在现代技术时代，利用灰度共生矩阵（GLCM）提取方法的物体检测在物体识别过程中起着至关重要的作用，该研究通过选择 GLCM 框架内适当的特征来提高计算效率，发现 K-NN 模型使用相关性、能量和均匀性特征组合可以达到 100% 的准确率和低复杂度，因此在需要高准确率和低复杂度的实时应用中，K-NN 模型是更合适的选择。

Apr, 2024

基于物体分类的识别方法研究中，对象的变化是一个挑战。本研究提出了一种分类方法，使用投票和组合分类器，结合随机森林、K-NN、决策树、SVM 和朴素贝叶斯分类方法。测试结果表明，投票方法和组合分类器的准确率分别为 92.4% 和 99.3%。研究结果显示，使用组合分类器和投票方法可以提高对象分类准确性，增加了集成学习方法的有效性。

Sep, 2023

本文提出了一种综合局部外观特征，对象关系的上下文信息和全局场景上下文特征的集合物体检测系统，该系统采用基于对象建议的完全连接条件随机场（CRF）进行建模，并利用快速平均场近似方法有效地进行 CRF 模型中的推理，实验结果表明，与基线算法 Faster R-CNN 相比，我们的方法在 PASCAL VOC 2007 数据集上实现了更高的平均精度（mAP）.

Apr, 2016

该文提出了一种基于图像纹理处理的铁路缺陷检测方法，使用 Automatic Train Control system 提高铁路安全性，分析了由于铁路破损和断裂导致的事故，采用 Random Forest 分类器对提取的缺陷图像特征进行分类，实验结果表明该算法在精度、召回率和准确度方面均优于支持向量机和 K - 最近邻分类器。

Apr, 2023

该研究介绍了一种强大的方法，通过利用传统的特征提取方法如局部二进制模式（LBP）和灰度共生矩阵（GLCM）特征，以及傅里叶和小波特征，结合先进的机器学习技术，在轮胎 X 射线图像中实现自动缺陷检测。实验证明，通过精细调整和结合机器学习模型，这些传统特征可以显著提高轮胎缺陷检测的准确性和可靠性，旨在为轮胎制造业的自动化质量保证建立新的标准。

Feb, 2024

本文介绍了一种新的邻居投票方法，以改进单目图像的伪激光雷达点云中的目标检测，特别是针对前景 ROI 伪激光雷达点的预测。我们还将实验结果与 KITTI 基准进行了比较，发现我们的方法优于现有的最佳方法。

Jul, 2021

该论文提出了一种基于特征的深度学习模型选择框架，利用多种深度学习方法以及两种人工技术生成的伪缺失训练数据创建各种深度学习模型，以针对实际环境中获取的点云数据特征选择最合适的深度学习模型进行目标检测任务，证实了根据实际情况选择适当的深度学习模型的重要性。

Sep, 2022

提出了一种 2D-3D 融合策略，将 3D 几何特征和 2D 纹理特征相结合，实现场景分类任务中的多模态融合，并通过多领域图卷积和最近体素池化等策略提高性能。实验结果表明，该方法在 RGB-D 室内场景分类任务中优于当前的技术水平。

Sep, 2020

通过应用灰度共生矩阵来提取深度神经网络中的表面统计信息，以改善其在未知领域中的分类精度表现，并通过逆梯度方法和依靠灰度共生矩阵的正交子空间来进一步提升性能。

Mar, 2019

本文提出了一种基于灰度差异矩阵和局部二值模式特征的特征表示和基于 K-means 聚类的图像采集算法，用于收集更高效的纹理图像数据库，并通过一些先进的纹理分类技术进行了性能评估。

Mar, 2018