排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
针对图像多分类任务,提出基于深度卷积的残差三生网络,旨在通过残差学习和距离比较来训练神经网络得到有效的特征表示。首先,设计了一个21层的深度卷积神经网络作为三生网络的嵌入网络,其中该卷积网络共连接6个块（block）。利用残差学习的方式,每个block的输出层由卷积层的输出和该block的输入共同组成,降低网络学习难度,避免网络出现退化问题。然后,每个block中采用相同拓扑结构分路的卷积层,拓宽网络的宽度。最后,在全连接层拼接了来自前面卷积层和block的输出,加强特征信息的传递。训练前,针对正负样本采用交叉组合的采样方法来增加有效训练样本量;训练期间,用样本中心点更换原点样本作为输入,能平均降低0.5%错误率。在与其他三生网络的对比实验中,在MNIST、CIFAR10和SVHN数据库上达到最好的效果,在所有分类网络中,本文网络在MNIST上达到最好的效果,在CIFAR10和SVHN上表现优异。 相似文献
针对目标跟踪问题,提出基于傅里叶域卷积表示的目标跟踪算法,将目标跟踪问题转化为卷积表示模型,通过求解最优滤波器,得到对目标函数的最佳表示,可以实现快速鲁棒的跟踪。多通道卷积表示模型在傅里叶域等价于求解线性方程的最佳近似解。首先,通过广义逆理论求得该方程的最优通解,给出一般滤波器的表示形式;然后,利用前一时刻的滤波器和当前特征模板生成当前滤波器,利用满秩算法快速求解广义逆;最后,在位移和尺度上更新、应用该滤波器。在目标跟踪基准（OTB）数据库中的大量实验表明,本文算法比当前部分较为先进的跟踪算法具有更好的表现,并提供了更加灵活多样的滤波器设计。 相似文献
3.
针对多光谱图像与全色图像的融合问题,提出了一种新的全色锐化方法。该方法首先通过亮度、色调、饱和度(IHS)变换与非下采样框架变换将原图像从空间域变换到框架域,然后利用基于图论的随机游走,建立高频框架系数的统计融合模型。此模型根据高频框架系数的邻域相关性与尺度相关性构造新的随机游走协调函数,将高频框架系数融合权重的估计转化为随机游走标记问题的求解。实验结果表明,该方法有利于保持图像的光谱信息和边缘轮廓信息,可以在降低融合图像光谱误差的同时提高空间分辨率,并且优于一些主流全色锐化方法。 相似文献
1