检索结果-南通市图书馆

一种基于融合重构的子空间学习的零样本图像分类方法

在线全文

学校读者我要写书评

暂无评论

计算机学报 2021年第2期44卷 409-421页

作者：赵鹏汪纯燕张思颖刘政怡安徽大学计算智能与信号处理教育部重点实验室合肥230601 安徽大学计算机科学与技术学院合肥230601

图像分类是计算机视觉中一个重要的研究子领域.传统的图像分类只能对训练集中出现过的类别样本进行分类.然而现实应用中,新的类别不断涌现,因而需要收集大量新类别带标记的数据,并重新训练分类器.与传统的图像分类方法不同,零样本图像... 详细信息

图像分类是计算机视觉中一个重要的研究子领域.传统的图像分类只能对训练集中出现过的类别样本进行分类.然而现实应用中,新的类别不断涌现,因而需要收集大量新类别带标记的数据,并重新训练分类器.与传统的图像分类方法不同,零样本图像分类能够对训练过程中没有见过的类别的样本进行识别,近年来受到了广泛的关注.零样本图像分类通过语义空间建立起已见类别和未见类别之间的关系,实现知识的迁移,进而完成对训练过程中没有见过的类别样本进行分类.现有的零样本图像分类方法主要是根据已见类别的视觉特征和语义特征,学习从视觉空间到语义空间的映射函数,然后利用学习好的映射函数,将未见类别的视觉特征映射到语义空间,最后在语义空间中用最近邻的方法实现对未见类别的分类.但是由于已见类和未见类的类别差异,以及图像的分布不同,从而容易导致域偏移问题.同时直接学习图像视觉空间到语义空间的映射会导致信息损失问题.为解决零样本图像分类知识迁移过程中的信息损失以及域偏移的问题,本文提出了一种图像分类中基于子空间学习和重构的零样本分类方法.该方法在零样本训练学习阶段,充分利用未见类别已知的信息,来减少域偏移,首先将语义空间中的已见类别和未见类别之间的关系迁移到视觉空间中,学习获得未见类别视觉特征原型.然后根据包含已见类别和未见类别在内的所有类别的视觉特征原型所在的视觉空间和语义特征原型所在的语义空间,学习获得一个潜在类别原型特征空间,并在该潜在子空间中对齐视觉特征和语义特征,使得所有类别在潜在子空间中的表示既包含视觉空间下的可分辨性信息,又包含语义空间下的类别关系信息,同时在子空间的学习过程中利用重构约束,减少信息损失,同时也缓解了域偏移问题.最后零样本分类识别阶段,在不同的空间下根据最近邻算法对未见类别样本图像进行分类.本文的主要贡献在于:一是通过对语义空间中类别间关系的迁移,学习获得视觉空间中未见类别的类别原型,使得在训练过程中充分利用未见类别的信息,一定程度上缓解域偏移问题.二是通过学习一个共享的潜在子空间,该子空间既包含了图像视觉空间中丰富的判别性信息,也包含了语义空间中的类别间关系信息,同时在子空间学习过程中,通过重构,缓解知识迁移过程中信息损失的问题.本文在四个公开的零样本分类数据集上进行对比实验,实验结果表明本文提出的零样本分类方法取得了较高的分类平均准确率,证明了本文方法的有效性.

关键词：零样本图像分类迁移学习子空间学习重构特征原型

基于子空间学习和特征选择融合的语音情感识别

在线全文

学校读者我要写书评

暂无评论

清华大学学报（自然科学版） 2018年第4期58卷 347-351页

作者：宋鹏郑文明赵力烟台大学计算机与控制工程学院烟台264005 东南大学儿童发展与学习科学教育部重点实验室南京210096

传统语音情感识别主要基于单一情感数据库进行训练与测试。而实际情况中,训练语句和测试语句往往来源于不同的数据库,识别率较低。为此,该文提出一种基于子空间学习和特征选择融合的语音情感识别方法。通过采用回归方法来学习特征的子... 详细信息

传统语音情感识别主要基于单一情感数据库进行训练与测试。而实际情况中,训练语句和测试语句往往来源于不同的数据库,识别率较低。为此,该文提出一种基于子空间学习和特征选择融合的语音情感识别方法。通过采用回归方法来学习特征的子空间表示;同时,引入l2,1-范数用于特征的选择和最大均值差异（maximum mean discrepancy,MMD）来减少不同情感数据库间的特征差异,进行联合优化求解从而提取较为鲁棒的情感特征表示。在EMO-DB和eNTERFACE这2个公开情感数据库上进行实验评价,结果表明：该方法在跨库条件下具有较好的性能,比其他经典的迁移学习方法更加鲁棒高效。

关键词：特征选择子空间学习情感识别

在线全文

学校读者我要写书评

暂无评论

基于低秩表示的鲁棒判别特征子空间学习模型

电子与信息学报 2020年第5期42卷 1223-1230页

作者：李骜刘鑫陈德运张英涛孙广路哈尔滨理工大学计算机科学与技术学院哈尔滨150080 哈尔滨工业大学计算机科学与技术学院哈尔滨150001

特征子空间学习是图像识别及分类任务的关键技术之一,传统的特征子空间学习模型面临两个主要的问题。一方面是如何使样本在投影到特征空间后有效地保持其局部结构和判别性。另一方面是当样本含噪时传统学习模型所发生的失效问题。针对... 详细信息

特征子空间学习是图像识别及分类任务的关键技术之一,传统的特征子空间学习模型面临两个主要的问题。一方面是如何使样本在投影到特征空间后有效地保持其局部结构和判别性。另一方面是当样本含噪时传统学习模型所发生的失效问题。针对上述两个问题,该文提出一种基于低秩表示(LRR)的判别特征子空间学习模型,该模型的主要贡献包括:通过低秩表示探究样本的局部结构,并利用表示系数作为样本在投影空间的相似性约束,使投影子空间能够更好地保持样本的局部近邻关系;为提高模型的抗噪能力,构造了一种利用低秩重构样本的判别特征学习约束项,同时增强模型的判别性和鲁棒性;设计了一种基于交替优化技术的迭代数值求解方案来保证算法的收敛性。该文在多个视觉数据集上进行分类任务的对比实验,实验结果表明所提算法在分类准确度和鲁棒性方面均优于传统特征学习方法。

关键词：图像分类子空间学习特征提取低秩表示

在线全文

学校读者我要写书评

暂无评论

空间光滑且完整的子空间学习算法

模式识别与人工智能 2009年第3期22卷 400-405页

作者：李勇周罗大庸刘少强中南大学信息科学与工程学院长沙410075

提出一种空间光滑且完整的子空间学习算法.它融合了主成分分析、空间光滑的子空间学习算法和局部敏感判别投影的技术特点.不但保持了数据流形的全局和局部几何结构,而且保持了它的判别信息和空间关系.从原始样本提取全局和局部特征经线... 详细信息

提出一种空间光滑且完整的子空间学习算法.它融合了主成分分析、空间光滑的子空间学习算法和局部敏感判别投影的技术特点.不但保持了数据流形的全局和局部几何结构,而且保持了它的判别信息和空间关系.从原始样本提取全局和局部特征经线性变换组成新样本,再从新样本中提取最佳分类特征,最后由分类器完成分类识别.同一般的子空间算法相比,该算法提高了识别率.实验结果验证了该算法的有效性.

关键词：子空间学习主成分分析局部保持投影局部敏感判别分析

基于子空间学习和伪标签回归的无监督特征选择

在线全文

学校读者我要写书评

暂无评论

信号处理 2021年第9期37卷 1701-1708页

作者：盛超宋鹏郑文明赵力烟台大学计算机与控制工程学院山东烟台264005 东南大学儿童发展与学习科学教育部重点实验室江苏南京210096 东南大学信息科学与工程学院江苏南京210096

信息技术的快速发展产生了大量无标签高维数据。为了能够更好地处理这些数据,提出了一种基于子空间学习和伪标签回归的无监督特征选择方法。首先,从矩阵分解的角度将子空间学习和特征选择结合在一个框架中,并且对特征选择矩阵施加L 2,1... 详细信息

信息技术的快速发展产生了大量无标签高维数据。为了能够更好地处理这些数据,提出了一种基于子空间学习和伪标签回归的无监督特征选择方法。首先,从矩阵分解的角度将子空间学习和特征选择结合在一个框架中,并且对特征选择矩阵施加L 2,1范数保证稀疏,在寻找原始数据空间低维表示的同时进行特征选择;其次,利用回归函数来学习特征子空间和伪标签之间的映射关系,利用伪标签和回归函数来指导无监督特征选择,以使选择出来的特征更具判别力;最后,通过引入图拉普拉斯来挖掘隐藏在样本空间和特征空间的局部结构信息。在六个公开的数据集上进行了实验,实验结果表明该方法要优于其他几种先进的无监督特征选择算法。

关键词：子空间学习伪标签回归图正则局部结构保持

在线全文

学校读者我要写书评

暂无评论

基于双重低秩分解的不完整多视图子空间学习

智能系统学报 2022年第6期17卷 1084-1092页

作者：徐光生王士同江南大学人工智能与计算机学院江苏无锡214122 江南大学江苏省媒体设计与软件技术重点实验室江苏无锡214122

多视图数据在现实世界中应用广泛,各种视角和不同的传感器有助于更好的数据表示,然而,来自不同视图的数据具有较大的差异,尤其当多视图数据不完整时,可能导致训练效果较差甚至失败。为了解决该问题,本文提出了一个基于双重低秩分解的不... 详细信息

多视图数据在现实世界中应用广泛,各种视角和不同的传感器有助于更好的数据表示,然而,来自不同视图的数据具有较大的差异,尤其当多视图数据不完整时,可能导致训练效果较差甚至失败。为了解决该问题,本文提出了一个基于双重低秩分解的不完整多视图子空间学习算法。所提算法通过两方面来解决不完整多视图问题:一方面,基于双重低秩分解子空间框架,引入潜在因子来挖掘多视图数据中缺失的信息;另一方面,通过预先学习的多视图数据低维特征获得更好的鲁棒性,并以有监督的方式来指导双重低秩分解。实验结果证明,所提算法较之前的多视图子空间学习算法有明显优势;即使对于不完整的多视图数据,该算法也具有良好的分类性能。

关键词：子空间学习监督学习不完整多视图潜在因子低秩约束双重低秩分解特征对齐低维特征

在线全文

学校读者我要写书评

暂无评论

基于潜子空间去噪的子空间学习图像分类方法

计算机科学与探索 2021年第12期15卷 2374-2389页

作者：杨章静王文博黄璞张凡龙南京审计大学信息工程学院南京211815

针对判别最小二乘回归(DLSR)对图像噪声鲁棒性不佳的问题,提出一种基于潜子空间去噪的子空间学习图像分类方法(DLSSL)。该方法在架构上不同于现有基于回归的分类方法,其在视觉空间与标签空间中引入一个潜在子空间,将传统的图像分类框架... 详细信息

针对判别最小二乘回归(DLSR)对图像噪声鲁棒性不佳的问题,提出一种基于潜子空间去噪的子空间学习图像分类方法(DLSSL)。该方法在架构上不同于现有基于回归的分类方法,其在视觉空间与标签空间中引入一个潜在子空间,将传统的图像分类框架改进为两步,即先降噪后分类。该方法先通过欠完备自编码将数据的高阶特征提取到潜在空间,再利用此高阶特征进行回归分类,同时辅以组核范数约束控制类内样本间距离。潜在子空间的引入为算法框架带来了更多灵活性,缓解了视觉空间与标签空间中数据维度与特性的差异,使得欠完备自编码可以有效地对数据进行降噪,提升了分类算法的鲁棒性。在人脸、生物指纹、物体和深度特征数据集上设计了多组对比实验,实验结果表明,算法对于图像中的噪声具有较强的鲁棒性,获得的投影矩阵具有良好的判别性,相比现有图像分类算法,性能更好、普适性更强,能有效地运用于各种图像分类任务。

关键词：自编码器子空间学习低秩降噪图像分类

子空间学习在基于Kinect的场景分类中的应用

在线全文

学校读者我要写书评

暂无评论

子空间学习在基于Kinect的场景分类中的应用

作者：王永飞华南理工大学

学位级别：硕士

随着数字图像处理技术与因特网技术的发展，场景分类问题得到了广泛的关注，成为图像处理技术的研究热点之一。尽管近年来在计算机视觉与机器人的研究工作不断向前发展，场景分类仍是一个复杂的，未能很好解决的问题，这是由于实际场景... 详细信息

随着数字图像处理技术与因特网技术的发展，场景分类问题得到了广泛的关注，成为图像处理技术的研究热点之一。尽管近年来在计算机视觉与机器人的研究工作不断向前发展，场景分类仍是一个复杂的，未能很好解决的问题，这是由于实际场景中环境、光照的复杂性以及场景实体的不可预测性。本文的主要工作及贡献如下： 1.探讨了图像的深度信息应用到场景分类当中对于场景分类正确率的影响。在微软公司的Kinect推出之前，大部分场景分类都是基于二维彩色图像的，本文使用NYU数据集进行实验，在RGB彩色图像信息基础上结合了深度图像信息，并比较加入深度信息前后场景分类的识别率。 2.探讨在SIFT局部特征基础上使用不同特征表达策略下对识别率的影响。我们所讨论的样本的特征表达算法包括有基于稀疏编码的空间金字塔匹配（ScSPM）、局部受限线性编码（Locality-constrained Linear Coding，LLC）、高效匹配核（Efficient MatchKernels，EMK）等。 3.在ScSPM、LLC、EMK等高维特征表达下使用子空间学习算法减少计算量，并在块配准框架（Patch Alignment Framework）下，我们提出了新的子空间学习算法排序信息保留鉴别分析（Rank Preserving Discriminant Analysis，RPDA）。通过实验对比了RPDA与主成分分析（Principle Component Analysis，PCA）、线性判别分析（LinearDiscriminant Analysis，LDA）以及边界费舍尔分析法（Marginal Fishier Analysis，MFA）等几种不同的子空间学习算法的在使用不同特征表达下的对场景分类识别率的影响。

关键词：场景分类子空间学习特征表达

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

子空间学习技术及应用

子空间学习技术及应用

作者：王金海华东理工大学

学位级别：硕士

随着我国智慧城市战略的推进,大数据成为了国家管理的重要基础资源。对于大数据来说,一个重要的特征就是高维度。对于智能辅助决策系统来讲,直接将大数据作为系统输入是不科学的,输入数据维度对于最终输出决策结果的正确性至关重要。对... 详细信息

随着我国智慧城市战略的推进,大数据成为了国家管理的重要基础资源。对于大数据来说,一个重要的特征就是高维度。对于智能辅助决策系统来讲,直接将大数据作为系统输入是不科学的,输入数据维度对于最终输出决策结果的正确性至关重要。对输入数据进行维度约简,得到准确有效的特征维度,成为一个技术热点。本文主要研究内容是子空间学习技术及其应用,主要包括:子空间学习的理论研究、Krylov子空间理论及应用研究、不变子空间理论及其应用研究。目标是对高维数据中冗余的维度进行约简,提取有效的特征。在学习技术方面,本文以数据聚类为基础,针对实际问题包括图像内容分解和视频场景聚类展开课题研究。本文主要研究成果如下:（1）提出了基于多项式光滑秩的子空间学习模型:在充分研究截断核范数和压缩感知模型的基础上,首先使用多项式函数近似非凸非光滑的低秩分解目标函数,然后利用广义的拉格朗日乘子法求解得到相应的子空间学习模型解,最后采用谱聚类在人脸识别数据集上进行了实验,结果说明所提模型是有效的。（2）给出了基于Krylov分解的子空间学习方法:主要思想是使用Krylov分解构造求解方法来完成低秩模型求解问题。在图像分解方面的实验结果说明,对于求解高维度低秩分解问题,该方法具有速度优势。（3）提出了基于不变子空间的聚类技术。首先对于输入数据,采用极小化表示误差为准则,在数据特征上进行重新表示,然后在新的特征上设计聚类方法,在视频场景聚类的实验表明该方法是十分有效的,场景聚类有效性达90%以上。总之,本文以子空间学习技术为基础,对相应的理论进行了深入研究,得到了一些有意义的成果,这些成果可直接用于智能辅助决策系统的算法设计,为提升相应系统的智慧化服务。

关键词：子空间学习 Krylov子空间不变子空间聚类智能辅助决策系统