基于多维互信息特征的跨模态行人重识别方法

针对如何缓解跨模态行人重识别任务中行人模态之间的差异性问题,提出一种随机通道邻近数据增强方法RCNA和一种结合多维互信息的U型网络UMME。RCNA通过选取同类别的可见光图像和红外图像进行数据增强生成新的行人图像,既满足了真实数据分布,又融合了可见光图像的形状和结构信息以及红外图像的语义信息,缓解了可见光图像与红外图像之间的模态差异性。UMME通过互信息提取模块UMI提取同类别行人之间的互信息特征,再经过特征整合模块MSIF将互信息特征嵌入语义特征,增强了同类别行人之间语义特征的一致性。所提出的方法在数据集SYSU-MM01和RegDB上的Rank-1和mAP分别达到70.48%、68.34%和91.70%、88.42%,与现有研究方法相比,取得了优异的识别效果。     

基于词汇链与互信息的关键词抽取研究

基于统计的关键词抽取方法忽略了词语的深层语义信息,而词汇链的关键词抽取方法能弥补这一缺陷,但词汇链的构造需要计算语义相似度,而语义相似度的计算需要知识库的支持,提出了一种综合考虑词汇链和互信息模型的关键词抽取算法。首先对文本进行预处理。借助词汇链和互信息模型来表达词语间语义关系,以及对未包含词及相关联度高而相似度值不理想的关键词识别。实验结果表明：在准确率和召回率方面．较基于统计的和基于词汇链的关键词抽取算法均有所提高。     

一种基于改进互信息的文本分类方法

特征降维是文本分类的关键步骤之一.传统互信息特征选择方法只关注了文档频,未考虑词频因素,并且忽视了负相关特征对文本分类的重要作用,导致其在不平衡语料集上的分类效果较差.针对传统互信息方法存在的不足,提出一种改进的互信息特征选择方法,综合考虑词频因素及正、负相关特征对文本分类的影响,引入平均词频率和绝对值最大因子,克服传统互信息倾向于选择低频词、忽视负相关特征的缺陷.在不平衡语料集上的实验结果表明,改进的互信息能够有效提高文本分类性能.     

浅析平均互信息量求解方法

本文首先讲解平均互信息量的定义,阐述了平均互信息量的物理意义,并通过一个实例详细解析平均互信息量的求解方法,最后对平均互信息量的特点及其求解方法进行总结。     

一种语义稀疏服务聚类方法

随着SOA迅猛发展和互联网上服务数量俱增,服务发现成为极具挑战性的工作。传统的服务发现方法在语义稀疏情境下精准度不高,主要是缺乏有效信息对发现工作的支持,无法对服务进行准确的类别划分。针对此问题,提出一种基于BTM面向Web服务短文本描述的服务聚类方法S3C,该方法的主要思想是利用BTM在短文本聚类过程中使用Biterm（词对）优势对服务描述进行潜在特征表示,基于服务潜在特征使用Kmeans聚类方法进行服务聚类。BTM采用词对的主题建模方式,能够极大程度地扩展文本信息,解决短文本中的关键词稀疏问题。采用PWeb数据集进行大量对比实验可知,该方法与经典聚类方法相比,类簇的平均纯度提高30%,平均熵降低近50%。     

改进的二阶互信息医学图像配准算法的研究

针对人脑的二维图像设计了一种改进的遗传算法和二阶互信息相结合的医学图像配准算法,采用互信息配准模型,以图像的灰度统计信息为配准依据,采用改进的遗传算法搜索图像的最优变换参数,并比较一阶互信息配准与改进的二阶互信息配准两种算法,实验表明改进的二阶互信息配准方法具有较高的配准精度和稳定性.     

基于类别的CHI特征选择方法

文本分类问题中,卡方特征选择是一种效果较好的特征选择方法。计算单词的卡方值时,先计算单词针对每个类别的卡方值,再通过类别概率将卡方值调和平均,作为单词相对于整个训练集合的卡方值,这种全局方法忽视了单词和类别间的相关性。针对这一问题,提出基于类别的卡方特征选择方法。基于类别的方法针对每个类别遴选特征词,特征词数量根据事先设定的阈值、类别的文档数和整个训练集合文档数计算得到,不同类别的特征空间可能包含相同的特征词。采用KNN分类方法,将基于类别的方法与全局方法进行比较,实验结果表明,基于类别的方法能够提高分类器的总体性能。     

《信息论与编码技术》课程中平均互信息的教学探讨

平均互信息是信息论与编码技术中用来计算信道容量、信息率失真函数和信道剩余度的重要物理量。通过一道典型例题来讲解求平均互信息的不同方法:根据平均互信息的定义求、根据损失熵求、根据噪声熵求、根据信息熵的强可加性求,最后用MATLAB语言进行编程验证,实验表明四种方法求出的结果是一致的。在课堂教学时,教师应鼓励学生灵活运用各种方法,做到举一反三。     

互信息算法在车牌识别中的应用研究

将医学图像配准中的互信息算法移植到车牌识别系统,首先基于颜色信息快速定位车牌并校准分割出待识别的车牌字符,然后计算分割字符与字库字符的互信息值,互信息值的大小反映了图像之间的相似程度,最后通过比较互信息值的大小确定最终结果.实验证明,互信息算法相对其他车牌识别常规算法能更准确反映出图像之间的相似度,从而得到更精确的识别效果.     

网络教育资源的特征选择研究

为了提高网络教育资源库建设的质量和效率,文章采用文本自动分类方法实现资源的自动归类,而特征选择是文本自动分类系统的关键步骤。文章以基础教育资源为样本,重点研究了网络教育资源的特征选择方法,实验结果表明,改进型互信息(MIPW)方法要好于其他方法,并且单字词的去除使得分类效果提高,说明词特征更能够比较完整地表达语义信息。     

结合代价敏感与集成算法的个人信用评估模型

针对个人信用数据存在连续型和离散型交织并存以及类不平衡问题,为提高信用评估分类效果,提出一种结合代价敏感和集成算法的个人信用评估分类模型.通过集成信息价值、互信息、信息增益率和基尼指数特征,选择算法生成最优特征子集.结合代价敏感构建以L1-逻辑回归、弹性网-逻辑回归、贝叶斯、决策树和神经网络为基模型的集成模型,并辅之动...     

FMNet:基于特征对齐的多方位注意力机制服装图像分割网络

针对语义分割中不同尺度特征融合导致的特征错位问题,提出了一种用于不同尺度语义特征融合的上采样方法。首先,将不同尺度特征图初步融合,将得到的语义信息作为低分辨率特征图进行上采样的位置参照;随后,将低分辨率特征图上采样后,再与高分辨率特征图进行融合。针对神经网络中语义学习模块对语义特征信息学习不充分的问题,提出了一种多方位注意力机制(multi-directional attention mechanism, MAM),从空间、通道和类别3个方位学习语义信息。根据上述2个方面的创新,提出了用于服装图像分割的网络——FMNet,并选取、划分服装数据集DeepFashion2作为训练、验证和测试的数据集。实验结果表明,所提FMNet的平均交并比(mean intersection over union, mIoU)相较于OCRNet提高了2%,相较于DeepLabv3+和PSPNet分别提高了5%和10%。     

基于特征关联和多损失融合的行人再识别方法

为增强遮挡场景下所提取行人特征的判别力,有效挖掘样本类别信息,提出了一种基于特征关联和多损失融合的行人再识别方法。首先利用姿态估计器生成的人体关键点作为辅助信息,引导模型关注行人图像未被遮挡区域,提取姿态引导的全局特征;其次引入全局对比池化模块,将平均池化和最大池化的特性进行融合,提取对背景噪声和遮挡抗干扰性更强的全局特征;然后引入One-vs-rest关系模块,挖掘局部分块特征的内在关系,提取能够反映图像整体信息的局部特征;最后将交叉熵损失、难样本采样三元组损失和中心损失这3种损失函数进行加权融合,监督模型学习类间距离大、类内距离小的行人特征。在Occluded-DukeMTMC数据集进行的评估结果表明,所提算法Rank-1和mAP分别达到54.9%和41.5%,充分体现了改进后方法在处理行人再识别遮挡问题时的有效性和先进性。     

基于互信息原理的高职充分就业指导研究

供需双方的信息不对称是造成高职毕业生就业质量不高的重要原因之一。对此,运用信息熵与互信息的关系,提出了以实现充分就业为目标、以提高互信息量为重点,建立高清晰度信道为路径的高职就业指导工作改进策略,并给出了切实可行的具体做法。     

电子商务商品信息模型的构建

着眼于与商品相关的对顾客购物行为有决定性影响的信息,通过商品类别、基本信息、特征属性以及评级信息的提取,构建了商品信息模型;最终计算出商品特征向量,显现出较好的推荐效果,可提高电子商务推荐的及时性和准确性。     

有限元弹性配准中的驱动外力及其网格细化

为了减小由于图像亮度差异和局部非均匀形变造成的配准误差,本文通过引入驱动点邻域的空间信息和灰度信息,并结合结构张量和鲁棒函数,得到了一个改进的驱动外力.在模型的有限元法求解中,提出了对细节区域进行网格细化的策略,该方法避免了计算误差在金字塔迭代中的传递放大.本文分别对20组肺部CT图像和20组脑部MR图像进行了弹性配准实验,采用归一化互信息、归一化互相关系数、峰值信噪比、均方误差,以及尺度不变特征变换(SIFT)匹配特征点平均距离来定量评估图像匹配度.实验结果表明,相对于传统的弹性配准,本文算法的配准精度获得了显著提高,t检验得到的P值小于0.05.     

基于互信息的多模图像配准研究

分析了基于互信息的多模态图像配准的理论和方法,从信息论的角度分析了互信息的性质以及两幅图像互信息的计算等,同时给出基于互信息的图像配准的基本步骤。     

文本分类中TF-IDF权重计算方法改进

TF-IDF是文本分类中计算特征权重的经典方法,但其本身并未考虑特征词在文档集合中的分布情况,从而导致类别区分度不大。通过计算特征词类内密度与特征词在样本中均匀分布时整体平均密度的比值对IDF函数进行改进。实验结果表明,改进后的TF-IDF考虑了特征词内分布与在整体文档集中的分布,提升了对类别的区分能力,有效改善了文本分类效果。     

类别感知对类别学习中额外特征学习的影响

两个实验采用联结学习范式,分别探讨知觉类别和语义类别材料中,类别感知对特征学习的影响.结果发现,即使是在联结学习范式中,当学习者感知学习材料存在类别时,不仅关注可以有效预测结果的特征,也会关注类别中的其他特征.同时,在知觉类别和语义类别材科中都发现了相同的结果.本实验结果说明,当学习者感知学习材料中存在类别时,即使是在联结学习范式中,学习者也会像类别学习范式中一样,学习额外特征,支持对存在类别的感知,是影响学习者特征学习的重要原因.     

利用文体特征，做好提取关键词

提取关键词是近年来高考热考的一种题型,因为这种题型综合考查了理解、分析、筛选、概括、语言表达等各项能力,有较好的区分度。关于如何提取关键词,人们给出了很多种具体的操作方法,但人们在表述时似乎忽视了一点：文题所提供的信息语段的类型。这些信息语段多是从不同的文章中截选出来的,还多少带有源文体的基本特征。如果在做提取关键词题时能有意识地从不同文体特征思考,会收到事半功倍的效果。