基于一种改进的跨层级特征融合的循环全卷积神经网络, 提出了一种结合深度学习的图像显著目标检测算法。通过改进的深度卷积网络模型对输入图像进行特征提取, 利用跨层级联合框架进行特征融合, 生成了高层语义特征的初步显著图; 将初步显著图与图像底层特征融合进行显著性传播以获取结构信息; 利用条件随机场对显著性传播结果进行优化, 得到了最终显著图。利用大型数据集将所提算法与其他多种算法进行了测试对比, 研究结果表明, 在对复杂场景图像的显著目标检测方面, 所提算法稳健性更好, 显著目标检测的完整性提升, 背景得到了更有效的抑制。

风格迁移技术迅速发展的今天,全局风格迁移技术已基本成型,但它在实际的应用过程中存在不能对图片的目标区域进行局部风格迁移等问题。针对以上问题,本文在卷积神经网络的基础上结合残差网络,提出了一种基于残差式神经网络的局部风格迁移方法。首先,利用掩模技术对内容图进行分割,提取目标区域;其次,卷积神经网络提取图片特征并进行特征融合;然后,使用残差网络加快生成图的形成速度;最后,通过反卷积生成一张只对目标区域完成风格迁移的图片。在Microsoft Coco2014数据集上设计了多个实验,实验结果表明,所提出的基于残差式神经网络的局部风格迁移网络模型具有较好的局部风格转换能力,并且具有较高的执行效率。

基于注意力机制和特征融合改进的小目标检测算法

基于加权颜色直方图与梯度方向直方图自适应融合的粒子滤波跟踪算法 matlab仿真 直升机目标跟踪 例子，使用多特征自适应融合的 粒子滤波方法，注意这是32位系统版本，64位需要重新对c语言进行编译。

基于图像重构和特征融合的人脸识别方法研究.rar

微博立场检测是判断微博作者对某一个话题的态度是支持、反对或中立。在基于监督学习的分类框架上，扩展并提出基于多文本特征融合的中文微博的立场检测方法。首先探究了基于词频统计的特征（词袋特征（Bag-of-Words，BoW）、基于同义词典的词袋特征、考虑词与立场标签共现关系的特征）和文本深度特征（词向量、字向量）。之后使用支持向量机，随机森林和梯度提升决策树对上述特征进行立场分类。最后，结合所有特征分类器进行后期融合。实验表明，文中提出的特征对于不同话题下的微博立场检测的结果都有提升，且文本深度特征和基于词频统计的特征能够捕捉到文本的不同信息，在立场检测中是互补的。基于本文方法的微博立场检测系统在2016年自然语言处理与中文计算会议（NLPCC2016）的中文微博立场检测评测任务中取得了最好的结果。

为提高相关滤波(CF)跟踪算法的稳健性，并克服传统CF方法无法处理目标尺度变化以及未利用图像颜色特征等问题，提出了一种基于融合颜色特征的尺度自适应相关滤波改进跟踪算法。首先，将目标搜索区域从3原色(RGB)颜色空间转换到Lab颜色空间，提取搜索区域的Lab 3通道颜色特征；然后，融合Lab颜色特征与方向梯度直方图(HOG)特征得到多通道特征，利用核相关滤波(KCF)计算输出响应图并寻找图中最大响应位置即目标位置；最后，基于Lab颜色特征建立尺度模型，从当前帧的目标位置处截取不同尺度图像块，通过将其与尺度模型比较得到目标尺度最优估计。实验选取35段公开彩色视频序列进行测试，并将所提算法与其他5种跟踪性能较好的跟踪方法进行对比。实验结果表明，所提方法对彩色视频序列中的目标遮挡、变形、尺度变化等现象具有良好的适应性，其平均性能优于对比方法，同时具有76 frame·s-1的实时跟踪速度。

针对低照度条件下图像对比度不高、颜色失衡和存在噪声等问题,提出了一种基于多分支全卷积神经网络(MBACNN)的低照度图像增强模型。该模型是一个端到端的模型,包含特征提取模块(FEM)、增强模块(EM)、融合模块(FM)和噪声提取模块(NEM)。通过对合成的低照度和高清图像样本进行训练,根据验证集的损失值不断调整模型参数,以得到最优模型;然后对合成低照度图像和真实低照度图像进行测试。实验结果表明,与传统的图像增强算法相比,所提出的模型能够有效提高图像对比度、调整颜色失衡并去除噪声,主观视觉和客观图像质量评价指标都得到进一步改善。

保守值法matlab代码统计与感知特征融合的无参考图像质量评估 无参考图像质量评估（NR-IQA）的目标是预测人类观察者感知的图像质量，而无需使用任何原始的参考图像。 在这项研究中，提出了一种NR-IQA算法，该算法由包含统计和感知特征的新颖特征向量驱动。 与其他方法不同，将小波域和空间域中的归一化局部分形维数分布和归一化第一数字分布合并到统计特征中。 此外，强大的感知特征，例如色彩，暗通道特征，熵和相位一致性图像的均值，也被合并到所提出的模型中。 在五个大型的公共可用数据库（KADID-10k，ESPL-LIVE HDR，CSIQ，TID2013和TID2008）上的实验结果表明，该方法能够胜过其他最新方法。 如果您使用此MATLAB代码，请引用以下论文： @article {varga2020no， title = {基于统计和感知特征融合的无参考图像质量评估}， author = {Varga，Domonkos}， journal = {影像学杂志}， 音量= {6}， 数字= {8}， 页数= {75}， 年= {2020}， 发布者= {多学科数字出版学院} } 该代码是在M

基于ResNet及特征融合的场景文本检测技术研究，李相相，牛少彰，论文对于之前的学者所提出的CTPN网络模型进行深入的研究，提出了一种改进的场景文本检测网络。首先，使用ResNet代替原网络中的VGG16来