黑龙江八一农垦大学 信息与电气工程学院，黑龙江 大庆 163319
针对红外图像目标识别问题，提出了联合卷积神经网络和联合稀疏表示的方法。卷积神经网络学习红外目标图像的深度特征，描述目标的多层次特性。不同深度特征可实现对目标不同特性的描述，因此具有良好的互补性。综合运用多层次深度特征，可为目标识别提供更为充分的信息。分类过程中，采用联合稀疏表示对待识别样本的多层次深度特征矢量进行表征，通过不同特征矢量之间的相关性约束提升整体表示精度。因此，联合稀疏表示在利用各层次深度特征的同时，充分考察了它们之间的内在关联。根据联合稀疏表示的输出结果，按照误差最小的原则判定输入样本的目标类别。实验基于中波红外（ MWIR）目标图像数据集开展，分别在原始测试样本、噪声测试样本以及少量训练样本3类条件下对提出方法进行了测试，并与4类现有红外目标识别方法进行了对比分析。实验结果表明，提出方法在设置的3类测试条件下均可以取得优势性能，表明其对于红外图像目标识别问题具有应用潜力。
红外图像 目标识别 深度特征 联合稀疏表示 infrared imagery target recognition deep features joint sparse representation 红外与激光工程
2021, 50(3): 20200399
华侨大学信息科学与工程学院厦门市移动多媒体通信重点实验室, 福建 厦门 361021
提出了基于多特征稠密卷积神经网络的模型框架(DenseNet-SE)。与传统方法相比,DenseNet-SE采用数据驱动的方法,无需手工提取特征。该框架包含了稠密残差块的结构,能够获取深度特征。通过跳跃连接的方式,从浅层获取细粒度特征来辅助深度特征。同时,融合特征有助于网络结构获取更多全局信息,更好地表示公式符号的类别。利用在线手写数学表达式识别的竞赛组织(CROHME)提供的标准数学公式符号库来验证所提算法,结果表明,CROHME2014和CROHME2016的识别率分别达到93.38%和92.93%,高于目前已有算法的识别率。
光计算 稠密卷积神经网络 手写公式符号 稠密残差块 深度特征 细粒度特征 激光与光电子学进展
2019, 56(7): 072001
空军工程大学航空航天工程学院, 陕西 西安 710038
针对传统飞机检测方法准确率低、虚警率高、速度慢等问题, 提出一种全卷积神经网络多层特征融合的飞机快速检测方法。将浅层和深层的特征经过采样后在同一尺度进行融合, 以缓解由于深层特征图维度过低造成的对小目标表达不足的问题；修改区域提取时的选框尺寸以适应实际图像中飞机的尺寸特征；用卷积层代替全连接层以减少网络参数并适应不同大小的输入图像；复用区域提取网络和检测网络的卷积层和学习的特征参数以保证检测的高效性。仿真结果表明, 与典型的飞机检测方法相比, 所提方法在测试集上取得了更高的准确率和更低的虚警率, 同时大大加快了检测速度。
机器视觉 飞机检测 全卷积神经网络 浅层和深层特征 特征融合
