基于深度神经网络的多尺度特征提取方法

【摘要】 目标的自动识别是最有价值的应用需求之一，但它同时也最具挑战性。过去几十年中该课题的研究己经取得了较大的进展，但计算机自动识别技术还远没有达到理想的实际应用需求。自动识别技术涉及到很多方面的研究，如图像的预处理，图像增强、图像分割、特征提取方法和分类器的设计等等，这其中特征提取方法的研究尤为关键。一方面，研究者对特征提取的理论作了较多的探索，力求得出一些针对特定目标的高精度、高效率的特征提取算法与方法。这其中包含PCA方法、Fisher鉴别分析方法，以及以核方法为代表的非线性特征提取方法等。另一方面，在实际应用中算法的效率也是非常重要的。本文的研究集中在特征提取方法，这其中涉及到线性与非线性特征提取方法。 本文将特征提取方法分为线性和非线性特征提取方法。原始信息经过线性映射得到的变换后信息称为线性特征，原始信息经过非线性映射得到的变化后的信息成为非线性特征。对应的映射成为线性特征提取方法和非线性特征提取方法。 主分量分析和Fisher线性鉴别准则是应用最广泛的特征提取算法。本文论述了2DPCA和2DFLD等传统特征提取方法，并发展了2DFLD特征提取方法，提出分块的2DFLD特征提取方法，分析表明，该方法是2DFLD方法的推广，在人脸识别研究中优于传统的2DFLD方法。 核方法是新近发展起来的一种非线性特征提取方法，它的理论基础来自于统计学习理论。本文详细讨论了核特征提取方法，并结合偏最小二乘理论(PLS)，提出了基于KPLS的特征融合方法。 本文以构造新的特征提取算法为主要的研究方向，并结合实际应用来验证算法的优劣，对于算法中部分参数的选择讨论不足，这将在以后的研究工作中予以关注。 还原 【Abstract】 ATR is one of the most significant requests, although it is also one of the most challenging tasks. During past several decades great progress has been made in research on this subject. However, it is far away from satisfactory requirements from real world. ATR involves many techniques, such as Image preprocessing; Image enhancing; Image Segmentation; Feature extraction; classifiers designing and so on. Feature extraction is crucial. On one hand, researchers attempt to work out algorithms and methods to some special targets with high right classification rate and good efficiency. Among them, Principal Component Analysis, Fisher’s Linear Discriminant, nonlinear algorithms mainly appearing as Kernel approaches, and so on. On the other hand, in real application efficiency is also an important indicator to assess one algorithm, because in many cases only algorithms with high efficiency can satisfy request of real task. This paper aims at designing feature extraction algorithms on face recognition, including linear feature extraction and nonlinear ones.Feature extraction approaches are divided into two groups in this paper, linear feature extraction and nonlinear feature extraction. The information after linear mapping is called linear features; the information after nonlinear mapping is called nonlinear features. The mappings are called linear feature extraction and nonlinear feature extraction correspondingly.Principal Component Analysis and Fisher’s Linear Discriminant are two methods widely used. This paper introduces feature extraction approaches, 2DPCA and 2DFLD, respectively. We develops the 2DFLD, and presents a new feature extraction approach called blocked FLD. 2DFLD is the special case of blocked FLD. the experimental results indicated that the recognition performance of blocked FLD is superior to that of 2DFLD.Kernel method is a powerful machine learning method developed recently. It builds on the statistical learning theory. Feature extraction based on kernel is discussed in detail. A feature fusion method combined with KPLS is proposed. 还原

详细的介绍了人脸识别过程中的特征提取等问题，并介绍了几种特征提取的方法，是初学者值得阅读的东西

故障特征的研究方法说明。

环境是opencv2.4.9，将已有的一些提取方式进行了总结，对一些参数也进行了标注，部分算法的参数含义并未标注，但将其默认参数和默认值进行了标注，共11种提取方式，未使用simpleblob.

里面包含了常用纹理特征提取方法（matlab）,包括：分形维数、灰度差分统计、GMRF、Gabor、LBP

对多种语音特征提取的原理和方法进行了比较详细的介绍，在对语音信号进行预处理分析后，对特征参数进行了比较分析;对除常见的语音特征提取法外的其它特征提取法进行了研究，并做了总结分析，指出时城特征主要用于语音的预处理，处理中把LPCC和MFCC则作为目前语音识别的两种主要特征参数。

BERT属性提取 基于bert的知识图谱属性撤销 将BERT用于KnowledgeGraph中的属性提取有两种方法，即微调和特征提取。 知识图谱百度百科人物词条属性撤除，使用基于伯特的微调微调和特征提取特征提取方法进行实验。 先决条件 Tensorflow >=1.10 scikit-learn 预训练模型 ：简体中文和繁体中文，12层，隐藏768、12头，110M参数 正在安装 没有 数据集 该数据集是根据百度百科字符条目构建的。 筛选出不包含实体和属性的语料库。 实体和属性是从名称实体识别获得的。 标签是从“百度百科”信息框中获取的，大多数标签是手动标签的，因此有些标签不是很好。 例

1.基于距离可分性判据的特征提取方法 前面研究了基于距离的可分性判据，得到了相应判据，它们都反映了一个基本思想，即类内距离小和类间距离大的要求。 下面我们以J2准则( )为例讨论特征提取的方法。  　　设Sw和Sb为原始特征空间的类内离散度矩阵和类间离散度矩阵, Sw*和Sb*为变换后特征空间的类内离散度矩阵和类间离散度矩阵, W为变换矩阵。 则有：

随着计算机视觉的发展，机器人需要从图像序列中检测目标物体以进行自主导航。 为了识别目标，自主机器人的感知系统首先需要将图像分割为不重叠但有意义的区域，这些区域基于低级特征，例如颜色，纹理度量和形状等。作为重要组成部分，Gabor小波通常用作纹理由于它是人脑V1区域中单个细胞的空间感受野的数学近似值，因此具有一些特征。 这些Gabor纹理测度的问题是特征提取过程中卷积涉及的高计算成本。 为了部分解决该问题，在本文中，我们仔细研究了用于形成纹理特征的Gabor小波的行为，发现只有一小部分滤波器对识别过程有重要贡献。 实验结果表明，通过删除冗余滤波器，可以在更短的时间内获得更好的性能。