检索结果-南通市图书馆

电子学报 2024年第7期52卷 2407-2417页

作者：付东来高泽安中北大学软件学院山西太原030051

多图学习是一种非常重要的学习范式.与多示例学习相比,在多图学习中包表示一个对象,包中的每一个图对应一个子对象.这种数据表示方法能够表达子对象的结构信息.但是,现有的多图学习方法不仅隐含假设包内的图满足独立同分布,而且多采用... 详细信息

多图学习是一种非常重要的学习范式.与多示例学习相比,在多图学习中包表示一个对象,包中的每一个图对应一个子对象.这种数据表示方法能够表达子对象的结构信息.但是,现有的多图学习方法不仅隐含假设包内的图满足独立同分布,而且多采用将多图学习问题转变为多示例学习问题的技术思路.这类多图学习方法容易损失图自身及图间的结构信息.针对上述问题,本文提出一种基于结构感知的多图学习方法,有效学习图自身和图间的结构信息.该方法利用图核,通过计算图之间的相似度保留图自身的结构信息,通过生成包级图表达图间的结构信息,并且设计包编码器有效学习图间的结构信息.在NCI(1)、NCI(109)和AIDB三个多图数据集上的实验结果表明,所提方法相较于现有方法在准确率、精确率、F1值和AUC上分别平均提高了5.97%、3.44%、4.48%和2.56%,在召回率上平均降低了2.12%.

关键词：多图学习图核结构信息包结构图独立同分布

来源：

维普期刊数据库

同方期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于多图学习的多模态图像显著性检测算法研究

基于多图学习的多模态图像显著性检测算法研究

引用

作者：黎圣安徽大学

学位级别：硕士

随着多媒体图像处理技术的进步和发展,图像数据快速的增长,如何高效地从这庞大的图像数据中提取出人们感兴趣且有价值的信息,并有效地滤除掉过多的冗余数据成为了目前图像处理和计算机视觉领域亟待解决的问题。近年来,视觉显著性检测作... 详细信息

随着多媒体图像处理技术的进步和发展,图像数据快速的增长,如何高效地从这庞大的图像数据中提取出人们感兴趣且有价值的信息,并有效地滤除掉过多的冗余数据成为了目前图像处理和计算机视觉领域亟待解决的问题。近年来,视觉显著性检测作为计算机视觉中的重要分支之一,能够辅助并改善一系列的视觉处理任务,已经被广泛地应用到了场景分类、视觉跟踪、目标重定向、语义分割等众多领域中,成为了一个炙手可热的研究课题。虽然在特定测试数据集以及简单场景下,对于单模态图像显著性检测的研究已经达到了很高的水平,但是由于其算法缺乏泛化性,在图像光照条件差、恶劣天气、颜色相近以及图像包含噪声等复杂场景下的显著性检测精度仍有待提高。近年来,由于各种成像技术的不断成熟,其他类型的光谱成像获取的数据越来越多(其中热红外图像就对光照不敏感),使得相关领域的科研人员开始尝试融合多个不同但互补的多模态信息,如可见光和热红外信息(RGB-T),这在一定程度上提升了显著性检测的精度和鲁棒性。因此,本文将围绕图像显著性检测及多模态图像显著性检测展开研究,具体来说,我们的主要工作如下:(1)传统的关于显著性的研究立足于对图像的结构划分并且构建图模型,然后在图模型的基础上进行显著性平滑、分布的研究。现有的图像显著性检测算法的大多是运用两个先验信息:背景先验和边界先验,来辅助其他的显著性线索(比如对比度),以达到良好的显著性检测结果。然而,它们对边界先验的使用较为脆弱与简单,同时与其它线索的融合基本上为启发式。针对这一问题,本文在图模型的基础上引入考虑边界连通性的背景度量方法来提高模型的鲁棒性和精确性。此方法可以对图像区域相较于图像边界的空间布局进行直观描述,并将其与经典的流形排序的显著性检测模型相结合,集成一个整体的显著性优化框架,进而对诸多低层级线索与背景度量方法进行整合,从而得到更具有鲁棒性、精确性的检测结果。然后利用不同基准数据集展开实验并进行对比分析,实验结果证明我们显著性检测算法的有效性。(2)针对单一模态的图像无法应对低光照、恶劣天气等复杂场景下的图像显著性检测,我们考虑融合多个模态的图像信息来改善这种情况。但是现有的以图模型为基础的图像显著性检测算法很多都是依赖单一图模型的,对于多种模态,显然需要获取多种图结构进行并行的学习。因此,本文还将研究基于多图学习的多模态图像显著性检测。具体来说,本文从多图学习的角度出发,利用可见光谱和热红外光谱两种模态的数据来进行多图学习,并使用马氏度量融合不同光谱数据以构建联合的多模态图模型。然后,并将其与流排序的图像显著性检测模型相结合构建显著性优化框架,结合多模态图像可以协同提取差异性模态显著性特征并自适应的融合获得更加良好的显著性检测结果。通过在两个多模态数据集上的进行对比实验以及结果分析,得出借助于联合多模态图模型相较于单模态的图模型而言,在图像显著性检测精度方面有了较为明显的提升。

关键词：多图学习图模型显著性优化框架多模态显著性检测

来源：

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

基于多图协同学习神经网络模型的半监督分类研究

基于多图协同学习神经网络模型的半监督分类研究

引用

作者：陈思安徽大学

学位级别：硕士

多视图的表示学习旨在利用来自不同角度或不同数据源的特征学习数据的表示。对于图结构数据,多图学习的目的是通过多个图结构数据的协同学习,挖掘多个视图间的互补信息。近年来,图神经网络(Graph Neural Networks,GNNs)在图结构数据的... 详细信息

多视图的表示学习旨在利用来自不同角度或不同数据源的特征学习数据的表示。对于图结构数据,多图学习的目的是通过多个图结构数据的协同学习,挖掘多个视图间的互补信息。近年来,图神经网络(Graph Neural Networks,GNNs)在图结构数据的表示学习方面取得了巨大的成功。现有的图神经网络模型通常可以分为图卷积网络、图注意力网络、图自编码器和图生成网络等。然而,许多传统的图神经网络模型利用固定的图结构进行表示学习,对于特定的任务来说这往往不是最优的图结构。于是图学习网络模型方法被提出,其核心思想就是通过图学习机制获得一个最优的图结构并用于下游任务。而目前大多数的图学习网络模型是基于单图数据开发的。本文利用图学习方法和图神经网络模型研究多图协同学习的半监督分类问题,主要工作总结如下:(1)图形神经网络(GNNs)在图形数据表示和半监督分类任务中已经被证明是有效的。然而,在许多机器学习应用中,数据具有多个视图的特征和多个图结构,这被称为多图学习问题。现有的图神经网络主要应用于单图数据,不能直接用于多图数据的表示。在本文中,我们完成了一种多图优化神经网络(Multi-Graph Optimization Neural Networks,MGONN),用于多图协同学习的半监督分类任务。该方法结合了传统和深度的多图学习方法,通过多个图结构数据的协同优化,学习最佳的图结构。多图优化神经网络是一个图神经网络通用的架构,它可以结合任何特定的图神经网络模型来处理多图数据。同时,我们还给出了一个有效的算法来优化所提出的模型。本文在几个基准数据集上进行半监督分类的实验结果表明了所给出的多图优化神经网络方法的优越性能。(2)在深度学习方法中,很多方法采用多个输入流的网络模型处理有多个输入数据的任务。为了处理多视图数据,我们采用多网络分支的方式,进行多图学习任务。本文基于图学习卷积网络模型(Graph Learning Convolutional Networks,GLCN),完成一个多图学习卷积神经网络模型(Multi-Graph Learning Convolutional Networks,MGLCN)。多图学习卷积神经网络模型将多图学习和图卷积网络集成在一个统一的框架中,包括多视图图学习模块和图卷积模块。在多视图图学习模块中,该模型将多个视图数据作为多个输入流,学习多个视图的图结构,通过单层的神经网络自适应地学习每个视图的权重,从而融合多个图结构的信息得到最终的图结构。在图卷积模块,将得到的图结构和多视图特征数据作为输入进行图卷积操作,用于多图协同学习的半监督分类任务。在三个基准多视图数据集上的实验结果表明所给出的模型对于半监督分类任务的有效性。

关键词：多图学习图神经网络半监督分类图结构学习多图优化

来源：

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

基于多图学习的情感图像检索研究

引用

大连民族大学学报 2016年第5期18卷 509-512,520页

作者：逯波段晓东王存睿李泽东大连民族大学计算机科学与工程学院辽宁大连116605 东北大学系统科学研究所沈阳110819

构建了一个统一的多图学习框架,来验证在不同类别情感图像中,使用不同级别特征在情感图像检索上的性能表现。首先,提取每个图像在不同层级上的共有特征,其中,从元素级别提取的一般特征作为底层特征;可解释的属性特征作为中层特征;而情... 详细信息

构建了一个统一的多图学习框架,来验证在不同类别情感图像中,使用不同级别特征在情感图像检索上的性能表现。首先,提取每个图像在不同层级上的共有特征,其中,从元素级别提取的一般特征作为底层特征;可解释的属性特征作为中层特征;而情感图像的语义感念描述作为高层特征。其次,为每种类型的特征构建一个图模型来验证情感图像检索的性能。最后,将多个图模型合并在一个规范化的框架内来学习每个图模型的优化权重。通过在5个不同数据集上得到的实验结果验证了所提方法的有效性。

关键词：情感图像检索图像情感多图学习

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于显著性检测和哈希的图像检索方法研究

基于显著性检测和哈希的图像检索方法研究

引用

作者：梁慧东北师范大学

学位级别：硕士

随着科技与时代发展,图像数据呈指数级增长,检索数据库中的图片需要耗费大量的时间。图像检索技术大致可以分为两类:基于整体图像的图像检索和基于显著区域的图像检索。基于整体图像的图像检索需要提取整幅图像的所有特征,往往包含大量... 详细信息

随着科技与时代发展,图像数据呈指数级增长,检索数据库中的图片需要耗费大量的时间。图像检索技术大致可以分为两类:基于整体图像的图像检索和基于显著区域的图像检索。基于整体图像的图像检索需要提取整幅图像的所有特征,往往包含大量的背景噪声,而基于显著区域的图像检索算法由于考虑了图像的语义信息,比基于整体图像的图像检索效果更好。哈希方法将图像数据转换为二进制码,在减少图像数据存储空间的同时提高了检索速度,越来越多地应用到科学研究中。基于以上特点,本文提出了基于显著性检测和哈希的图像检索算法。本文的主要工作如下:第一,提出了构建多图融合多特征的显著性检测方法。传统的基于流形的显著性检测算法,通常构建单图描述图像不同区域之间的关系。但自然场景图各区域之间的结构往往比较复杂,仅使用一个图可能会忽略图像的重要信息。本文提出构造多个图来描述不同特征空间的图像信息。具体地说,分别基于空间位置和颜色特征构造了两个图:一个是基于空间位置的K正则图,另一个是基于颜色特征的ε图。第二,提出引入稀有度项的显著性优化框架。传统的基于流形的显著性检测框架是利用光滑性约束条件中连通节点之间的信息以及查询点的信息构建的。在这个框架中,不包括视觉显著性的视觉认知特征。因此,该框架应用于突出目标检测时,性能受到了限制。本文算法将重点放在基于图的优化问题本身,并引入了一个新的基于图的优化框架来克服上述限制。第三,提出了一种基于强约束流形哈希（SCDMH）的图像检索算法。在目标函数中加入了原始特征和哈希矩阵之间的相互重构项,最小化重构损失从而减少哈希学习过程中的信息损失;同时,本文首次将流形直接嵌入到监督离散哈希中,在汉明空间中直接学习和保留流形结构。第四,将改进的显著性检测方法和哈希算法相结合,设计并实现了相应的图像检索系统。本文从三个方面进行了实验验证。关于显著性检测实验,本文在三个公开显著性数据集上进行了实验,在PR曲线、F值和AUC等指标上都表现出了较好的性能。关于强约束流形哈希,本文在Cifar10数据集、Caltech-256数据集和MNIST数据集上与五种无监督、四种监督哈希方法进行了比较,在各个指标上都表现出了较好的检索性能。最后本文将两种改进算法相结合加以验证,并在开发实现的检索系统上成功实现了准确率较高的图像检索。

关键词：显著性检测流形哈希图像检索多图学习

来源：

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

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：