针对输电线路绝缘子缺陷检测准确率低和检测速度慢的问题，提出了一种基于多尺度特征编码和双重注意力融合的输电线路绝缘子缺陷检测方法。首先，为了使检测模型适应缺陷绝缘子特征尺度的多样性，编码网络采用Res2Net50提取更细粒度的特征，并在之后嵌入空洞空间金字塔池化模块实现多个尺度捕捉绝缘子及其缺陷的特征；其次，为了减少解码网络中特征信息的缺失，将主干网络的不同层特征与efficient channel attention注意力模块串联，并分别与经过squeeze and excitation注意力模块的各反卷积特征相加形成双重注意力融合。实验结果表明，所提方法的均值平均精度值约为95.35%，每秒传输帧数约为65.95，与其他方法相比，该方法对无人机绝缘子缺陷的准确检测具有一定的参考价值。

基于编码的特征表达方法在光照不变性、运算效率、特征表述能力等方面具有较大优势, 成为新型的特征提取方法之一。手指静脉图像采用红外光透射成像, 加之手指内部其他组织的固有影响, 图像质量普遍较低。将Gabor滤波对图像纹理的增强与局部图结构编码的思想相结合, 重点研究一种新的对称邻域交叉图结构, 将局部邻域的纹理变化转换为加权的编码串。通过不同方向特征编码提取每个通道Gabor滤波图像的特征编码图, 充分表达像素点周围邻域的位置信息和梯度信息, 具有良好的旋转不变性。实验结果表明: 提出的手指静脉特征编码新方法比多种常用特征编码方法具有更好的识别性能, 对图像姿态变化更鲁棒。

为了提高对视频序列中人体行为的识别能力, 建立了基于局部特征的动作识别框架。通过时空特征提取及编码和SVM分类器参数优化两部分对该框架所涉及算法进行了研究。首先, 采用Harris3D检测器获取时空兴趣点(STIP), 以方向梯度直方图(HOG)和光流方向直方图(HOF)对STIP进行描述, 并引入Fisher向量实现对特征描述子的编码; 由于固定参数下SVM动作分类模型存在泛化能力不足的问题, 将粒子群算法应用于各动作分类器参数寻优过程中, 针对种群多样性逐代变化的特点, 构建粒子聚集度模型, 并利用其动态调节各代粒子的变异概率; 最后, 利用KTH和HMDB51数据集对所提方法进行验证。结果表明, 所提自适应变异粒子群算法(AMPSO)能够有效避免种群陷入局部最优, 具备较强的全局寻优能力; 在KTH和HMDB51数据集上的识别准确率分别为87.50%和26.41%, 优于其余2种识别方法。实验证明, AMPSO算法收敛性能良好且整体识别框架具有较高的实用性和准确性。

以编码理论和神经网络优化算法为基础,提出了一种构造特征编码模板用于识别某一类模式集的方法,并以26个大写英文字母的识别作为实例进行了研究。提出了一种从二维视图识别三维目标的多网络融合方法,基于单个网络分类的置信度概念,有效地结合多个网络的输出结果作出最终分类判决。应用三个多层前向网络(隐层神经元数、初始权值等取不同值),设计了基于分类确信度的多网络融合结构。对四类车辆目标进行的识别实验表明,所提出的多网络融合方法明显优于单个网络的识别性能。