-
题名基于数据均衡的增进式深度自动图像标注
被引量：7
- 1
-
-
作者
周铭柯
柯逍
杜明智
-
机构
福州大学数学与计算机科学学院
福建省网络计算与智能信息处理重点实验室(福州大学)
-
出处
《软件学报》
EI
CSCD
北大核心
2017年第7期1862-1880,共19页
-
基金
国家自然科学基金(61502105)
福建省科技引导性项目(2017H0015)
福建省中青年教师教育科研项目(JA15075)~~
-
文摘
自动图像标注是一个包含众多标签、多样特征的富有挑战性的研究问题,是新一代图像检索与图像理解的关键步骤.针对传统的基于浅层机器学习标注算法标注效率低下、难以处理复杂分类任务的问题,提出了基于栈式自动编码器(stacked auto-encoder,简称SAE)的自动图像标注算法,提升了标注效率和标注效果.主要针对图像标注数据不平衡问题,提出两种解决思路:对于标注模型,提出一种增强训练中低频标签的平衡栈式自动编码器(B-SAE),较好地改善了中低频标签的标注效果.并在该模型的基础上提出一种分组强化训练B-SAE子模型的鲁棒平衡栈式自动编码器算法(RB-SAE),提升了标注的稳定性,从而保证模型本身具有较强的处理不平衡数据的能力;对于标注过程,以未知图像作为出发点,首先构造未知图像的局部均衡数据集,并判定该图像的高低频属性以决定不同的标注过程,局部语义传播算法(SP)标注中低频图像,RB-SAE算法标注高频图像,形成属性判别的标注框架(ADA),保证了标注过程具有较强的应对不平衡数据的能力,从而提升整体图像标注效果.通过在3个公共数据集上进行实验验证,结果表明,该方法在许多指标上相比以往方法均有较大提高.
-
关键词
SAE(stacked
auto-encoder)
深度学习
数据均衡
图像标注
语义传播
-
Keywords
SAE （stacked auto-encoder）
deep learning
balance data
image annotation
semantic propagation
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名一种面向多模态手术轨迹的快速无监督分割方法
被引量：1
- 2
-
-
作者
邵振洲
赵红发
渠瀛
施智平
关永
袁慧梅
-
机构
首都师范大学信息工程学院
首都师范大学轻型工业机器人与安全验证北京市重点实验室
成像技术北京市高精尖创新中心
田纳西大学诺克斯维尔分校工程学院
-
出处
《小型微型计算机系统》
CSCD
北大核心
2018年第10期2296-2302,共7页
-
基金
北京市教委科研计划一般项目(KM201710028017)资助
北京市教委科研基地建设项目(TJSHG201310028014)资助
+10 种基金
北京市优秀人才培养青年骨干个人项目(2014000020124G135)资助
国家自然科学基金项目(61702348
61772351
61572331
61472468
61602325
61373034)资助
国家科技支撑计划项目(2015BAF13B01)资助
国际科技合作计划项目(2011DFG13000)资助
北京市科委项目(Z141100002014001)资助
北京市属高等学校创新团队建设与教师职业发展计划项目(IDHT20150507)资助.
-
文摘
基于视频和机器人运动学数据的多模态手术轨迹分割是机器人辅助微创手术中的一类基本任务,用于生成低复杂度的子任务进行学习和技能评估等.然而由于手术视频的高维特征空间,传统的特征提取方法存在效率低下、难以提取有效特征的缺陷.此外,传统轨迹分割方法未对运动学轨迹进行去噪处理,分割结果易受噪声影响.为此,本文提出了一种基于手术视频和机器人运动学数据的快速手术轨迹无监督分割方法.一方面,采用堆叠卷积自编码器方法对手术视频进行无监督的低维特征提取,提高特征提取的效率;另一方面,利用小波变换对手术运动学轨迹进行多尺度去噪处理,平滑短程轨迹,减少噪声对分割结果的影响.最后,采用非参混合模型实现手术轨迹的分割.实验表明,本文提出的手术轨迹分割方法能够在保证准确性的前提下,基于视觉和运动学特征的分割速度相较于基于深度学习转移状态聚类(TSC-DL)提高了10倍.
-
关键词
机器人辅助微创手术
轨迹分割
堆叠卷积自编码
小波平滑
深度学习
-
Keywords
robot-assisted minimally invasive surgery
trajectory segmentation
stacked convohitional auto-encoder
wavelet smoothing
deep learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
