杜明智
- 作品数：13 被引量：17H指数：3
- 供职机构：福州大学更多>>
- 发文基金：国家自然科学基金福建省自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 一种基于属性判别的自动图像标注方法
- 本发明涉及一种基于属性判别的自动图像标注方法：针对数据集不均衡导致整体标注效果不理想的问题，提出一种基于属性判别的图像标注方法，利用每一个关键词的语义概念构建局部均衡数据集，并基于此数据集提出一种有效提升中低频标签标注准...
- 柯逍周铭柯杜明智
- 一种基于多尺度特征融合和极限学习机的种子识别方法
- 本发明涉及一种基于多尺度特征融合和极限学习机的种子识别方法，通过对样本种子图像的多尺度局部HOG特征以及全局分布的HSV特征进行融合提取，利用ELM极限学习机进行特征训练，得出集成分类模型，对待测试的种子图像采用滑动窗口...
- 柯逍杜明智周铭柯
- 文献传递
- 基于数据均衡的增进式深度自动图像标注被引量：7
- 2017年
- 自动图像标注是一个包含众多标签、多样特征的富有挑战性的研究问题,是新一代图像检索与图像理解的关键步骤.针对传统的基于浅层机器学习标注算法标注效率低下、难以处理复杂分类任务的问题,提出了基于栈式自动编码器(stacked auto-encoder,简称SAE)的自动图像标注算法,提升了标注效率和标注效果.主要针对图像标注数据不平衡问题,提出两种解决思路:对于标注模型,提出一种增强训练中低频标签的平衡栈式自动编码器(B-SAE),较好地改善了中低频标签的标注效果.并在该模型的基础上提出一种分组强化训练B-SAE子模型的鲁棒平衡栈式自动编码器算法(RB-SAE),提升了标注的稳定性,从而保证模型本身具有较强的处理不平衡数据的能力;对于标注过程,以未知图像作为出发点,首先构造未知图像的局部均衡数据集,并判定该图像的高低频属性以决定不同的标注过程,局部语义传播算法(SP)标注中低频图像,RB-SAE算法标注高频图像,形成属性判别的标注框架(ADA),保证了标注过程具有较强的应对不平衡数据的能力,从而提升整体图像标注效果.通过在3个公共数据集上进行实验验证,结果表明,该方法在许多指标上相比以往方法均有较大提高.
- 周铭柯柯逍杜明智
- 关键词：图像标注
- 一种基于增强型栈式自动编码器的自动图像标注方法
- 本发明涉及一种基于增强型栈式自动编码器的自动图像标注方法：针对深度学习中传统SAE模型难以有效训练有偏数据集的问题，提出一种提升低频标签准确率的平衡栈式自动编码器，较好地改善低频标签的标注效果。然后针对单个B‑SAE模型...
- 柯逍周铭柯杜明智
- 文献传递
- 一种基于属性判别的自动图像标注方法
- 本发明涉及一种基于属性判别的自动图像标注方法：针对数据集不均衡导致整体标注效果不理想的问题，提出一种基于属性判别的图像标注方法，利用每一个关键词的语义概念构建局部均衡数据集，并基于此数据集提出一种有效提升中低频标签标注准...
- 柯逍周铭柯杜明智
- 文献传递
- 多尺度特征融合与极限学习机的玉米种子检测被引量：3
- 2016年
- 目的玉米种子等农作物检测是农业信息化领域中一个关键问题,为了能够快速和准确地实现对其检测,提出基于多尺度特征融合与极限学习机的玉米种子无损检测算法。方法首先对种子特征的描述采用局部特征和全局特征相结合的特点,局部特征采用多尺度方向梯度直方图特征,而在全局特征上则提取HSV颜色模型特征。其次,针对传统的BP神经网络以及SVM等存在训练时间长、检测速度慢的不足,采用极限学习机作为其检测算法。此外,为了避免样本在训练时带来的过多时间消耗,该检测模型上采用了并行训练算法。再次,针对原始图像分辨率过高问题所带来的检测时间以及内存消耗较大的问题,采用一种基于局部均值的图像缩小算法。最后,针对该文采用的滑动窗口扫描可能带来的同一对象多窗口重叠的问题,提出了一种基于模糊聚类的局部窗口融合算法。结果仿真结果表明,提出的方法可实现对玉米种子的准确检测,对检测样本的测试精度达到97.66%,同时误差控制在0.1%。结论相比传统的方法,提出的方法在检测速度、检测准确率上均有所改善,无需严格的硬件设备要求并且对玉米种子检测时不会产生任何损伤。
- 柯逍杜明智
- 关键词：极限学习机目标检测模糊聚类
- 一种基于增强型栈式自动编码器的自动图像标注方法
- 本发明涉及一种基于增强型栈式自动编码器的自动图像标注方法：针对深度学习中传统SAE模型难以有效训练有偏数据集的问题，提出一种提升低频标签准确率的平衡栈式自动编码器，较好地改善低频标签的标注效果。然后针对单个B-SAE模型...
- 柯逍周铭柯杜明智
- 一种基于多尺度特征融合和极限学习机的种子识别方法
- 本发明涉及一种基于多尺度特征融合和极限学习机的种子识别方法，通过对样本种子图像的多尺度局部HOG特征以及全局分布的HSV特征进行融合提取，利用ELM极限学习机进行特征训练，得出集成分类模型，对待测试的种子图像采用滑动窗口...
- 柯逍杜明智周铭柯
- 基于蒙特卡罗数据集均衡与鲁棒性增量极限学习机的图像自动标注被引量：7
- 2017年
- 针对传统图像标注模型存在着训练时间长、对低频词汇敏感等问题,该文提出了基于蒙特卡罗数据集均衡和鲁棒性增量极限学习机的图像自动标注模型.该模型首先对公共图像库的训练集数据进行图像自动分割,选择分割后相应的种子标注词,并通过提出的基于综合距离的图像特征匹配算法进行自动匹配以形成不同类别的训练集.针对公共数据库中不同标注词的数据规模相差较大,提出了蒙特卡罗数据集均衡算法使得各个标注词间的数据规模大体一致.然后针对单一特征描述存在的不足,提出了多尺度特征融合算法对不同标注词图像进行有效的特征提取.最后针对传统极限学习机存在的隐层节点随机性和输入向量权重一致性的问题,提出了鲁棒性增量极限学习,提高了判别模型的准确性.通过在公共数据集上的实验结果表明:该模型可以在很短时间内实现图像的自动标注,对低频词汇具有较强的鲁棒性,并且在平均召回率、平均准确率、综合值等多项指标上均高于现流行的大多数图像自动标注模型.
- 柯逍邹嘉伟杜明智周铭柯
- 关键词：极限学习机图像自动标注
- 一种基于蒙特卡罗数据均衡的图像自动标注方法
- 本发明涉及一种基于蒙特卡罗数据均衡的图像自动标注方法，在公共图像库上通过对训练样本图像进行区域分割，分割后具有不同特征描述的区域对应一个标注词，再对各个不同类别的图像集进行蒙特卡罗数据均衡，提取均衡之后各个图像的多尺度特...
- 柯逍杜明智周铭柯
