检索结果-南通市图书馆

作者：宋思阳湖南大学

学位级别：硕士

随着人工神经网络和机器人技术的飞速发展,具有即时定位和同步建图(Simultaneous Localization and Mapping, SLAM)能力的移动机器人成为了当今人工智能领域的研究热点之一。当机器人处在未知环境中时,由于缺乏周围环境的先验信息,因此... 详细信息

随着人工神经网络和机器人技术的飞速发展,具有即时定位和同步建图(Simultaneous Localization and Mapping, SLAM)能力的移动机器人成为了当今人工智能领域的研究热点之一。当机器人处在未知环境中时,由于缺乏周围环境的先验信息,因此需要判断当前所处的位置之前是否访问过,并以此作为定位误差和地图更新的依据,即闭环检测问题。基于计算机视觉的SLAM闭环检测的主要任务是寻找数据库中与当前采集图像最相似的历史图像,并判断这两幅图像是否来自于同一场景。本文首先概述了国内外导航机器人技术的研究现状和SLAM闭环检测研究的核心问题,并分析了典型图像局部不变特征和两种图像建模方法的基础理论,为闭环检测算法中的图像表征、图像匹配和图像检索提供了理论依据。由于实时采集的图像序列中相邻图像间的相似度较高,若将即时采集的图像直接存入数据库,则容易导致的错误闭环检测。针对该问题,本文设计了一种序列图像分组算法对输入图像进行筛选。同时,当前大部分闭环检测算法的运算时间随着数据库增大而快速增加,从而使得检测系统不具有实时性能。考虑到自组织映射神经网络树(Recursive Self-organizing Map, rsom)在大规模图像检索领域的优异性能,本文提出了一种基于rsom树的视觉场景建模方法,为访问的场景建立路标;同时提出一种于rsom树的路标检索算法,实时检索数据库内的相似路标。在运行时,系统还将实时删除数据库内的冗余路标和冗余图像。在闭环检测中,感知混淆是导致误检的主要原因之一,本文结合各场景之间的相似性关系和几何约束提出了一种阈值加权方法来最大程度避免该问题。同时,算法通过增量学习的方式来实时学习各场景中的信息,以提高检测精度。在六种不同环境下的实验测试结果表明：本文设计的SLAM闭环检测算法在室内和室外多种环境下均有实时检测能力,具有较高的检测召回率,同时对动态目标有一定的自适应性。

关键词：即时定位与同步建图闭环检测 SIFT特征 rsom树图像检索

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

基于rsom的两阶段移动机器人闭环检测算法

引用

仪器仪表学报 2016年第2期37卷 474-480页

作者：宋思阳滕召胜郭斯羽张水梅湖南大学电气与信息工程学院长沙410082

针对移动机器人在自主定位时出现的感知混淆和定位误差问题,提出一种基于递归自组织特征映射rsom聚类树的移动机器人闭环检测算法。首先采用属性图模型对图像对进行相似性度量,通过对连续采集的图像序列进行分组和增量学习对不同场景进... 详细信息

针对移动机器人在自主定位时出现的感知混淆和定位误差问题,提出一种基于递归自组织特征映射rsom聚类树的移动机器人闭环检测算法。首先采用属性图模型对图像对进行相似性度量,通过对连续采集的图像序列进行分组和增量学习对不同场景进行路标建设。然后将路标中的向量投影至rsom的各叶节点中,同时对各路标进行权值更新。最后,新算法通过两阶段检测对闭环进行判定。在第一阶段,算法利用rsom树的快速检索能力对采集图像进行最近邻路标检索并判断该路标是否为待检测路标;在第二阶段,算法将待检测路标内所包含的所有属性图依次与采集图像进行相似性度量,最后结合阈值加权结果进行闭环检测判定。实验结果表明,该算法受环境中动态目标的影响较小,在能取得较高的召回率和准确度的同时,定位精度大幅提升。

关键词：属性图闭环检测 rsom树路标识别

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于rsom和KNN的图像内容检索

引用

微电子学与计算机 2007年第10期24卷 58-61,64页

作者：谭立球谷士文夏胜平中南大学信息科学与工程学院湖南长沙410075 国防科学技术大学ATR重点实验室湖南长沙410073

rsom树是一种以SOM网络为节点的层次化聚类树,可以实现将空间上彼此靠近的数据点聚合在树中相同的节点中,它可作为图像索引支持最近邻检索,高效且不必线性扫描高维、海量的数据库。通过提取图像低层特征构成每个图像的特征向量,在此基... 详细信息

rsom树是一种以SOM网络为节点的层次化聚类树,可以实现将空间上彼此靠近的数据点聚合在树中相同的节点中,它可作为图像索引支持最近邻检索,高效且不必线性扫描高维、海量的数据库。通过提取图像低层特征构成每个图像的特征向量,在此基础上构造基于rsom树的图像特征索引库,并运用KNN检索实现基于样例的检索。实验证明,无论从特征空间维数、检索性能、样本容量方面都具有良好的性能。

关键词：图像内容检索高维数据 KNN rsom树

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于属性图和聚类树的海量图像检索关键技术研究

基于属性图和聚类树的海量图像检索关键技术研究

引用

作者：郑君君国防科学技术大学

学位级别：硕士

图像检索技术是计算机视觉领域的研究热点,虽然近年来该方面的研究已经取得了巨大进展,但是由于问题本身的复杂性,图像检索仍然是存在很多难点,而海量图像检索问题更为突出。本文首先概述了现有图像检索方法,分析了现有方法存在的问题,... 详细信息

图像检索技术是计算机视觉领域的研究热点,虽然近年来该方面的研究已经取得了巨大进展,但是由于问题本身的复杂性,图像检索仍然是存在很多难点,而海量图像检索问题更为突出。本文首先概述了现有图像检索方法,分析了现有方法存在的问题,并给出了本文的检索方法。论文对图像的表征、图像的索引、检索策略等方面的进行了研究及实现。第一章首先介绍了国内外图像检索技术的基本情况,以及现有图像检索方法中所面临的挑战,在此基础上给出了本文采用的图像检索的基本思路以及本文的工作。第二章将论文中所要用到的相关基础理论,包括局部不变特征的提取,利用局部不变特征构建具有一定语义的属性图,以及用于对图像索引的rsom树等进行了介绍,并给出了相似性传播原理,以及构建类属超图模型的相关理论。第三章详细描述了基于rsom树的图像K近邻求解的过程包括:图像索引的建立,PKNNG的求解和KNNG的求解。针对高维特征问题,提出了rsom森林的分段特征建模方法,给出了rsom森林的训练和查询过程,以及基于rsom森林的图像K近邻求解算法实现。第四章介绍了本文中图像索引建立的方法,以及利用相似性传播原理实现对查询图像的检索。文中采用学术界公共测试数据集,通过对大量数据的实验分析,验证了本文方法的有效性。第五章是论文的结束语,总结了本文的主要工作,指出了本文工作的不足,提出了海量图像检索技术中需进一步研究的内容。

关键词：海量图像检索属性图聚类树类属超图 rsom树 rsom森林

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

基于rsom模型的树型混合学习模型研究

基于RSOM模型的树型混合学习模型研究

引用

作者：陈静国防科学技术大学

学位级别：硕士

近年来,同时具有符号模型(如决策树)的可理解性及非符号模型(如神经网络)可在线学习的混合学习模型逐渐成为模式识别与理解领域的一个热门课题,它在生物医学、信息安全、故障诊断、面部表情分析等领域均显示了十分诱人的应用前景。本论... 详细信息

近年来,同时具有符号模型(如决策树)的可理解性及非符号模型(如神经网络)可在线学习的混合学习模型逐渐成为模式识别与理解领域的一个热门课题,它在生物医学、信息安全、故障诊断、面部表情分析等领域均显示了十分诱人的应用前景。本论文基于rsom树,再结合径向基函数网络和支持向量机,研究了基于分而治之思想的树型混合学习模型的理论方法及应用。本文阐述了神经网络树模型的基本理论,说明了神经网络树的一般模型结构。介绍了以SOM网络作为中间节点的rsom树型混合模型。基于模型能够适应在动念增加的环境中学习这一要求,给出了一种rsom树的增量训练方法。将rsom神经网络树方法与Tabu搜索法和遗传算法相结合,研究了一种分类器模板周期性迭代式进化训练的方法,以满足在许多模式识别问题中从数目庞大的特征里选择有效特征的要求,实现在动态的过程中进行有效特征的选择。另外,由于rsom识别算法采用了加权平均的方法进行综合判决,它会将个数不占优势的具有显著差异性新模式样本赋与该叶节点上占优势的样本相同的属性,造成识别的武断性,而导致错判。鉴于此,分别构造了rsom-RBF树和rsom-SVM树,旨在利用径向基函数网络及支持向量机各自的优点,弥补仅由rsom网络进行分类识别时存在的不足。实验表明该混合学习模型是可行的。

关键词：神经网络树 rsom树增量学习特征选择树型混合模型径向基函数网络支持向量机自主学习

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

基于rsom和KNN的图像内容检索

基于RSOM和KNN的图像内容检索

引用

2007年全国开放式分布与并行计算机学术会议

作者：谭立球谷士文夏胜平中南大学信息科学与工程学院国防科学技术大学ATR重点实验室

关键词：图像内容检索高维数据 KNN rsom树

来源： cnki会议评论

在线全文

cnki会议

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

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

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：