检索结果-南通市图书馆

随着高光谱传感器硬件技术的发展,使得获取的图像数据空间分辨率逐渐精细,光谱波段数目越来越多,为了充分提取特征信息,深度学习算法被运用在了高光谱图像分类领域。在训练模型过程中,会遇到噪声干扰、子空间利用率不足等问题,不仅如此,在特定场景下的标签样本数目稀少,使得有监督学习方法在高光谱图像的分类上面临极大的挑战。所以有学者提出小样本原型网络的概念,但在其训练阶段,又会碰到原型网络特征表达能力弱和跨域数据分布不对齐等问题。因此,本文研究了针对噪声矩阵去除的有监督深度学习方法,然后考虑到实际应用场景下标签数目的不足,提出了基于多特征度量和基于协方差度量的两种小样本度量网络模型,主要工作如下:(1)为了剥离稀疏的噪声矩阵和提高子空间的利用率,提出一种低秩矩阵恢复的残差分裂网络,首先利用非准确拉格朗日乘子法的算法恢复出低秩矩阵,接着将低秩矩阵送入一个带有交互通道注意力机制的残差分类网络中,用于提取细节特征,最终训练出一个端对端的高光谱分类网络。通过实验结果验证了低秩矩阵恢复的有效性,去除了高光谱图像的噪声数据,提高了分类准确率。(2)为了更准确的得到特征原型和减轻跨域数据分布不对齐问题,提出多特征度量的跨域对抗性小样本分类方法,使用条件对抗性域自适应策略和基于多特征度量的方式,同时执行源域和目标域的学习,从而发现源域中可转移知识和学习区分性嵌入式模型。实验证明模型的特征原型表达能力更为准确,该方法能提升分类性能。(3)为了实现网络的非线性变换能力和提升对数据中异常值的抗干扰能力,提出基于协方差度量的混合卷积小样本分类网络,先重构了源域数据集,通过形态学算子进行预处理,设计轻量级的分类网络,最后使用协方差度量支持集类别特征原型和查询集特征向量的距离。实验结果表明,该方法在小样本分类中取得了良好的效果,在分类准确度和分类效果图中都表现优异。本文提出了融合先验信息和构建新的原型度量方式来实现高光谱图像的分类,它们使得模型拥有了更清晰的决策边界,使得地物类别数据映射到特征空间的分布更加优异。

关键词：非准确拉格朗日乘子残差分裂网络小样本学习跨域偏移多特征度量协方差度量

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向人流量统计的顾客识别技术研究与实现

面向人流量统计的顾客识别技术研究与实现

引用

作者：韩致远浙江工业大学

学位级别：硕士

人流量作为体现线下商铺经营情况的指标,一直被商铺的管理者所关注。同样,人流量对商铺的运营和决策存在着重要的指导意义。21世纪开始,商铺的管理者们开始深入探究自己商铺的人流量和每日营业额之间的潜在联系。然而由于人流量统计是... 详细信息

人流量作为体现线下商铺经营情况的指标,一直被商铺的管理者所关注。同样,人流量对商铺的运营和决策存在着重要的指导意义。21世纪开始,商铺的管理者们开始深入探究自己商铺的人流量和每日营业额之间的潜在联系。然而由于人流量统计是一个长时间、持续性的任务,获取人流量的过程出现了获取不准确、消耗大量人力等问题。即使这样,随着近几年顾客画像这一概念的提出,时代对多维度信息采集的需求,单纯的获取人流量这一数值已不能满足复杂的商业环境下一个商铺的决策需求。从人流量统计任务提出开始的人工统计人流量到现在大规模的使用wifi探针进行自动人流量统计都存在着致命的缺陷,大量消耗人力的方式必然不可取,但wifi探针由于需要顾客携带安卓手机并且打开流量互通才能够进行数量统计这一缺陷,注定了用此方法得到的人流量数据是不准确的,更不用说用错误的人流量来指导商铺的日常决策了。随着深度学习的提出,人流量统计任务有了新的解决思路。本文针对人流量统计这一问题的特点,结合现有的深度学习算法并加以创新,提出了基于多特征度量的行人重识别算法,使得人流量统计达到了较高的正确率。本文开展的主要工作有:(1)研究课题背景和人流量统计问题的研究现状,同时研究人体和人脸数据采集需要用到的检测算法,以获取准确的数据来源。(2)提出基于多特征度量的行人重识别算法,并且详细说明算法过程。(3)进行试验,将提出的算法和主流的行人重识别算法进行对比。验证算法的正确性。(4)将算法应用与线下门店的人流量统计工作中,获取每日的人流量数据,体现算法的可行性。

关键词：人流量统计行人重识别人体数据采集人脸数据采集目标检测算法多特征度量

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：