本文選題：多特征融合 + 多尺度核卷積網(wǎng)絡(luò)��； 參考：《東北大學(xué)學(xué)報(bào)(自然科學(xué)版)》2017年07期

【摘要】：提出一種基于多特征融合的圖像區(qū)域幾何標(biāo)記方法.首先,提出了一種新型卷積網(wǎng)絡(luò)結(jié)構(gòu)——多尺度核卷積網(wǎng)絡(luò)用于提取像素點(diǎn)的多尺度特征信息,推斷像素點(diǎn)的幾何類別,并結(jié)合圖像超像素分割獲得圖像超像素區(qū)域的幾何標(biāo)記;其次,將提取的多尺度特征與超像素區(qū)域傳統(tǒng)特征相結(jié)合,建立超像素區(qū)域的特征表達(dá).最后,建立超像素圖像的條件隨機(jī)場(chǎng)(conditional random field,CRF)模型,對(duì)超像素區(qū)域的幾何類別進(jìn)行推斷.在公開數(shù)據(jù)集Geometric Context(GC)上的實(shí)驗(yàn)結(jié)果表明,同已有算法相比,所提方法提高了圖像區(qū)域幾何標(biāo)記的準(zhǔn)確率.
[Abstract]:An image region geometric marking method based on multi-feature fusion is proposed. First of all, a new convolutional network structure, multi-scale kernel convolution network, is proposed to extract the multi-scale feature information of pixel points and to infer the geometric category of pixel points. The geometric markers of the super-pixel region are obtained by combining the image super-pixel segmentation. Secondly, the feature expression of the super-pixel region is established by combining the extracted multi-scale features with the traditional features of the super-pixel region. Finally, the conditional random field (conditional random (CRF) model of super-pixel image is established to infer the geometric category of super-pixel region. The experimental results on the open dataset Geometric context (GC) show that compared with the existing algorithms, the proposed method improves the accuracy of geometric marking of image regions.
【作者單位】： 東北大學(xué)研究院;
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(61273239) 中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(N151802001)
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 初紅霞;王科俊;王希鳳;郭慶昌;韓晶;;多特征融合的退火粒子濾波目標(biāo)跟蹤[J];計(jì)算機(jī)工程與應(yīng)用;2011年06期

2 顧鑫;王海濤;汪凌峰;王穎;陳如冰;潘春洪;;基于不確定性度量的多特征融合跟蹤[J];自動(dòng)化學(xué)報(bào);2011年05期

3 姚紅革;杜亞勤;;基于多模式多特征融合粒子濾波視頻目標(biāo)跟蹤[J];西安工業(yè)大學(xué)學(xué)報(bào);2012年11期

4 王蘭;;基于多特征融合的票據(jù)分類技術(shù)及應(yīng)用[J];計(jì)算機(jī)光盤軟件與應(yīng)用;2013年13期

5 陳增照;何秀玲;楊揚(yáng);董才林;;基于多特征融合的票據(jù)分類技術(shù)及應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2006年09期

6 周斌;林喜榮;賈惠波;宋榕;;多特征融合的手背血管識(shí)別算法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年02期

7 劉貴喜;范春宇;高恩克;;基于粒子濾波與多特征融合的視頻目標(biāo)跟蹤[J];光電子.激光;2007年09期

8 胡全;邱兆文;王霓虹;;基于多特征融合的圖像語義標(biāo)注[J];東北林業(yè)大學(xué)學(xué)報(bào);2008年10期

9 周靜;黃心漢;彭剛;;基于多特征融合的飛機(jī)目標(biāo)識(shí)別[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年01期

10 沈才梁;許雪貴;許方恒;龍丹;;多特征融合的人臉檢測(cè)[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2009年11期

相關(guān)會(huì)議論文 前3條

1 葉鋒;蔡光東;鄭子華;亓?xí)孕?尹鵬;;基于多特征融合的藥用植物標(biāo)本識(shí)別[A];2011年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

2 段其昌;季長(zhǎng)有;;基于多特征融合的快速人臉檢測(cè)[A];第十七屆全國(guó)測(cè)控計(jì)量?jī)x器儀表學(xué)術(shù)年會(huì)（MCMI'2007）論文集（上冊(cè)）[C];2007年

3 李玉峰;鄭德權(quán);趙鐵軍;;基于SVM和多特征融合的圖像分類[A];第四屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集（上）[C];2008年

相關(guān)博士學(xué)位論文 前6條

1 劉明華;復(fù)雜環(huán)境下基于多特征融合的目標(biāo)跟蹤關(guān)鍵技術(shù)研究[D];青島科技大學(xué);2016年

2 SAEED-UR-REHMAN;基于機(jī)器學(xué)習(xí)的排序優(yōu)化及其在行人再識(shí)別中的應(yīng)用研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2017年

3 田綱;基于多特征融合的Mean shift目標(biāo)跟蹤技術(shù)研究[D];武漢大學(xué);2011年

4 徐志剛;基于多特征融合的路面破損圖像自動(dòng)識(shí)別技術(shù)研究[D];長(zhǎng)安大學(xué);2012年

5 陳秀新;多特征融合視頻復(fù)制檢測(cè)關(guān)鍵技術(shù)研究[D];北京工業(yè)大學(xué);2013年

6 初紅霞;基于均值移動(dòng)和粒子濾波的目標(biāo)跟蹤關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 張巖;基于多特征融合及二部圖匹配的3D目標(biāo)檢索技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

2 計(jì)明明;基于多特征融合的三維模型檢索技術(shù)[D];浙江大學(xué);2015年

3 王慶;基于多特征融合的人體動(dòng)作識(shí)別方法研究[D];上海大學(xué);2015年

4 劉婕;復(fù)雜場(chǎng)景多特征融合粒子濾波目標(biāo)跟蹤[D];重慶理工大學(xué);2015年

5 崔劍;基于多特征融合的分級(jí)行人檢測(cè)方法研究[D];電子科技大學(xué);2015年

6 王珊珊;基于極化SAR非監(jiān)督分類的油膜厚度估算方法研究[D];大連海事大學(xué);2015年

7 肖冠;基于多特征融合的異類傳感器中段目標(biāo)關(guān)聯(lián)算法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

8 王建榮;基于多特征融合的無人機(jī)航拍圖像識(shí)別研究[D];成都理工大學(xué);2015年

9 高爽;基于多特征融合的粒子濾波跟蹤算法研究[D];西安電子科技大學(xué);2014年

10 坎啟嬌;基于多特征融合的多目標(biāo)跟蹤算法[D];河北工業(yè)大學(xué);2015年

，

本文編號(hào)：2117465