效果和训练效率,引入了模型迁移方法和软阈值化方法,提出了DRSTN(Deep Residual Soft Thresholding Network)网络,并对此网络结构进行微调,生成了不同版本的DRSTN网络。DRSTN网络的性能得益于3个方面的有机整合:1)通过梯度加权类激活映射(Gradients-weighted Class Activation Mapping,Grad-CAM)方法对网络的特征提取进行可视化,根据可视化结果挑选进一步优化的模型;2)基于模型迁移,研究人员不必全新地搭建模型,可以直接在已有的模型上进行优化,能够节省大量训练时间;3)软阈值化作为非线性变换层嵌入到深度残差网络体系结构中,以消除样本中不相关的特征。实验结果表明,在相同训练条件下,DRSTN_KS(3*3)_RB(2:2:2)网络在CIFAR-10数据集上的分类精度相比SKNet-18,ResNet18和ConvNeXt_tiny网络分别提高了15.5%,8.8%和10.9%;该网络也具有一定的泛化性,在MNIST和Fashion MNIST数据集上能够达到快速的迁移效果,分类精度分别达到99.06%和93.15%。
-
关键词
迁移学习
残差网络
梯度加权类激活映射
软阈值化方法
图像分类
-
Keywords
Transfer learning
Residual network
Gradient weighted class activation mapping
Soft thresholding method
Image classification
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
