1 天津大学 电气自动化与信息工程学院，天津 300072
2 天津津航技术物理研究所，天津 300308
近年来，基于深度学习的目标检测技术在机器人、自动驾驶和交通监控等领域有着广泛的应用。然而，由于训练集和测试集样本分布偏差的原因，将现成的预训练检测器应用到实际开放场景时通常会出现明显性能下降。针对该问题提出了一种频域内的领域自适应方法，利用离散余弦变换的频域能量集中特性，通过在频域内对少数重要频率系数进行处理，实现了面向目标检测的领域自适应，降低了对存储和计算资源的要求并减少了领域差异。该方法可以分为两个阶段：第一阶段使用无监督图像转换方式，将源域已标注的训练数据向目标域作转换；第二阶段采用基于对抗的领域自适应方法训练目标检测模型，对转换后的训练数据与目标域内的数据作特征适配。针对不同天气场景的目标识别实验表明：所提的频域内领域自适应方法在4种领域自适应对比算法中排名第一，与仅用源域数据训练的模型相比，mAP值提升了33.9%。
领域自适应 目标检测 图像转换 频域 domain adaptation object detection image translation frequency domain 红外与激光工程
2022, 51(7): 20210638
天津大学电气自动化与信息工程学院, 天津 300072
组织病理图像的自动分类是医学图像处理领域的重要问题,有效特征提取方法是实现准确诊断的关键。为了实现组织病理图像的特征表示,提出一种基于专家乘积系统(PoE)的特征提取算法,利用最大似然和蒙特卡罗随机采样方法训练对应不同图像类别的PoE模型,将图像样本在所有模型下的响应相连作为其特征向量。根据训练图像样本的特征向量建立支持向量机分类模型。实验测试了宾夕法尼亚州立大学诊断实验室公开的组织病理图像数据库中的肾、肺和脾的健康及患病器官的组织病理图像,结果显示,所提算法在3种器官图像分类中均具有较高的准确性。
图像处理 特征提取 专家乘积系统 概率模型 激光与光电子学进展
2018, 55(2): 021008
天津大学电气自动化与信息工程学院, 天津 300072
随着内容分享网络的发展,网络上的视频数据急剧增长,出现了大量的非法拷贝。为了减少版权侵犯纠纷,需要检测出网络上的非法拷贝。视频指纹是实现拷贝检测的关键技术,能够将视频感知内容表示为简短摘要。利用降噪自编码器(DAE)稳健性强的优点,通过逐层训练DAE构建独立提取各帧特征的深度网络,设计了一种基于时空神经网络的视频指纹算法。在此基础上,采用长短时记忆网络提取视频时序特征,并根据慢变特征分析理论设计了网络训练算法。实验结果表明:基于时空神经网络的视频指纹在视频拷贝检测中能够表现出较高的准确率,性能指标优于对比算法。
图像处理 视频指纹 神经网络 拷贝检测 特征提取 激光与光电子学进展
2018, 55(1): 011006
