論文元數(shù)據(jù)搜索，找到相關(guān)信息共 4 條：
2016, 38(1): 23-28.
doi: 10.11999/JEIT150546
刊出日期：2016-01-19
論文為解決旋轉(zhuǎn)目標(biāo)圖像匹配問(wèn)題，提出旋轉(zhuǎn)不變梯度直方圖(RI-HOG)目標(biāo)描述方法。RI-HOG描述方法首先將目標(biāo)區(qū)域等間隔劃分為多個(gè)同心圓環(huán)并統(tǒng)計(jì)每個(gè)圓環(huán)的梯度直方圖(HoG)，各圓環(huán)HoG累加的結(jié)果作為目標(biāo)區(qū)域的主方向，再將各圓環(huán)HoG根據(jù)主方向旋轉(zhuǎn)相應(yīng)角度作主方向歸一化處理，最后把旋轉(zhuǎn)后的各圓環(huán)HoG按空間順序連接后即生成RI-HOG。對(duì)實(shí)際采集圖像的仿真結(jié)果表明，基于RI-HOG的目標(biāo)匹配算法在目標(biāo)旋轉(zhuǎn)任意角度時(shí)依然能夠準(zhǔn)確檢測(cè)到目標(biāo)。RI-HOG具有很好的旋轉(zhuǎn)不變性。
2005, 27(9): 1412-1415.
刊出日期：2005-09-19
該文指出Hong(2001)在多速率運(yùn)動(dòng)模型中關(guān)于過(guò)程噪聲的一處錯(cuò)誤,提高了多速率運(yùn)動(dòng)模型狀態(tài)估計(jì)效果,并在此基礎(chǔ)上建立了多幀概率數(shù)據(jù)關(guān)聯(lián)算法.在確定多幀量測(cè)數(shù)據(jù)有效回波時(shí),提出雙重門(mén)限方法,有效減少了多幀概率數(shù)據(jù)關(guān)聯(lián)算法的計(jì)算量.最后針對(duì)各種雜波密度情況對(duì)多幀量測(cè)數(shù)據(jù)概率數(shù)據(jù)關(guān)聯(lián)算法的性能進(jìn)行了分析.
2022, 44(8): 2949-2956.
doi: 10.11999/JEIT210537
刊出日期：2022-08-17
針對(duì)目前圖像隱寫(xiě)檢測(cè)模型中線性卷積層對(duì)高階特征表達(dá)能力有限，以及各通道特征圖沒(méi)有區(qū)分的問(wèn)題，該文構(gòu)建了一個(gè)基于多層感知卷積和通道加權(quán)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)隱寫(xiě)檢測(cè)模型。該模型使用多層感知卷積(Mlpconv)代替?zhèn)鹘y(tǒng)的線性卷積，增強(qiáng)隱寫(xiě)檢測(cè)模型對(duì)高階特征的表達(dá)能力；同時(shí)引入通道加權(quán)模塊，實(shí)現(xiàn)根據(jù)全局信息對(duì)每個(gè)卷積通道賦予不同的權(quán)重，增強(qiáng)有用特征并抑制無(wú)用特征，增強(qiáng)模型提取檢測(cè)特征的質(zhì)量。實(shí)驗(yàn)結(jié)果表明，該檢測(cè)模型針對(duì)不同典型隱寫(xiě)算法及不同嵌入率，相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的檢測(cè)準(zhǔn)確率，與最優(yōu)的Zhu-Net相比，準(zhǔn)確率提高1.95%～6.15%。
2025, 47(4): 1172-1181.
doi: 10.11999/JEIT240855
刊出日期：2025-04-01
已有的深度主動(dòng)聚類(lèi)方法未能通過(guò)標(biāo)注樣本推理生成必須鏈接(ML)約束或不能鏈接(CL)約束，標(biāo)注成本較高。為此該文提出一種基于約束傳遞的深度主動(dòng)時(shí)序聚類(lèi)方法。該方法設(shè)置了標(biāo)注類(lèi)簇集合(ACS)及相應(yīng)的輔助標(biāo)注集合(AAS)。通過(guò)預(yù)訓(xùn)練時(shí)序自編碼器得到時(shí)序樣本的表示向量。在深度聚類(lèi)的每個(gè)訓(xùn)練輪次過(guò)程中，采樣并標(biāo)注表示空間中離類(lèi)簇中心最近的樣本存入ACS，使每個(gè)ACS內(nèi)的樣本屬同一類(lèi)別而ACS集合間的樣本屬于不同類(lèi)別，然后從包含樣本數(shù)最小的ACS集合中隨機(jī)選取時(shí)序樣本，采樣并標(biāo)注與該樣本不屬于同一類(lèi)簇且距其所在類(lèi)簇中心最近的時(shí)序樣本存入AAS，使ACS與相應(yīng)的AAS中的樣本為不同類(lèi)別，由ACS及對(duì)應(yīng)的AAS中的樣本推理生成ML和CL約束。由基于t-分布的類(lèi)簇分布與其生成的輔助分布間的KL散度以及使?jié)M足ML及CL約束的時(shí)序樣本在表示空間距離分別變小和變大的約束損失更新時(shí)序自編碼器中編碼網(wǎng)絡(luò)參數(shù)和聚類(lèi)中心。在18個(gè)公開(kāi)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，該方法聚類(lèi)效果在較低標(biāo)注預(yù)算下平均RI值比已有的典型基線模型均提升5%以上。
