针对传统神经网络无法对相似度较高的中式菜品进行有效分类的问题,提出了一种基于改进残差网络的中式菜品识别 RNA-TL (ResNet with Attention and Triplet Loss) 模型。该算法先融合多尺度特征以提取深层次图像的语义信息,然后增加一层注意力机制层,给予图像重要部分更多的关注,最后利用三元组损失(Triplet Loss, TL)计算类间相似度并将结果输入到支持向量机(Support Vector Machine, SVM)中进行分类。实验表明,相较于其他主流算法模型,RNA-TL模型在中式菜品公共数据集上以及课题组采集的数据集上的识别准确率表现出更优越的性能。

针对超分辨率图像重建的病态问题，设计了一种新的自适应超分辨率图像序列重建算法。该算法在L1范数重建框架下，利用金字塔算法与Lucas-Kanade算法相结合的方法实现图像配准，获得亚像素的运动估计；通过引入移位算子给出了基于正交梯度算子的正则项的实现方法，并从自适应的角度选择正则化参数，最后通过最速下降法求解模型的目标泛函最小值。结果表明：对于模拟实验和真实序列实验，该方法相比于样条插值算法、Tikhonov正则化算法、双边全变差重建算法都有一定的优势，能够取得更好的复原效果，并且由于正则项较为简单，重建所需时间相对减少。