检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库

在线全文

学校读者我要写书评

暂无评论

度量学习引导的多流形聚类算法

计算机应用与软件 2024年

作者：秋科军岳洋韩东升陕西广电网络传媒(集团)股份有限公司

当流形呈现重叠或交叉时，由于流形交叉点附近的样本通常难以区分，现有的聚类算法往往性能较差。为解决该问题，提出了一种能够同时考虑样本间的空间距离与样本局部流形的差异的距离度量。基于上述度量，提出的算法在学习过程中能够自... 详细信息

当流形呈现重叠或交叉时，由于流形交叉点附近的样本通常难以区分，现有的聚类算法往往性能较差。为解决该问题，提出了一种能够同时考虑样本间的空间距离与样本局部流形的差异的距离度量。基于上述度量，提出的算法在学习过程中能够自适应学习样本空间距离与样本局部流形差异的比重，并使得位于流形交叉点附近的样本计算距离时后者的比重更大，以此来更好地对流形交叉点附近的样本进行区分。实验结果表明，在真实数据集和目标追踪数据集环境下提出的模型相较现有的多流形聚类算法能够取得更好的聚类精度。

关键词：多流形聚类交叉流形度量学习 Jeffery散度 Burg散度

基于协同网络与度量学习的标签噪声鲁棒联邦学习方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机科学 2024年

作者：吴飞张家宾岳晓凡季一木荆晓远南京邮电大学计算机学院武汉大学计算机学院南京邮电大学自动化学院、人工智能学院

目前联邦学习中标签噪声问题研究较少，现主要做法为服务器端引入基准数据集对客户端的模型进行评估、对客户端的聚合权重、特征类中心进行控制等等，但大多方法区分噪声客户端/噪声样本能力尚有提升空间。文中提出了一种基于协同网络... 详细信息

目前联邦学习中标签噪声问题研究较少，现主要做法为服务器端引入基准数据集对客户端的模型进行评估、对客户端的聚合权重、特征类中心进行控制等等，但大多方法区分噪声客户端/噪声样本能力尚有提升空间。文中提出了一种基于协同网络与度量学习的标签噪声鲁棒联邦学习方法。方法由以下三部分组成：1）客户端互评分机制：客户端为彼此模型评分，构建评分矩阵，进一步转化为邻接矩阵，以区分干净/噪声客户端。2）协同网络模块：通过构建两个协同对等的联邦网络模型，使用简森-香农散度为协同网络彼此的训练区分干净样本与噪声样本。3）联邦-协同网络三元组损失：为噪声样本设计损失函数，约束同一噪声样本协同网络的输出特征。在CIFAR-10和CIFAR-100两个公开数据集上进行实验验证，结果表明所提出的方法在准确性上具有优势。

关键词：鲁棒联邦学习标签噪声协同网络度量学习

基于度量学习的不平衡图数据节点分类方法研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于度量学习的不平衡图数据节点分类方法研究

作者：王雨吉林大学

学位级别：硕士

图作为一种通用的数据结构,可以有效建模各种类型的复杂关系,并被广泛应用于各领域。图神经网络是专门设计用于处理和分析图数据结构的深度神经网络模型。图神经网络可以高效学习图中节点之间的复杂关联,有效提升节点分类等下游任务的性... 详细信息

图作为一种通用的数据结构,可以有效建模各种类型的复杂关系,并被广泛应用于各领域。图神经网络是专门设计用于处理和分析图数据结构的深度神经网络模型。图神经网络可以高效学习图中节点之间的复杂关联,有效提升节点分类等下游任务的性能,并在现实复杂系统中展现巨大潜力。然而,现有的图神经网络方法通常在训练时假定数据分布是平衡的,但是现实中的图数据往往都是不平衡的。图神经网络通过消息传递机制聚合邻域信息学习节点表示,在不平衡场景下,由于少数类别对应的节点较少,聚合邻居信息有限,导致了严重的过拟合问题。因此,当前图不平衡学习面临着关键挑战:在聚合邻域信息的过程中,模型捕捉到的局部邻域节点特征中可能携带丰富的多数类别而非同类别的语义信息,这使得最终习得的少数类节点特征无法清晰的保有该少数类别相关的内在特征,导致次优表征质量,影响节点分类性能。为解决上述问题,本文受度量学习方法启发,采用关系网络缓解少数类别的过拟合现象,以提升图不平衡半监督节点分类模型的性能。具体地,本文提出一个基于关系网络的图不平衡学习的训练框架,首先通过迭代分类算法进行标签传播,为未标记数据分配可靠的伪标签,以扩充训练集。然后,基于关系网络学习一个非线性的距离度量函数,度量节点对之间的相似性关系,并利用该关系促进模型学习不同类别样本间的特征差异,为样本学习到更加有区分度的表示。此外,本文又提出一个基于偏差自适应分类器的图不平衡学习的训练框架,首先设计一个由非线性网络与线性分类器组成的偏差自适应分类器,在不平衡数据集上训练来更新编码器和线性分类器参数。然后从不平衡数据集中采样一个平衡子集,利用真实标签和线性分类器的有偏预测值反向传播更新非线性网络参数。非线性网络吸收训练误差,线性分类器进行无偏修正,通过上述双层优化框架可以在有效学习全量数据特征的同时,纠偏其类别不平衡预测结果。本文通过充分的图类别不平衡场景下的节点分类实验,以及关键模块的消融实验验证所提出两种方法的有效性。与当前的代表性图不平衡学习方法相比,本文提出的两种图不平衡学习方法充分利用大量未标记图数据中蕴含的丰富语义信息,缓解少数类别的过拟合问题,并在下游节点分类任务上展示出优越的性能。

关键词：图神经网络度量学习图不平衡半监督学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于度量学习的半监督空中目标作战意图识别

现代防御技术 2024年

作者：张晨浩周焰梁复台周通宋子豪袁凯 93950部队 31121部队空军预警学院

空中战场态势是对空中战场中所有参与方行动和状态的总体描述，而目标作战意图识别则为空中战场态势评估提供重要依据。为了解决在激烈对抗、快速演化的空中战场态势背景下，大量已标记的空中目标战场态势数据获取难度大的问题，本文提... 详细信息

空中战场态势是对空中战场中所有参与方行动和状态的总体描述，而目标作战意图识别则为空中战场态势评估提供重要依据。为了解决在激烈对抗、快速演化的空中战场态势背景下，大量已标记的空中目标战场态势数据获取难度大的问题，本文提出了一种基于度量学习的半监督空中目标作战意图识别模型。该模型提供了一种从无标签样本中发掘潜在模式的方法，缓解了对大量标记数据的需求。模型通过目标时序数据编码器对目标序列数据进行降维并得到其嵌入表示。在此基础上，通过分别度量已标记的目标序列与意图类型、未标记的目标序列之间的相似度，计算对应的损失值。实验结果表明，在有标签样本不同占比为30%、40%和50%的情况下，该模型识别空中目标作战意图的准确率分别为86%、89%和91%。

关键词：空中目标战场态势作战意图意图识别度量学习半监督学习

基于度量学习的跨摄像头运动目标重定位方法研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机工程与科学 2024年第7期46卷 1256-1268页

作者：康宇史珂豪陈佳艺曹洋许镇义合肥综合性国家科学中心人工智能研究院安徽合肥230088 安徽省工业互联网智能应用与安全工程研究中心安徽马鞍山243023 中国科学技术大学信息科学技术学院安徽合肥230026

近年来,我国柴油车尾气排放污染日趋严重。为了改善大气环境,需要对排放黑烟的柴油车进行监测。然而,在城市交通道路场景下,黑烟柴油车检测经常由于车辆间相互遮挡等因素,难以通过后向视频确定黑烟柴油车身份。此外,柴油车重定位相关数... 详细信息

近年来,我国柴油车尾气排放污染日趋严重。为了改善大气环境,需要对排放黑烟的柴油车进行监测。然而,在城市交通道路场景下,黑烟柴油车检测经常由于车辆间相互遮挡等因素,难以通过后向视频确定黑烟柴油车身份。此外,柴油车重定位相关数据的严重不足导致数据局限性较大。针对以上问题,提出了一种跨摄像头场景下的黑烟柴油车重定位方法。该方法通过引入IBN模块构建特征提取网络,提升网络模型对柴油车图像外观变化的适应性。然后,设计基于豪斯多夫距离度量学习的损失函数对特征差异性进行度量,在优化过程中增加类间距离并降低遮挡样本的影响。最后,构建了多种场景下的柴油车重定位基准数据集,并在该数据集上对所提出的方法进行实验。实验结果表明,所提出的方法取得了83.79%的相对精度,具有较高准确率。

关键词：跨摄像头黑烟车重定位度量学习

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

基于度量学习的标签推荐算法研究

基于度量学习的标签推荐算法研究

作者：王经龙浙江科技大学

学位级别：硕士

标签推荐是指一种用于为用户生成或推荐标签(也称为关键词、标识符或元数据)的技术,在许多复杂应用场景中能够向使用智能设备的用户推荐符合自身意图的标签来描述产品的内容。随着计算机科学和AI产业的迅速发展,标签推荐一方面可帮助用... 详细信息

标签推荐是指一种用于为用户生成或推荐标签(也称为关键词、标识符或元数据)的技术,在许多复杂应用场景中能够向使用智能设备的用户推荐符合自身意图的标签来描述产品的内容。随着计算机科学和AI产业的迅速发展,标签推荐一方面可帮助用户、企业和研究者更好地处理海量的信息和数据,另一方面可以提高生产效率、降低企业成本,提供可靠的产品和增加用户对企业的信任度。因此,标签推荐作为人工智能,计算机科学和数据挖掘等众多交叉学科中的长期研究热点,受到学术界和工业界的大量关注。然而,现有的标签推荐建模方法面临着四个主要的研究问题,分别是以内积预测得分而不满足三角形不等式、易于遭受噪声干扰产生错误分类、数据多样性有限和难以在欧几里得空间中捕获层级结构。为此,本论文围绕度量学习在标签推荐中的应用开展了系统性研究,针对上述研究问题,分别提出了基于角裕度成对度量学习的标签推荐、基于深度对抗度量学习的标签推荐、基于困难负样本合成度量学习的标签推荐和基于双曲空间增强度量学习的标签推荐。本文的主要贡献可以概括如下:首先,本文提出一种基于成对度量学习模型,构建了用户-项目-标签三联体之间的距离度量,采用欧氏距离针对实体的距离关系进行设计,并以三重损失推动相似样本靠近,同时将负样本推远。另一方面,度量学习面临固定裕度的限制,不同数据类别通常有着不同的类内变化,固定裕度往往造成分类的不准确性,降低标签推荐的质量。为此,本文提出一种基于角裕度成对度量学习模型,在原有三重损失基础上,额外设计了一项角裕度正则化器,分别控制用户-标签和项目-标签的角裕度大小,并通过约束角裕度正则化器的强度来动态调整实体对的距离变化,相比传统的度量学习方法能够捕获额外的关系结构。最终在基于真实业务应用场景下获取的数据开展实验验证,验证了基于角裕度成对度量学习模型在标签推荐中的有效性、可解释性和性能准确性。然后,由于数据样本往往遭受噪声的干扰,导致测试数据与训练数据差异较大,通常难以取得良好泛化能力。为此本文提出一种基于深度对抗度量学习模型。一方面,利用注意力机制将用户偏好、项目特征反映在不同类型的标签信息交互中,自适应地学习用户-标签以及项目-标签之间的潜在关系。此外,本文构造了结合度量学习和对抗学习的新型目标函数,其原理为在原始参数上直接添加对抗扰动,旨在攻击原始模型参数以及迫使系统进行对抗防御。最终在三个公开可用数据集上进行大量实验,验证了基于深度对抗度量学习模型的有效性和准确性。接着,由于训练数据中的困难负样本通常只占少数,分类器的分类能力在训练过程仅依赖于简单的负样本而受到限制,接近边缘的困难负样本常常难以挖掘,导致在分类过程中这些困难的负样本被错误的推荐给用户。为此,本文提出一种基于困难负样本合成的度量学习模型,利用一个全连接网络针对标签的负样本进行扩充,借助所合成的困难负样本,可以丰富数据的多样性,准确识别和推荐罕见的或难以预测的标签。此外,通过联合训练对抗负样本损失函数和原始距离度量损失函数,能够共同优化推荐结果的质量。最终,基于从真实音乐网站和电影网站上收集的数据集,开展大量实验验证了方法的有效性,还进行了一项有效的消融实验来量化对抗组成成分对推荐性能的贡献。最后,在双曲空间中构建用户-项目-标签的双曲距离关系,为此本文提出一种基于双曲嵌入学习模型,利用庞加莱球模型建模了用户-标签和项目-标签的双曲距离关系,并采用了三重损失来减小相似数据间的距离并扩大不同数据间的距离,同时使用黎曼梯度下降法对涉及到的参数进行更新。另外,基于图神经网络的标签推荐模型被用于捕获用户-项目-标签的高阶协作信号,然而这些方法只能针对邻居节点的信息进行聚合,其难以捕获图的树状/层级结构,只能捕获局部特征。为此,本文提出一种基于双曲图卷积神经网络模型,利用对数映射将用户、项目和标签的嵌入表示映射在切空间中并针对图卷积层进行了设计,建模了用户-标签和项目-标签的交互图来聚合高级邻居表示,并将聚合后的邻居表示通过一个指数映射投影到双曲空间中。最终在真实数据集上进行了大量实验验证,针对不同组件、不同裕度的取值、不同维度变化和不同参数的影响进行了有效分析,为在标签推荐中应用双曲空间做了一定的可解释说明。

关键词：标签推荐度量学习对抗学习困难负样本双曲空间

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多模态和度量学习的小样本图像分类方法

东华大学学报(自然科学版) 2024年

作者：岳之一钱素琴东华大学信息科学与技术学院东华大学数字化纺织服装技术教育部工程研究中心

在小样本图像分类中,由于样本数量有限,神经网络难以进行充分训练,同时仅使用单一的判别方法容易产生相似性偏差,分类准确率较低。针对上述问题,提出一种多模态和度量学习相结合的小样本图像分类模型。使用卷积神经网络提取查询集和支... 详细信息

在小样本图像分类中,由于样本数量有限,神经网络难以进行充分训练,同时仅使用单一的判别方法容易产生相似性偏差,分类准确率较低。针对上述问题,提出一种多模态和度量学习相结合的小样本图像分类模型。使用卷积神经网络提取查询集和支持集图像的特征,通过度量模块判断图像与图像间的相似度;通过多模态模块对已知类别图像的文本信息与查询图像进行跨模态对比,从而计算查询图像与每个类别文本信息的相似度;最后结合两种相似度,基于多模态信息得出最终预测结果。在Mini Imagenet和CUB-200-2011两个数据集上进行小样本分类试验,同时与6种先进的小样本分类模型进行对比,结果显示,所提模型的分类准确率优于其他模型。试验结果证实了所提模型的有效性。

关键词：小样本学习图像分类度量学习多模态

正则化逆近邻判别分析和黎曼流形度量学习图像分类研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

正则化逆近邻判别分析和黎曼流形度量学习图像分类研究

作者：谢铭广州大学

学位级别：硕士

图像分类是计算机视觉和模式识别中的重要研究课题。其中线性判别分析是解决图像数据降维和模式识别问题的经典方法,但其处理小样本和多模态数据时仍存在较大问题。虽然最近提出的逆近邻线性判别分析(nLDA)能够较好地解决多模态问题,但... 详细信息

图像分类是计算机视觉和模式识别中的重要研究课题。其中线性判别分析是解决图像数据降维和模式识别问题的经典方法,但其处理小样本和多模态数据时仍存在较大问题。虽然最近提出的逆近邻线性判别分析(nLDA)能够较好地解决多模态问题,但对于小样本数据而产生的邻内散度矩阵奇异问题仍然未能很好解决。由于线性判别分析法只能解决欧氏空间的数据问题,难以有效挖掘数据中蕴含的非线性信息。很多研究证明视觉数据常常存在于非欧空间——黎曼流形上,对非线性数据有较好的处理能力。近年来联合欧氏空间和黎曼流形的度量学习在图像集分类上获得了较多的关注。欧氏到黎曼空间的度量学习(CERML)以及联合降维和度量学习(JDRML)方法被提出。然而,上述两种方法都只考虑了欧氏空间到单一黎曼流形的异构度量学习,无法学习欧氏与不同黎曼流形的度量信息。本文分别针对nLDA中的小样本问题,以及欧氏空间和黎曼流形中的度量学习问题提出了解决思路。本文主要的研究工作概括如下:(1)提出了一种特征谱正则化逆近邻判别分析方法(ERRNDL)。逆近邻线性判别分析在处理小样本图像数据时,邻内散度矩阵常常出现奇异,从而降低分类器的泛化性能。本文提出引入特征谱正则化技术,首先对邻内散度矩阵的特征空间进行正则化处理,然后在新的特征空间上利用主元分析法有效提取判别特征,并实现数据降维,避免了原方法中需要求邻内散度矩阵的逆操作。本文采用了三种不同的特征谱正则化技术,分别实现不同的特征谱正则化。大量实验表明,本方法具有更好的泛化能力。(2)提出了一种联合欧氏与多黎曼流形的度量学习(EMRML)方法。针对CERML和JDMRL中缺乏考虑多种黎曼流形与欧氏空间的度量信息问题,本文引入以图像集合的线性子空间和协方差矩阵所分别组成的Grassmann流形和对称正定(SPD)流形,进而构建欧氏与多黎曼流形的度量学习模型。本方法能够充分利用不同黎曼流形与欧氏空间之间的度量信息,从而实现多种异构空间的信息互补。实验表明本方法具有更高和更稳定的图像集分类性能。

关键词：特征谱正则化逆近邻判别分析黎曼流形度量学习图像分类

基于迁移学习和度量学习的牛鼻纹识别方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于迁移学习和度量学习的牛鼻纹识别方法研究

作者：钟旻跃重庆理工大学

学位级别：硕士

近年来,国家大力扶持数字农牧业的发展。乡村振兴局的成立更是确立了数字农牧业的发展方向。然而,当前我国农牧领域的数字化、智能化程度还几乎空白,处于起步阶段,特别是在中小型牧场、合作社及个体养殖户方面。因此亟须通过智能化手段... 详细信息

近年来,国家大力扶持数字农牧业的发展。乡村振兴局的成立更是确立了数字农牧业的发展方向。然而,当前我国农牧领域的数字化、智能化程度还几乎空白,处于起步阶段,特别是在中小型牧场、合作社及个体养殖户方面。因此亟须通过智能化手段解决农牧业相关痛点难题,将信息化技术与畜牧生产有机融合,形成突破。本研究以牛只监管为切入点。过去,对牛只进行监管主要依靠一些硬件设施对其进行标记,甚至采用会对牛造成伤害的方法。这种做法不仅会使动物感到疼痛,并且可能导致伤口感染。如今,在监管过程中引入人工智能和大数据相结合的方式寻找一种高效且健康的方法已经成为当下需要探索解决的问题。由于牛鼻纹具有独特的生物特征,并且不会随着时间改变,在识别个体身份上与人类的指纹相似,具有潜在优势,因此可以作为匹配个体的身份信息。本文提出了基于迁移和度量学习的牛鼻纹识别方法,主要贡献及研究内容如下:(1)本文提出了一种基于迁移学习的网络模型,通过对轻量级的三种特征提取网络进行微调,加载了在Image Net上预训练的权重参数,并有选择的冻结网络模型最后三层,采用了四种不同的模型训练策略:从零开始训练、迁移学习(所有层冻结)、解冻最后一层和解冻最后三层。通过在公开的牛脸数据集和本文构建的牛鼻纹数据集上实验,评估了各网络模型的识别准确率。实验结果表明,迁移学习策略相比完全从零开始训练的效果更好,尤其是在解冻部分层数后,模型的准确率进一步提升。(2)为了解决复杂的牛鼻纹理和形状特征的分类问题,本文还提出了一种融合Swin Transformer和Triplet的网络模型,该模型的前端是Swin Transformer,它通过引入平移窗口机制和分层结构来实现更高效的视觉特征提取,且在处理大尺寸图像而不受显存限制,可以提取牛鼻纹图像的全局特征;后端由一个Triplet网络结构组成,它适用于学习图像之间的相似性,将前端的特征向量进行降维并计算各特征向量之间的欧氏距离,通过距离的远近程度判断特征向量之间的相似性。同时,本文构建了一个联合损失函数,它由一个自适应的三元组损失和交叉熵损失组成,自适应三元组损失去除了边距超参数,使其能够不受超参数的影响而自动调整正负样本之间的距离。联合损失函数既可以直接对图像的类别直接进行预测,也可以学习样本之间的相似与不同,极大地提高了牛鼻纹识别的准确率。

关键词：深度学习卷积神经网络牛鼻纹生物特征度量学习