全局特征

摘要： 行人重识别的目的是在跨区域、跨场景的情况下,检索出特定目标行人。由于行人外观可能相似,以及存在姿态变化和遮挡的问题,因此要求行人重识别模型能够捕捉到足够的细节信息。基于此,提出了图像特征融合的行人重识别算法,融合图像的全局特征与局部特征进行目标行人的检索。该算法构建了特征融合的图像通道,由卷积神经网络提取图像的视觉信息,将视觉特征分割为两个分支,分别进行全局特征和局部特征的计算。全局特征关注行人的整体外观,局部特征提供更多的细粒度信息。将所提方法在行人重识别的主流数据集Market1501和DukeMTMC-reID上进行了广泛的实验,证明了该方法的有效性。

摘要： 针对体育视频动作识别方法正确率较低的问题,提出了一种结合融合不变性特征与混合核方法的体育视频动作识别方法.采用高斯混合模型构建不变性特征,并对特征进行降维.采用混合核方法分别完成局部特征与全局特征的分类.标准体育动作数据集上的实验结果表明,降维后的融合不变性特征能够保留体育动作关键信息,与混合核方法配合密切,该方法既能够显著提升识别性能,也能够提升识别效率.该方法可以构建实时、在线的体育视频动作识别,且识别效果良好.

摘要： 为了有效改善现有人脸表情识别模型中存在的信息丢失严重、组件间相对空间联系不密切的问题,提出了一种改进的多尺度卷积神经网络模型,通过构建深层多尺度卷积神经网络,使模型能够挖掘出更多潜在的特征信息;通过特征融合促进信息的流通和重利用,减少池化操作所引起的重要信息丢失,使得模型具有更好的学习能力;通过控制每层多尺度卷积神经网络的卷积核大小来平衡全局特征与局部特征之间的关系,从而增强不同组件间的相对空间联系,避免了特征图通道信息的冗余。在两种不同的人脸表情识别数据集JAFFE和FER-2013上进行验证表明,算法在测试集上的准确率分别达到了95.45%和76.56%,证明了所提算法的有效性和先进性。

摘要： 由于行人重识别面临姿态变化、遮挡干扰、光照差异等挑战,因此提取判别力强的行人特征至关重要.本文提出一种在全局特征基础上进行改进的行人重识别方法,首先,设计多重感受野融合模块充分获取行人上下文信息,提升全局特征辨别力;其次,采用GeM池化获取细粒度特征;最后,构建多分支网络,融合网络不同深度的特征预测行人身份.本文方法在Market1501和DukeMTMC-ReID两大数据集上的mAP指标分别达到83.8%和74.9%.实验结果表明,本文方法有效改进了基于全局特征的模型,提升了行人重识别的识别准确率.

摘要： 为了在医学图像中提高胰腺计算机断层成像(computed tomography, CT)自动分割的准确率,针对传统分割方法存在受噪声影响大、过分割、欠分割等问题,以及胰腺周围的重要结构组织关系紧密且多变、边缘界限不易确定等特点,提出了一种基于全局特征U-net(U-net with global features, GF U-net)的胰腺图像分割方法。该方法比基于传统深度卷积神经的U-net网络能够提取出更精确的形状、纹理信息,将胰腺图像区域的毛刺边缘进行平滑化,能够更好地把握胰腺的全局特征。通过对82个由美国国立卫生研究院(national institutes of health, NIH)公开的胰腺CT数据进行四折交叉验证,得到Dice相似系数(Dice similariy coefficient, DSC)的均值为87.13%±3.76%,比传统的U-net网络增长了7.43%。提出的方法不仅拥有更高的准确率,而且生成胰腺的形状边缘更加契合生物学上的胰腺形状,更容易应用在临床医学中。

摘要： 为了高效地进行鸟类姿态分类,提出一种基于全局与随机局部特征融合的鸟类姿态识别模型.首先利用融合多分辨率的网络提取鸟类姿态全局特征;然后于网络中浅层与深层的高分辨率特征引入随机定位模块,即根据随机抽取的特征图求取最大值位置,形成包围盒裁剪原图;再将裁剪的局部图片送入子分类网络提取鸟类姿态局部特征;最后将全局和随机局部特征进行融合,并采用融合全局损失和局部损失的多损失策略进行网络调整,构建一种融合全局与随机局部特征的鸟类姿态识别模型.对CUB200-2011中存在完整单种姿态的鸟类图片进行整理汇总得到包含蹲伏、飞翔、游水和站立4种姿态的鸟类姿态数据集,基于该数据集进行实验的结果表明,所提模型的分类精度优于主流卷积神经网络框架,达到96.1%;对随机定位模块及其内部是否随机、分组情况和多损失策略等进行消融实验的结果表明,引入随机定位模块和多损失策略能够提高识别正确率,证明了随机定位模块和多损失策略的有效性.

摘要： 目的 文中通过提出一种新的回环解决方案,平衡回环检测系统的高准确率与高运行效率。方法 提出一种利用组合图像特征与分层节点搜索的新方法。首先,计算一种原始图像的下采样二值化全局特征和经过改进的ORB(oriented FAST and rotated BRIEF)局部特征,将其存入图像特征数据库。其次,引入一种分层节点搜索算法,在数据库中搜索与当前图像特征最相似的全局特征作为回环候选。最后,利用改进的ORB特征进行局部特征匹配,验证候选图像,确定回环检测结果。结果 使用该算法在3个不同的数据集上进行验证,测试中每次回环检测的平均处理时间仅需19 ms。结论 实验结果表明,该算法在运行效率、准确率、召回率等方面均达到了领域内的先进水平。

摘要： 为了进一步提高图像描述生成文本的精度,提出一种结合全局-局部特征和注意力机制的图像描述方法。该方法在传统的编码器-解码器模型上进行改进,从整体角度来看,编码器阶段使用残差网络ResNet101提取图像的全局特征和局部特征,以避免对象丢失或对象预测错误问题,在解码器阶段采用嵌入改进后的注意力机制的双向GRU生成文本序列。从局部角度来看,该模型提出的注意力机制是一种独立的循环结构,通过计算图像局部特征向量与语义向量之间的相似度来获取注意力权重,增强图像特征与语义信息之间的映射。在MSCOCO数据集上的实验结果显示,该算法在BLEU、CIDEr、METEOR等评价指标上均获得了不同程度的提升,表明使用该模型生成的描述文本准确度高且细节丰富。

摘要： 在传统基于关键词属性、情感属性和位置属性提取关键句的文本情感倾向性研究的基础上,提出一种融合全局特征和自身特征双窗口的加权TextRank关键句提取算法(WTTW算法),使用soft_voting对提取的关键句进行情感倾向性分析的方法。从全局特征出发通过关键词特征、位置特征、句子之间的相似度加权求和构建窗口为2的TextRank图模型,即将整个文本作为一个单元,设置长度为2的滑动窗口,从第一句至最后一句顺序进行滑动窗口建立图模型,迭代得到各句子的得分;再根据句子情感特征和标点特征对句子得分进行调整,得到关键句;使用soft_voting对提取的关键句进行情感倾向性分析。在四个不同领域进行实验,实验结果表明,该方法在各种评价指标下均显著优于baseline,具有高效性。

摘要： 针对目前的行人属性识别方法存在行人属性数据不均衡、行人特征表达能力不足、鲁棒性差的问题,本文提出局部特征重叠与行人属性识别相结合的方法.网络使用全局和局部两个分支来提升网络整体特征表达能力,在局部分支中将得到的特征图切分为几块大小相同的几个部分并使用Focal loss计算每个属性的损失解决行人属性不均衡问题.最后将投票选出的各属性最优损失与全局特征计算出来的ID损失共同作为模型总损失.在Market-1501_attribute和DukeMTMC-attribute两个行人属性数据集上进行测试,实验结果表明所提方法能够有效提高行人重识别的准确性.

摘要： 时间序列具有一些独特的特征,用传统的点和点距离度量时间序列的相似性存在很大问题.对此,用一种新的相似性度量——全局特征,从时间序列抽取统计分布特征、季节性、频谱特征等方面的特征值来构建特征向量,以特征向量为基础进行聚类分析.以某地区基站时间序列聚类为例,证实了全局特征法能够处理具有较大波动程度的时间序列,并且可以有效地对大型时间序列进行聚类计算.

摘要： 针对目前大多数显著性检测方法中采用背景种子以及局部区域对比度显著性检测模型的缺点,本文提出了一种综合局部特征以及全局特征的显著性检测算法.在对图像进行分割之后,算法首先融合了采用多特征方式生成的背景显著图与采用前景区域对比度方式生成的前景显著图,之后使用高斯滤波器对融合后的结果进行优化形成局部特征显著图.其次,在局部特征显著图的基础上提取多种特征的样本集合进行训练,从而得到全局特征显著图.算法最后将第一步生成的局部特征显著图与全局特征显著图进行结合生成最终的显著图.在三个公开数据集上对文章提出方法与近年来优秀的显著性检测算法进行了对比,大量实验表明了所提出的算法相较于其他算法检测效果有所提高.

摘要： 基于视觉的人体运动分析是计算机视觉研究领域一个非常活跃的研究方向,它在人机交互、基于内容的视频检索、智能视频监控和机器人等领域有着广泛的应用前景.其中,运动目标检测和人体行为识别是其中的核心研究内容,同时也伴随着许多挑战.对于运动目标检测而言,复杂背景、遮挡和光照变化等因素的影响是其遇到关键挑战因素.人体行为识别的挑战是有判别能力的人体行为特征提取方法和有效的人体行为识别建模方法.针对这些挑战,本文提出了一种鲁棒性强,抗噪性能优的人体运动目标检测方法.该方法将Canny边缘检测技术与基于局部与全局光流算法相结合来检测人体运动目标.同时,提出了一种简单高效的多信息融合的混合行为特征表示方法和相应的识别算法.该混合行为特征具有简单、鲁棒和判别能力强的特点,它融合了基于中心距的时空兴趣点局部特征和基于曲率函数的傅里叶描述子全局特征,同时利用泛化能力较强的随机森林模型进行快速分类.在Weinmann、HKT和自建的Kinect数据集上实验结果表明,相比其它监督行为识别分类算法,本文提出的方法具有简单、快速和高效的特点.

摘要： 本发明公开了一种融合全局语义特征与拼接特征的标准内容文本分类方法，步骤是：(1)提取标准内容文本的序列化向量；(2)确定每个单词的上下文表示；(3)提取词语上下文权重及全局语义信息；(4)提取文本特征信息；(5)融合输出特征得到最终的类别预测概率。本发明使用基于层和词的局部信息提取方法获得更多的局部语义特征，融合多网络有效提取全局语义特征，最后将二者融合，为标准内容文本分类提供了一种准确率高的文本分类方法。

摘要： 本发明公开了一种基于多尺度特征融合的全局特征对齐特征对齐目标检测技术。该发明可以进一步增强以Faster R‑CNN为代表的目标检测算法在不同应用场景下的泛化性能。以往基于全局特征对齐的目标检测技术通常存在两个问题：一是特征对齐尺度单一，且未减小由目标尺寸大小不同带来的域间差异；二是以往全局特征对齐在前景目标特征的同时，强制对齐了背景特征，影响特征对齐效果。本发明提出的基于多尺度特征融合的全局特征对齐特征对齐目标检测方法，将不同尺度的特征图进行融合，使得不同尺寸大小的目标特征一同对齐，并进行背景抑制，减少背景噪声影响，将网络注意力更多放在前景目标特征对齐上。

摘要： 本发明涉及一种基于局部和全局特征的特征依恋代码味道检测方法，属于计算机软件重构技术领域。本方法能够自动地提取代码中的特征信息，消除了人工提取特征的步骤，降低了人力成本，能够将提取出的特征信息与检测结果自动匹配，减少了人工设计规则的时间和人力成本。除加入已有代码度量中的结构化信息，还加入了源代码中局部特性信息和全局特征信息，可以辅助已有的度量值检测方式，对代码味道进行更深入的检测。本方法与基于传统机器学习的代码味道检测方法相比，提高了检测的精准率和查全率。

摘要： 本发明公开了一种基于局部特征和全局HSV特征组合的目标特征描述方法，包括以下步骤：获取目标对象帧，在目标对象帧中选取背景区域、目标区域、并设定用于计算局部像素块似然度的扩展区域；利用超像素聚类方法将目标区域分割成若干局部块，对每一局部块分别提取边缘方向特征和亮度特征并组合成局部特征描述向量；分别计算背景区域和目标区域的HSV空间颜色特征，并组合成全局特征描述向量；利用局部特征描述向量计算目标区域局部块的似然，通过目标区域中每一个位置像素属于对象目标区域的概率计算全局似然；利用局部块似然和全局似然计算目标区域总体似然概率，根据目标区域的总体似然概率判断特征描述的准确度。本发明提高了目标表观描述的准确度。

摘要： 一种基于全局特征和内在特征关联的迁移学习方法，包括通过深度神经网络来提取样本的深度特征；从目标域里选择一定比例的样本作为带标签的目标域样本，其余样本属于无标签的目标域样本；采用半监督的对抗迁移学习方法，学习出目标域的基模型；根据深度特征分别对源域的全部样本、目标域的无标签样本分别进行无监督聚类，每个聚类称为一个组件；对源域、目标域的组件进行匹配，每一个匹配称为一个配对；针对每一个配对，都以基模型为基础进行微调，使之更符合该配对里的目标域成分。同时考虑了特征的整体分布、特征之间的内在关联，可以更好地实现知识迁移，从而更好地解决了物体识别等领域里的人工标注费时、费力等问题，提高迁移效率。

摘要： 本发明属于动态草图检索领域，具体涉及一种基于草图局部特征和全局特征匹配的图像检索方法，该方法包括：获取待检索的手绘草图序列及对应的草图块，将草图序列和草图块输入到训练好的神经网络模型中得到草图的嵌入向量和草图块的嵌入向量；计算嵌入向量输入数据的欧式距离；将计算出的欧式距离进行加权融合，根据融合后的欧式距离返回检索到top‑k张图片，得到草图的检索结果；改进的神经网络模型包括完整图像分支和切块图像分支；完整图像分支用于对完整的草图进行处理，切块图像分支用于对草图块进行处理；本发明针对序列草图笔画信息稀少的问题，使用草图分割的方法搭建不同分支的网络模型，减少草图笔画信息稀少带来的准确率下降的问题。

摘要： 本发明公开了一种基于局部敏感特征与全局特征融合的人脸表情识别方法，步骤如下：对公开表情数据集进行预处理；构建基于局部特征与全局特征的神经网络结构，该结构由全局特征提取分支和局部敏感特征提取分支构成；在局部敏感特征提取分支中添加敏感损失，与交叉熵损失一起作为联合损失来监督网络学习；将预处理过的样本图像输入到网络模型中进行训练；将待测试的人脸图像送入训练好的神经网模型中进行表情识别；本发明通过捕获全局和局部敏感特征，从而有效提升了人脸表情分类效果。

摘要： 本发明提供了一种联合局部特征和全局特征的R‑FCN刀闸检测方法，该方法基于深度学习网络模型R‑FCN对变电站的刀闸进行状态检测。通过对变电站辅助监控系统嵌入网络摄像机集控软件实现相机多位置、多角度在不同室外天气环境、背景的刀闸图像采集，构建多样性的刀闸数据；通过对R‑FCN输出预测网络并联融入全局特征预测模块，补充原始网络只通过局部特征预测刀闸产生的感受野不足缺陷，提升对部分遮挡的刀闸检测准确率，降低对复杂背景中刀闸的漏检率和误检率；通过对局部特征预测结果和全局特征预测结果正则化后进行预测结果累加，实现全局特征预测结果对局部特征预测结果的补充，满足变电站刀闸远程检测和无人化值守的需求。

摘要： 本发明介绍了基于全局特征学习和局部特征判别聚合的点云分割方法，其包括以下步骤：步骤S1、设计FPE模块，丰富每个点云的特征并扩展全局感受野；步骤S2、设计LFDA模块，学习更具有区别性的局部特征；步骤S3、基于胶囊网络设计GFC模块；步骤S4、设计GCM模块，用于构建全局相关性；步骤S5、通过级联多个全局和局部信息编码模块，在下采样的同时，不断扩展点的感受野；步骤S6、改进加权交叉熵损失函数，解决盾构隧道典型要素类别数据分布不均衡的问题；步骤S7、通过三个全连接层与一个Dropout层获得最后的语义预测。本申请直接对大规模3D盾构隧道点云数据进行语义分割，避免任何的预处理或后处理，进而实现快速分割盾构隧道典型要素。

摘要： 本发明公开了一种全局特征与阶梯型局部特征融合的行人重识别方法及装置，方法包括：利用预训练好的行人重识别网络模型对待识别图像、图库图像分别进行提取得到待识别图像行人特征、图库图像行人特征；将待识别图像行人特征与图库图像行人特征进行相似度匹配，输出相似度排名前N的行人图像，作为行人重识别结果；行人重识别网络包括骨干网络、改进的全局特征分支和块权重指导的阶梯型局部特征提取分支；采用公开的数据集训练行人重识别网络，获得训练好的行人重识别网络模型。本发明设计了全局特征与阶梯型局部特征融合的行人重识别方法。目标是学习鲁棒性更强的行人特征表示，以应对复杂的行人重识别场景，达到一个好的识别效果。