针对自然场景图像中多尺度Logo的检测需求，提出了一种基于卷积神经网络的多尺度Logo检测算法。该算法基于两阶段目标检测的实现思路，通过构建特征金字塔并采取逐层预测的方式实现多尺度候选区域的生成，通过融合卷积神经网络中的多层特征图以增强特征的表达能力。在FlickrLogos-32数据集上的实验结果显示，相比基线方法，所提算法能够提升生成候选区域的召回率，并且在保证大中尺度 Logo 检测精度的前提下，提升小尺度Logo的检测性能，验证了所提算法的优越性。

本程序是多特征融合的目标跟踪程序，基于粒子滤波框架，融合边缘和TED特征的跟踪算法，可以运行程序，适合用于对多特征融合的学习

为了提高低照度条件下采集的全景图像的视觉效果,提出一种基于细节特征加权融合的低照度全景图像增强算法.首先,利用双边滤波算法提取出图像的光照分量,并分别采用自适应伽马校正和对比度受限的自适应直方图均衡化算法对光照分量进行处理;然后,与原始光照信息进行加权融合得到校正后的光照分量,并在反射分量调整时,提出一种自适应调整函数来校正反射信息;最后,将光照分量与反射分量合并,以实现对低照度全景图像的增强.实验结果表明,所提出的算法在提高图像亮度的同时,可以增强图像细节信息,去除噪声,使增强后图像色彩信息更加丰富自然.

matlab开发-特征融合识别相关分析。基于判别相关分析的特征融合

刃边法代码matlab 用于语义边缘检测（DFF）的动态特征融合 胡媛，陈云鹏，李翔和冯家石 影片示范 我们已经在和上发布了DFF的演示视频。 介绍 该存储库包含使用Pytorch 1.0进行DFF的整个管道（包括数据预处理，培训，测试，可视化，评估和演示生成等）。 我们提出了一种新颖的动态特征融合策略，用于语义边缘检测。 这是通过建议的权重学习器来实现的，该权重学习器以特定输入为条件，针对特征图的每个位置推断多级特征上的适当融合权重。 我们表明，具有新颖动态特征融合的模型优于固定权重融合，而且还具有朴素的位置不变权重融合方法，并且在基准Cityscapes和SBD上达到了最新的技术水平。 有关更多详细信息，请参阅本文。 我们还在此存储库中复制了CASENet，并且实际上实现了比原始CASENet更高的准确性。 安装 检查安装说明。 用法 1.预处理 Cityscapes Data ：在这一部分中，我们假设您位于目录$DFF_ROOT/data/cityscapes-preprocess/ 。 请注意，在此存储库中，所有Cityscapes管道都仅对实例敏感。 （1）将文件gtFine

现有的高精度目标检测算法依赖于超深的主干网络(如ResNet和Inception),无法满足实时目标检测场景的需要,相反采用轻量级主干网络(如VGG-16和MobileNet)能达到实时目标检测的目的,但会导致检测精度的损失,对小目标的检测效果变差。SSD(Single Shot Multi-Box Detector)算法具有高精度、实时检测的特点。本文以SSD算法的网络结构为基础,通过添加感受野模块增强轻量级主干网络的特征提取能力,同时引入特征融合模块,充分利用深层网络提取语义信息,达到实时目标检测的目的,同时提高算法整体的检测精度和对小目标的检测能力。为进一步验证引入新模块的有效性,本文算法模型在PASCAL VOC2007数据集上进行测试,准确率达到80.5%,相比于原始SSD算法有3.3个百分点的提升,检测速度达到75 frame/s,整体性能优于目前大多数目标检测算法。

基于多尺度卷积网络多层次特征融合的道路识别

ActivityRecognitionFlow 对原始数据集进行预处理，窗口划分，特征提取，特征融合，分类识别 数据集：Opportunity Data Set（ 预处理：删除含有缺失数据（"NaN"）或是Locomotion标签为0的数据item 窗口划分：窗口大小64，重叠率50% 特征提取：均值，方差，相关系数，能量 特征融合：LDA（线性判别分析） 分类识别：KNN，LDA

为提高人脸表情分类的识别率和实时性,提出一种基于卷积神经网络(CNN)局部特征融合的人脸表情识别方法。首先,构建CNN模型,学习眼睛、眉毛、嘴巴3个局部区域的局部特征;然后,将局部特征送入到支持向量机(SVM)多分类器中获取各类特征的后验概率;最后,通过粒子群寻优算法优化各特征的最优融合权值,实现正确率最优的决策级融合,完成表情分类。实验表明,本文方法在CK+和JAFFE数据库的平均识别率分别达到了94.56%和97.08%,与其他识别方法相比,本文方法性能优越,能提高算法的识别率和稳健性,同时保证了算法的实时性。

提出了一种基于HOG-LBP特征融合的人体头肩检测方法，其要点是将人体头肩图像等分为多个部分重叠的块，从每个块内提取HOG和LBP特征并加以融合，以得到更有效的人体头肩的边缘轮廓和纹理特征，融合后的特征送入支持向量机SVM（Support Vector Machine）通过Bootstrapping的方式进行训练，得到最终的判别模型。实验结果表明，该方法的检测效果优于基于单一HOG、LBP特征的方法。