自己整理的YOLO模型的各种改进文献 包括添加注意力模块 改进骨干网络 改进特征融合 改进输出层等

现有的微博情感分析方法已经注意到了微博文本与图片之间的互补作用，但较少注意用户情感表达的差异和微博内容中除文字之外的特征，为此提出一种多特征融合的图文微博情感分析方法。首先构建文本情感分类模型，将对情感具有很好指示作用的内容特征和用户特征与微博句子进行融合， 然后构造了基于参数迁移和微调的图片情感分类模型。最后设计特征层和决策层融合的方法，将文本和图片情感分类模型进行融合。实验结果表明，内容特征和用户特征有效增强了模型捕捉情感语义的能力，并在多项性能指标上都取得了很好的效果， 构建的图文情感分类模型和融合方法可获得更好的性能。

提出了一种特征权值与尺度自适应的核相关跟踪算法。提取目标搜索区域的方向梯度直方图（HOG）特征和颜色名（CN）特征进行自适应权值融合，通过融合特征的相关滤波响应图的峰值找到目标位置；利用权值较大特征的相关滤波响应图的峰值和峰值旁瓣比的乘积作为尺度评估依据，对目标尺度进行粗略估计和精确估计，从而得到目标的最佳尺度。通过在目标跟踪标准（OTB-2013）数据集上的仿真实验，结果表明相比核相关滤波跟踪算法以及其他5种跟踪算法，所提算法在跟踪精度和成功率方面都有明显提高，跟踪精度为0.799，成功率为0.723，能较好地适应目标尺度的变化。

提出了一种融合全局和局部深度特征（GLDFB）的视觉词袋模型。通过视觉词袋模型将深度卷积神经网络提取的多个层次的高层特征进行重组编码并融合，利用支持向量机对融合特征进行分类。充分利用包含场景局部细节信息的卷积层特征和包含场景全局信息的全连接层特征，完成对遥感影像场景的高效表达。通过对两个不同规模的遥感图像场景数据集的实验研究表明，相比现有方法，所提方法在高层特征表达能力和分类精度方面具有显著优势。

近年来，恶意软件呈现出爆发式增长势头，新型恶意样本携带变异性和多态性，通过多态、加壳、混淆等方式规避传统恶意代码检测方法。基于大规模恶意样本，设计了一种安全、高效的恶意软件分类的方法，通过提取可执行文件字节视图、汇编视图、PE 视图3个方面的静态特征，并利用特征融合和分类器集成学习2种方式，提高模型的泛化能力，实现了特征与分类器之间的互补，实验证明，在样本上取得了稳定的F1-score（93.56%）。

注意特征融合 用于“注意特征融合”的MXNet / Gluon代码 到目前为止，此仓库中有什么： ImageNet的代码，训练有素的模型和训练日志 PS： 如果您是我们提交的论文的审稿人，请注意，当前实现的准确性比本文中的准确性要高一些，因为它是一个带有很多技巧的新实现。 如果您是我的学位论文评估专家，发现论文与这个repo的数字有些出入，那是因为在论文提交后我又将代码重新实现一遍遍，添加了AutoAugment，Labelinging这些技巧，因此目前这个repo中的分类准确率会比论文中的数字高一些，还请见谅。 更改日志： 2020-10-08：通过一整套技巧重新实现图像分类代码 2020-09-29：上载所提交论文的图像分类代码和训练有素的模型 去做： 在ImageNet上运行AFF-ResNeXt-50和AFF-ResNet-50 在新的训练模型上更新Grad-CAM结果 重新实

传统目标检测模型采用人工设计的目标特征，造成检测精度较差。基于深度学习的目标检测模型具有较高的检测精度，然而针对实时性和精度要求比较高的煤矿救援机器人应用场合，获取的图像信息较少且目标特征不明显，造成目标检测效果较差。为提高目标检测精度和速度，基于YOLO V3模型提出了一种多尺度特征融合的煤矿救援机器人目标检测模型。该模型主要包括特征提取和特征融合2个模块：特征提取模块采用空洞瓶颈和多尺度卷积获得更加丰富的图像特征信息，增强目标特征表达能力，提高了目标分类精度和检测速度；特征融合模块在特征金字塔中引入空间注意力机制，对含有丰富语义信息的高层特征图和含有丰富位置信息的低层特征图进行有效融合，弥补了高层特征图位置信息表达能力不足的缺点，提高了目标定位精度。将该模型部署在煤矿救援机器人嵌入式NVIDIA Jetson TX2平台上进行灾后环境目标检测实验，检测精度为88.73%，检测速度为28帧/s，满足煤矿救援机器人目标检测的实时性和精度需求。

基于多核学习的GIST全局和SIFT局部特征融合遥感图像检索方法.pdf

基于特征融合的堆叠工件分类识别研究，杨继东，胡啟旭，本文针对堆叠工件的识别问题，提出了一种基于决策融合的方法，旨在提高目标工件的识别准确率。使用SVM支持向量机作为分类器，提取

研究了多模态身份识别问题,结合人脸和掌纹两种不同生理特征,提出了基于特征融合的多模态身份识别方法。对人脸和掌纹图像分别进行Gabor小波、二维主元变换(2DPCA)提取图像特征,根据新的权重算法,结合两种模态的特征,利用最邻近分类器进行分类识别。在AMP、ORL人脸库和Poly-U掌纹图像库中的实验结果表明,两种模态的融合能更多地给出决策分析所需的特征信息相比传统的单一模态的人脸或掌纹识别具有较高的识别率,更具安全性和准确性。