检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

结合度量融合和地标表示的自编码谱聚类算法

智能系统学报 2020年第4期15卷 687-696页

作者：张敏周治平江南大学物联网工程学院江苏无锡214122 江南大学物联网技术应用教育部工程研究中心江苏无锡214122

针对大多数现有谱聚类算法处理大规模数据集时面临聚类精度低、大规模相似度矩阵存储开销大的问题,提出一种结合度量融合和地标表示的自编码谱聚类算法。引入相对质量概念进行节点评估,选取最具代表性的点作为地标点,通过稀疏表示近似... 详细信息

针对大多数现有谱聚类算法处理大规模数据集时面临聚类精度低、大规模相似度矩阵存储开销大的问题,提出一种结合度量融合和地标表示的自编码谱聚类算法。引入相对质量概念进行节点评估,选取最具代表性的点作为地标点,通过稀疏表示近似获得图相似度矩阵,以降低存储开销。同时考虑到近邻样本的几何分布和拓扑分布的信息,融合欧氏距离与Kendall Tau距离来度量地标点与其他样本之间的相似度,提高聚类精度;以栈式自编码器取代拉普拉斯矩阵特征分解,将所获得的相似度矩阵作为自编码器的输入,通过联合学习嵌入表示和聚类来进一步提高聚类精度。在5个大规模数据集上的实验验证了本文算法的有效性。

关键词：大规模数据集度量融合地标表示相对质量稀疏表示栈式自编码器联合学习嵌入表示

基于多重反向传播网络与度量融合的行人重识别研究

在线全文

学校读者我要写书评

暂无评论

基于多重反向传播网络与度量融合的行人重识别研究

作者：罗锋安徽大学

学位级别：硕士

随着计算机视觉在监控领域的快速发展,越来越多的计算机研究学者把目标锁定在行人重识别方法的探索中,使此热点成为了计算机视觉领域中占比较大的研究课题。行人重识别技术的主要作用是判断在不同的时间、不同的地点、不同的摄像头所捕... 详细信息

随着计算机视觉在监控领域的快速发展,越来越多的计算机研究学者把目标锁定在行人重识别方法的探索中,使此热点成为了计算机视觉领域中占比较大的研究课题。行人重识别技术的主要作用是判断在不同的时间、不同的地点、不同的摄像头所捕获的行人是否为同一个身份,此项技术应用于智能安防、刑事监察、时空轨迹追踪和商业区管理等。该技术研究所面临的挑战有人脸遮挡、视频低分辨率、拍摄角度、光照以及大范围空间下行人轨迹严重碎片化所造成视频数据无法有效利用等等。目前,研究学者针对行人重识别技术的两大主流研究方向是行人特征表示和度量学习,本文以此两大研究方向为主干,创新了几个有效的方法来提高行人识别率。在提取行人特征表示方向,我们提出以几种经典深度网络为内核,每一阶段都进行回传的多重反向传播网络,提高特征精细度。在度量学习方向,我们以欧式距离为基础,提出重排序欧式距离的方法,并与其它几种传统度量方法进行优化加权融合,得到更加鲁棒的矩阵,从而提高行人识别率。本文所做的主要贡献总结如下:（1）基于多重反向传播网络的行人重识别特征研究:考虑到深度网络模型由浅层到深层传播过程中行人图片特征尺寸会减小,从而会丢失一部分图片特征信息,使可度量的数据减少,会损失一部分识别精度。基于这个现象,我们提出了多重反向传播网络特征学习的方法（Multiple Back Propagation Network,MBP）。MBP方法的网络框架是在原始Res Net50[1]和Dense Net121[2]的基础上进行拓展的,我们以Dense Net121为例,每个Dense-conv层后连接一个MBP子层,且每个MBP子层又分为两个子流,其中一个子流以全连接方式连接,并用于计算Softmax损失,另一个子流以一个conv层连接减小尺寸,并用于计算Tripletloss损失,最后所有降维特征串联在一起作为行人图片的最终特征。根据实验结果表明,多重反向传播网络特征相比原始深度框架所提取的特征有了显著的提升。（2）基于重排序欧式距离的行人重识别算法研究:考虑到传统的距离度量算法只是简单地线性度量,识别率偏低,且无法解决全自动、无监督等问题,这给多目标行人分类带来很大的麻烦,因此我们提出重排序欧式距离（Re-ranking Euclidean）。首先把行人图片通过它的阶倒数近邻（-reciprocal nearestneighbors）编码成为一个单体向量,然后计算它的阶倒数特征,最终经过重排序计算欧式距离。简单来说就是定义一个候选集和一个查询图片,找出查询图片在候选集中的近邻,然后计算其阶倒数近邻,最后带入原始的欧式距离公式,得出重排序欧式距离。实验结果表明,重排序欧式距离的效果较传统距离度量算法有显著的提升。（3）基于度量融合的行人重识别算法研究:单个深度行人特征或许能取得好的试验效果,但是每个深度模型都存在自己的优缺点,考虑到这个问题,我们提出一种叫做度量融合（Metric Fusion,MF）的行人特征后期融合方法,重排序欧式距离联合其它几种距离度量算法分别与两种不同网络所提取的行人特征作用后进行加权融合得到最终度量距离,此外,我们还定义了一个自动学习权值的优化算法,可以使融合后同一个身份行人图片特征之间的距离尽可能的小,不同身份行人图片特征之间的距离尽可能的大,从而使识别率取得进一步的提升。实验结果阐明,MF方法较单度量算法有着一定的提升。

关键词：行人重识别多重反向传播重排序度量融合权值优化

基于多尺度特征图度量融合的小样本学习算法研究

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

基于多尺度特征图度量融合的小样本学习算法研究

作者：朱亚林武汉轻工大学

学位级别：硕士

在现实生活中,人类能够通过一个或几个示例就快速建立起对某一新概念的认知能力,但深度学习中的神经网络模型通常需要充足的标记数据样本来进行训练,才能达到预测未知图像类别的效果。一般的图像分类方法在许多特殊应用场景中存在局限性... 详细信息

在现实生活中,人类能够通过一个或几个示例就快速建立起对某一新概念的认知能力,但深度学习中的神经网络模型通常需要充足的标记数据样本来进行训练,才能达到预测未知图像类别的效果。一般的图像分类方法在许多特殊应用场景中存在局限性,因为有些标注数据样本十分稀少或者需要耗费很大的成本才能完成图片标注的工作。近年来,小样本学习已经成为一个深度学习中的一个热门研究领域,它能够在每个类别只有少量标记数据样本的情况下对未知图像进行识别分类;但每个类别图像只拥有少量数据样本,仅有的这些标注数据样本又不足以表示当前类别的特征空间。围绕上述问题,本文提出使用图像中的局部特征信息,这能够充分挖掘出图像中有区分度的局部特征信息;同时,本文还提出使用图像不同尺度的特征图,计算查询集图像中每个局部特征向量和支持集图像中每个局部特征向量的余弦相似度,最后将不同特征图的度量结果进行融合。本文的具体研究内容如下:(1)针对小样本学习中标记图像样本稀少的问题,本文提出使用图像不同尺度的特征图,经过特征提取网络处理后,图像会被处理得到不同尺寸大小的特征图;使用不同尺度的特征图能够利用图像本身更多有效的信息,并为之后能够获取不同尺度特征图的相似度分类结果打下基础。(2)本文提出使用图像中所有的局部特征向量,计算查询图像中每个局部特征向量和支持集中每个类别图像中每个局部特征向量的余弦相似度,并将相似度结果进行累加求和,得到查询图像的相似度分数结果。(3)对于某张需要预测类别的查询图像,它不同尺度特征图能够得到不同的度量结果,因此本文提出将查询图像不同尺度特征图的度量结果进行度量融合。具体而言,将不同的度量结果进行加权赋值处理,从而得到图像最终的推断结果。在小样本基准数据集和小样本细粒度数据集上验证本算法的分类效果,针对不同的数据集分别进行了5-way 1-shot和5-way 5-shot小样本图像分类任务的实验;与小样本学习中经典的方法相比,本文所提出的算法能够有效地提升图像分类的准确率。

关键词：小样本学习图像分类度量学习局部特征度量融合

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

基于风格迁移及度量融合的行人再识别研究

测试技术学报 2019年第1期33卷 24-28,33页

作者：孙志琳张丽红山西大学物理电子工程学院山西太原030006

行人再识别是跨场景跨时间的行人图像匹配问题.锁定的目标从一个摄像头下消失后,在其它摄像头视角下再出现时,系统仍能够依据其特征重新锁定.目前该问题遇到的挑战主要来自光照、背景、行人姿态等变化造成的影响.此外,在与训练集不同的... 详细信息

行人再识别是跨场景跨时间的行人图像匹配问题.锁定的目标从一个摄像头下消失后,在其它摄像头视角下再出现时,系统仍能够依据其特征重新锁定.目前该问题遇到的挑战主要来自光照、背景、行人姿态等变化造成的影响.此外,在与训练集不同的数据集上进行测试时性能严重下降,且对大量的数据进行标注的成本非常高.本文采用风格迁移和度量融合的方法:首先,采用循环对抗生成网络将一个数据集中带标签的数据图像风格转换到另一个无标签的数据集上;然后,在风格转换后的数据图像上进行训练,并采用直接度量和间接度量相结合的方式进行相似度度量;最后,在无标签数据集上测试,并将行人图像按相似度由高到低排列输出.实验结果表明:本文方法可明显提高跨数据集的行人再识别准确度.

关键词：行人再识别对抗生成网络迁移学习间接度量度量融合

在线全文

学校读者我要写书评

暂无评论

融合直接度量和间接度量的行人再识别

模式识别与人工智能 2018年第2期31卷 167-174页

作者：蒋桧慧张荣李小宝郭立君宁波大学信息科学与工程学院宁波315211

当前行人再识别的度量算法在计算相似性时主要依据两幅图像自身的判别信息(直接度量),较少依据与两幅图像相关的其它图像的判别信息(间接度量).针对此种情况,文中提出加权融合直接度量和间接度量的度量方法.首先提取图像的局部最大概率... 详细信息

当前行人再识别的度量算法在计算相似性时主要依据两幅图像自身的判别信息(直接度量),较少依据与两幅图像相关的其它图像的判别信息(间接度量).针对此种情况,文中提出加权融合直接度量和间接度量的度量方法.首先提取图像的局部最大概率特征和突出性颜色名称特征,融合两者作为图像的最终特征.然后分别计算两幅图像的直接相似性和间接相似性,利用序列排序方法对数据库样本进行训练,得到权值参数,从而得到两幅图像的最终相似性.在Market-1501数据库和CUHK03数据库上的实验表明,融合后的度量识别能力明显高于单个度量的识别能力.

关键词：行人再识别直接度量间接度量度量融合

在线全文

学校读者我要写书评

暂无评论

面向聚类分析的深度嵌入算法研究

面向聚类分析的深度嵌入算法研究

作者：张敏江南大学

学位级别：硕士

在数据挖掘领域中,聚类分析作为一种数据分析技术,已经发展较为成熟,在机器学习、模式识别等许多领域有着广泛的研究。在大量成熟的聚类算法中,谱聚类因其广泛应用性与扩展性,逐渐受到研究关注。但是现存的大多数谱聚类算法在处理海量... 详细信息

在数据挖掘领域中,聚类分析作为一种数据分析技术,已经发展较为成熟,在机器学习、模式识别等许多领域有着广泛的研究。在大量成熟的聚类算法中,谱聚类因其广泛应用性与扩展性,逐渐受到研究关注。但是现存的大多数谱聚类算法在处理海量数据时计算复杂度和空间开销比较大,并随着数据集维度的增加,算法处理能力的下降,一定程度上影响了聚类结果。为满足当前高维海量数据的分析需求,本文着眼于降低时空复杂度以改进算法效率,同时利用以自编码器为代表的降维技术来提高聚类精度,并将改进的算法应用到大规模复杂网络社区检测中,主要的研究内容包含以下三个方面:（1）针对大多数基于谱聚类框架的子空间聚类算法将高维数据映射到低维子空间时,不能较好捕获数据间几何结构的问题,提出一种引入低秩约束先验的深度子空间聚类算法,兼顾数据全局和局部结构信息。算法结合低秩表示与深度自编码器,利用低秩约束来捕获数据全局结构,并约束神经网络的潜在特征表示为低秩。自编码通过最小化重构误差进行非线性低维子空间映射,保留数据的局部特性。此外,引入归一化层,通过概率的形式预测簇划分,并在联合学习框架中进行训练优化。实验表明该算法在高维数据集表现出良好的聚类性能。（2）针对大多数现有谱聚类算法在处理大规模数据集时面临聚类精度低、相似度矩阵存储开销大的问题,提出一种结合度量融合和地标表示的深度嵌入聚类算法。引入相对质量概念进行节点评估,选出评分较高的点作为地标点,依据稀疏表示近似获得相似度矩阵,从而降低存储开销。同时考虑到近邻点的拓扑信息,将欧氏距离与Kendall Tau距离融合来度量地标点与其他样本之间的相似度,提高聚类精度;以栈式自编码器取代拉普拉斯矩阵特征分解环节,构建深度嵌入模型,并将所获得的相似度矩阵作为模型的输入,通过联合学习嵌入表示和聚类来进一步提高聚类精度。实验表明在大规模数据集上该算法具有较好的聚类性能。（3）为了解决在大规模复杂网络背景下,利用现有网络嵌入方案难以捕获并保留网络结构,获得低维网络特征表示的问题,基于前面所提出的低维特征表示及相似度矩阵的构造方案,提出一种面向复杂网络社区检测的深度嵌入网络模型。该模型的输入矩阵结合自适应度量和地标表示,在保留全局和局部结构信息的同时降低内存消耗。此外,受深度自编码器和非负矩阵分解模型启发,将单层映射的NMF模型转变为包含编码器和解码器两模块的多层映射NMF深层嵌入模型,用来学习低维网络特征表示,从而实现更精确高效的社区检测。通过在九个真实网络的实验验证了所提算法的有效性。

关键词：谱聚类低秩约束深度自编码器度量融合地标表示非负矩阵分解社区检测