Resumen

Las imágenes de material son susceptibles a cambios, dependiendo de la intensidad de la luz, el ángulo visual, la distancia de disparo y otras condiciones. El aprendizaje de características ha demostrado un gran potencial para abordar este problema. Sin embargo, el conocimiento logrado utilizando un método simple de fusión de características es insuficiente para representar completamente las imágenes de material. En este estudio, nuestro objetivo fue explotar el conocimiento diverso aprendido por un novedoso método de fusión progresiva de características para mejorar el rendimiento de reconocimiento. Para obtener conocimiento implícito cruz-modal, realizamos una fusión temprana de características y capturamos las correlaciones canónicas de cluster entre las características de la red heterogénea de compresión y excitación (SENet) de vanguardia. Se obtiene un conjunto de semántica visual profunda más discriminativa (DVSs, por sus siglas en inglés). Luego realizamos una fusión de características intermedias basada en la selección genética para explotar a fondo el conocimiento compartido de características entre los DVSs generados. Finalmente,

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Imágenes de material; Aprendizaje de características; Método de fusión progresiva de características; Rendimiento de reconocimiento; Semántica visual de nivel profundo; Red de estrujamiento y excitación heterogénea
• Keywords:Material images; Feature learning; Progressive feature fusion method; Recognition performance; Deep-level visual semantics; Heterogeneous squeeze-and-excitation network