提出一种基于马尔科夫链蒙特卡罗(MCMC)框架的子图学习方法,该方法通过构建马尔科夫链实现子图在状态空间中的迭代,最终得到用于匹配的最优子图,以有效提高图匹配的精度,减少离散值的影响。在此过程中,所提方法可以在一对一的匹配约束下有效保存成对的匹配点,同时避免了离散值和畸变值的影响。实验分别在合成图像数据集、真实图像数据集、3D模型数据集上展开,实验结果证明了所提方法在图匹配过程中的优越性。

提出一种利用细胞时域演化特征来表示有丝分裂的方法。首先,该方法从细胞有丝分裂序列的每帧图像中提取三种不同特征,即通用搜索树(GIST)、尺度不变特征变换(SIFT)、卷积神经网络(CNN),针对提取的每种特征,用池化方法在空间和时间维度上对其进行处理;然后,将处理后的一系列池化特征组合成一个单一的特征向量来表示该细胞有丝分裂事件的最终特征;最后,将组合后的特征向量作为分类器的输入,利用传统的机器学习方法,即支持向量机(SVM)来处理有丝分裂事件的识别问题。实验结果表明所提方法在精度和召回率方面均优于传统方法,可以更好地应用于细胞有丝分裂检测中。

在人脸表情识别任务中，传统的机器学习方法是基于人工来提取特征，其特征提取过程时间复杂度高且稳健性差，而现有依赖单通道卷积核的卷积神经网络提取特征不够充分，进而导致识别率不高。针对这些问题，提出一种多分辨率特征融合的卷积神经网络。利用两个相互独立且深度不同的通道对图片进行特征提取，使卷积神经网络自主学习同一图像下不同分辨率的特征，然后将不同分辨率的特征送入全连接层并进行特征融合，最后经过softmax分类器进行表情分类。在JAFFE和CK+表情数据库上进行了多次实验，结果表明，与传统的机器学习方法和现有的卷积神经网络结构相比，所提卷积神经网络结构模型具有稳健性好、泛化能力强、收敛速度快的优点。