基于字典优化的迁移稀疏编码方法

传统的编码方法通常对字典采取随机初始化,极大影响图像分类精度。基于此,提出一种基于kmeans的字典优化方法,并将其与迁移稀疏编码相结合。先将图像中每个局部描述子投影到线性子空间,在此空间取距离特征最近的k个特征作为过完备字典,均衡的选择基向量来表达图像;同时考虑了图像的分布差异和局部特征,有效保证编码的稳定性。在三个跨域图像数据集上实验表明,与同类方法相比,该方法能显著提高跨域分类性能。     

改进的流形学习图像稀疏降噪方法

本文将稀疏重构与流形学习算法两算法结合运用于图像降噪方面,提出了基于拉普拉斯图谱嵌入的稀疏编码。该方法利用拉普拉斯图谱的局部相关性,通过对权重矩阵的改进,增强数据间的关系表示,同时又通过稀疏理论进一步优化代表低维数据点的稀疏系数进行数据压缩,从而进一步提高图像降噪效果。     

基于低秩近似与非局部稀疏的图像去噪

基于低秩近似方法进行图像去噪逐渐成为图像处理领域研究的热点。将图像块分解成一个低秩矩阵和噪声矩阵,利用矩阵的秩来约束图像块的相似性,且现有的非局部稀疏表示算法利用图像块的自相似性进行去噪。鉴于此,提出低秩近似与非局部稀疏的图像去噪模型。该算法加强了图像分解的全局稀疏性约束,更好地保留了图像的细节和边缘信息。     

基于图结构正则化稀疏表示的双层伯格曼图像插值算法

为了提高图像插值的恢复效果,提出了一种基于图结构正则化稀疏表示的双层伯格曼迭代算法．该迭代算法的外层用于约束图像观测数据,内层用于更新图像块的学习字典和稀疏表示系数．引入的图结构正则化稀疏表示约束可以有效地自适应图像块的局部结构,对于严重受损的情形也能得到精确的恢复结果．此外,在内层迭代中改进的稀疏表示和简洁的字典更新策略使算法能快速地趋于收敛．数值实验结果表明,所提出的算法可以有效地恢复图像,在主观视觉效果和客观量化标准上要优于目前已有的算法．     

迁移评分模式的跨域学习资源推荐算法

传统单领域推荐算法存在数据稀疏和冷启动问题,且由于单领域推荐算法是在同一领域基于群体分类进行推荐,因此无法实现真正的个性化精准推荐.在网络环境下,学习资源呈现多种形态,而学习者在每一领域的评分数据更加稀疏.鉴于此,提出迁移评分模式的跨域学习资源推荐算法.该方法首先基于码本聚类思想从学习者的辅助领域评分数据中获取学习者的...     

基于DCNN和迁移学习的食物图像识别

由于食物种类外观的多样性,针对食物图像的自动识别颇具挑战性。提出一种基于DCNN和迁移学习的食物图像识别方法。该方法采用在ImageNet图像数据集上预训练好的DCNN模型进行网络参数初始化,然后利用微调的训练方式在自建的小规模食物图像数据库集上进行迁移学习,以便获取食物图像高层次的属性特征。最后,将DCNN学习到的高层次属性特征输入到线性支持向量机进行食物图像的分类。实验测试结果表明,该方法取得的食物图像识别性能达到了94. 20%,优于梯度方向直方图和Gabor小波变换等手工类特征。可见,采用DCNN和迁移学习方法用于食物图像的自动识别是一种可行的方法。     

图像稀疏理论及其应用初步研究

图像稀疏表示是指用很少的数据捕获感兴趣目标的重要信息的能力,通过基或字典中很少量元素的线性组合的形式来描述信号.图像稀疏表示研究已成为近年来图像表示研究的热点.本文系一文献综述,主要阐述了信号稀疏表示和图像稀疏表示的基本理论及其在压缩方面的应用,并且介绍了一种新的稀疏性正则化的泊松噪声图像去噪算法.     

基于线性稀疏模型和iHMM的群体异常事件检测

在群体异常检测中,人群特征感知主要提取个体的群体特性。提出了基于群特征的稀疏线性模型和无限隐马尔可夫（SLM iHMM）方法检测人群异常事件。该方法通过统计模型整合空间和时间因素,基于SLM提取空间线索,从而在空间域中建立用于群特征提取的统计模型。时间线索在iHMM中被明确地编码,用于分析来自空间域的时间多尺度特征。关于UMN数据集的实验验证了该方法的可行性和有效性。     

基于稀疏表示的单帧超分辨率重建（英文）

为了有效提高重建后的图像质量,提出了一种基于稀疏表示的单帧超分辨率重建方法.首先,该方法使用一种基于局部方向估计的图像块聚类和主元分析相结合的字典学习方法来获得一系列具有不同方向的几何字典.然后,给每一个待处理的图像块自动分配一个具有最近方向的字典,并据此进行稀疏编码.此外,为了在图像锐化和边缘保持方面取得进一步的提高,将梯度一致性加入提出的基本框架.在自然图像上进行的2组实验表明:提出的方法在视觉和数字指标方面均优于一些先进的同类方法.     

正则logistic回归在EEG信号运动相关电位分类中的应用(英文)

单次脑电分类实验中,采用基于logistic回归的正则化方法来提高分类准确率.首先,提出一种新算法——局部保持投影稀疏logistic回归,将局部保持投影正则项加入到稀疏logistic回归中.该算法旨在保留原始特征空间邻域信息的同时保证结果的稀疏性.然后,利用边界优化法和逐分量迭代算法在训练集上求解权重向量,克服了牛顿-拉夫森法和迭代重加权最小二乘法的局限性.最后,在自步调手指运动数据集上采用十重交叉验证法得到80%的分类准确率,并与稀疏logistic回归的实验结果进行对比,说明局部保持投影正则项有效地保留了对脑电分类有用的信息.     

基于DenseNet迁移学习的年龄相关性黄斑变性图像的分类方法研究

针对年龄相关性黄斑变性图像的分类研究,提出采用DenseNet迁移学习的图像分类方法.对原始图像进行归一化、限制对比度自适应直方图均衡化等预处理方法,采用旋转、剪裁等数据增强方法扩增数据.在DenseNet网络模型基础上,采用数据集ImageNet首先对DenseNet网络模型进行预训练,然后将训练后得到的网络模型予以迁移,在做增强后的目标数据集上进行微调训练.结果表明:采用迁移学习方法的DenseNet网络模型不仅可以快速收敛,而且可以达到99.31%的分类准确率,整体性能优于对DenseNet直接训练方法.     

基于多源异质特征的紧致二进制编码学习

为了提高图像检索系统的精度,提出了一种基于多种异质特征的新颖哈希函数学习方法．该方法首先利用特征空间中相似样本与非相似样本分布的不平衡性来提升每个弱分类器的性能,从而建立非对称的Boosting框架;然后将一种基于异质特征子空间学习的线性判别弱分类器融入该框架下,并利用每轮算法中的误判样本的信息来依次学习紧致且平衡的哈希编码．该方法能有效地融合具有互补功能的不同模态的信息,实现了检索系统的性能提升．在2个公开数据集上的实验结果表明该方法优于其他算法,由此看出增加多源异质特征和利用不平衡性学习紧致哈希编码都可以大大提高图像检索的精度．     

?_p范数正则化的稀疏子空间估计与聚类

稀疏子空间聚类是把子空间聚类问题松弛为凸优化问题,但这种凸近似需要满足较强的非相干性条件,且用观测数据本身作为字典进行子空间表示时,观测数据中所含的噪声、缺损、奇异样本等会增加子空间表示的误差.为解决上述问题,提出一种基于?_p范数(0相似文献   

基于边缘Fisher分析的主动学习方法

将边缘Fisher分析引入到MAED算法中,通过构建类内紧凑图和类间分离图,来描述样本点间的几何特征,形成一种新的主动学习方法.该算法利用两个图同时对流形数据局部结构和类鉴别信息进行建模,从而更好地保持了数据的内在几何特征.基于图像数据集的实验结果,证实了该方法的有效性.     

基于稀疏表示与密写的数字图像分存

提出了一种基于稀疏表示与密写的数字图像分存方法.将稀疏表示、信息隐藏、分存技术三者有机结合,利用的(r,n)门限方案生成n份影子图像;再用稀疏表示及密写编码的方案分别将它们伪装在n幅有意义的载体图像中.与传统的基于拉格朗日插值以及LSB(Least Significant Bit,最不重要比特位)替换的方法相比,在嵌入秘密信息量相同的情况下,该方法在很大程度上减少了对载体图像的修改量,极大地降低了信息隐藏引起的失真,并通过实验验证了该算法的有效性和优越性.     

一种基于CNN-AE特征提取的目标跟踪方法

针对视觉跟踪中运动目标的鲁棒性问题,提出一种基于卷积神经网络结合稀疏自动编码器的特征提取方法进行图像目标跟踪。该方法首先将大量有标注数据集输入到卷积神经网络进行预训练,然后使用这些卷积特征无监督的训练稀疏自编码器得到稀疏特征,并利用该特征对目标进行描述。最后结合两种经典的跟踪方法,采用Meanshift与卡尔曼滤波对目标进行实时跟踪。结果表明,利用深度学习模型代替以往人工提取特征的方式能够更好地描述目标模型,对光照变化、尺度变化、遮挡等都具有良好的适应性,以及较好的实时性。     

一种基于SAE和BP网络相结合的人脸识别模型

基于浅层BP网络的模式识别在诸多领域有着广泛的应用,但对于稀疏高维度的数据,在网络模型训练时计算量大、参数繁多、训练慢、准确率低.提出了一种基于稀疏自动编码器(Sparse auto-Encoder,SAE)和浅层BP网络相结合的人脸识别模型.在深度SAE模型中,通过设置隐藏节点数少于输入输出节点数方法,自动学习样本的多种特征表示,来实现数据的降维和去稀疏性,将该方法产生的特征表示作为输入新样本数据,用于BP网络模型进行图像识别.通过人脸识别实验表明,第一通过SAE模型得到的特征表示进行人脸识别是可行的;第二SAE模型获得的多种表示分别进行人脸识别,并非第j层表示比第i层表示(j>i)效果一定好;第三该方法比单纯浅层BP网络进行人脸识别在效果上有一定程度的改善和提高.     

基于特征表示与学习的图像集合分类算法

当前大多数图像集合分类方法对图像集合进行表示时往往做出部分先验假设,然而在许多实际应用中,这些假设可能无法成立,尤其是当集合内部存在大量复杂的数据变化时更是如此。此外,基于这些假设进行模型学习时可能会丢失部分区分性分类信息。针对这一问题,本文提出一种基于特征表示与学习的图像集合分类方法。对每个图像集合,首先将计算它的多阶统计量作为特征表示。对每阶统计量,计算一个内核矩阵来衡量两个图像集合的相似性。然后,通过利用局部多内核指标学习(LMKML)方法来学习一种距离指标,进而将不同阶统计量综合起来。最后,利用最近邻分类器进行分类。基于4种常用图像集合数据库的实验结果验证了本文算法的有效性。     

基于噪声估计与引导的低剂量CT图像盲去噪方法

提出了一种基于噪声特征估计与引导的低剂量CT盲去噪方法.首先,采用有监督特征学习的方式对输入图像的辐射剂量进行等级评估,并估计出图像潜在的噪声特征图.其次,提出了一种基于噪声引导的低剂量CT图像盲去噪模型,通过显性噪声特征引导的方式将噪声特征与原始图像进行融合,并采用残差编码-解码卷积神经网络实现CT图像噪声去除.实验结果表明,在真实数据集上噪声估计网络及特征融合网络能够大幅提升去噪网络的性能,并且在未知剂量CT图像去噪任务上取得了较好的去噪效果.     

基于主动学习的半监督谱聚类算法研究

谱聚类在近年来得到了广泛的应用,而将谱聚类和半监督集群结合的方法通过使用约束改善结果来提高谱聚类的有效性.文章通过选择主动学习方法,提出了一种基于主动学习的半监督谱聚类算法.首先,利用邻域中包含的信息来确定要查询的数据,由于邻域信息只反映局部信息,因此,又引入与目标不太相似的数据点,这些数据点代表全局信息,得到Must-link(正关联)成对约束集和Cannot-link(负关联)成对约束集.然后,对得到的成对约束再通过k-means聚类得到聚类结果.最后,通过在合成数据集以及UCI数据集的对比实验表明文章算法的有效性,通过较小的主动选择成对约束来获得更好的性能.