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。

介绍了一特别是基于treelet特征融合的遥感图像变化检测方法，内部含有MATLAB代码

基于特征融合的恶意软件家族检测方法之软件工程研究.docx

当今时代, 网络舆情传播速度快、影响力大, 而话题检测在网络舆情监管中有着不可替代的作用. 针对传统方法提取文本特征不完整和特征维度过高的问题, 本文提出了基于时间衰减因子的LDA&&Word2Vec文本表示模型, 将LDA模型的隐含主题特征和Word2Vec模型的语义特征进行加权融合, 并引入了时间衰减因子, 同时起到了降维和提高文本特征完整度的作用. 同时, 本文又提出了Single-Pass-SOM组合聚类模型, 该模型解决了SOM模型需要设定初始神经元的问题, 提高了话题聚类的精度. 实验结果表明, 本文提出的文本表示模型和文本聚类方法较传统方法拥有更好的话题检测效果.