公共文化服务平台

共 9 条记录，以下是 1-9

全选清除导出

排序方式：

基于多核学习的投影非负矩阵分解算法被引量：3: 2014年; 非负矩阵分解(NMF)把给定的数据矩阵分解成低维的非负基矩阵和对应的系数矩阵,两者之间存在必然联系。为此,研究者将基矩阵转换为系数矩阵的投影,进一步提高分解效率。但是该方法无法处理非线性数据,核函数的引入部分解决了此问题,却同时导致核函数参数选择的问题。基于多核学习理论,提出了一种多核学习的投影非负矩阵分解(MKPNMF)算法,该算法有效地避免了核函数参数选择的问题,同时提高了学习性能。在实际人脸数据上的实验结果表明,MKPNMF较已有的NMF类方法具备明显的性能优势。; 李谦景丽萍于剑; 关键词：核函数多核学习

一种自适应的大间隔近邻分类算法被引量：14: 2013年; kNN分类算法虽然已经广泛地应用于模式识别的各个领域,但是如何对kNN进行改进仍然是一个研究热点.在各种改进方法中,大间隔近邻分类方法取得了较好的改进效果,但是该算法仍然有一些缺点,例如算法对所有测试样本选择的邻域大小(即k值)都是一样的.针对这一缺点,提出了将自适应选择k值引入到目标函数设定中的自适应大间隔近邻分类算法(ALMNN).该算法的主要步骤是:首先为每个测试样本计算一个k值,然后在每一类选取k个目标近邻,计算属于每一类的损失函数值,选择拥有最小函数值的类作为测试样本的类别.给出了ALMNN方法的算法描述,并且通过多个数据集的实验表明,提出的算法与传统的kNN,LMNN比较,可以在一定程度上提高分类的性能,减少了k值的选择对分类性能的影响,训练集的随机抽取对算法的分类性能影响较小.; 杨柳于剑景丽萍; 关键词：损失函数

基于Pivots选择的有效图像块描述子被引量：3: 2015年; 设计图像块特征表示是计算机视觉领域内的基本研究内容,优秀的图像块特征表示能够有效地提高图像分类、对象识别等相关算法的性能.SIFT(scale-invariant feature transform)和HOG(histogram of oriented gradient)是人为设计图像块特征表示的优秀代表,然而,人为设计图像块特征间的差异往往不能足够理想地反映图像块间的相似性.核描述子(kernel descriptor,简称KD)方法提供了一种新的方式生成图像块特征,在图像块间匹配核函数基础上,应用核主成分分析(kernel principal component analysis,简称KPCA)方法进行特征表示,且在图像分类应用上获得不错的性能.但是,该方法需要利用所有联合基向量去生成核描述子特征,导致算法时间复杂度较高.为了解决这个问题,提出了一种算法生成图像块特征表示,称为有效图像块描述子(efficient patch-level descriptor,简称EPLd).算法建立在不完整Cholesky分解基础上,自动选择少量的标志性图像块以提高算法效率,且利用MMD(maximum mean discrepancy)距离计算图像间的相似性.实验结果表明,该算法在图像/场景分类应用中获得了优秀的性能.; 谢博鋆朱杰于剑

基于成分金字塔匹配的对象分类方法: 2016年; 提出基于成分金字塔匹配(component pyramid matching,CPM)的图像表示方法,将图像块按照颜色进行分层,在每一层中通过优化的方式选取几种颜色的图像块作为当前层次图像的前景成分,其余颜色的图形块作为图像的背景成分。前景成分对应对象的某些区域,能够为图像表示提供弱语义信息。然后,利用相似的颜色选择方法,对每一层背景成分进行再次划分,将其分为下一层前景成分和背景成分两部分。最后将这些成分所表示的直方图连接起来作为图像表示用于分类。试验采用Soccer、Flower17和Flower102 3个图像集进行测评,试验结果表明提出的算法能够得到比较好的分类结果。; 朱杰王晶刘菲高冠东段庆; 关键词：图像表示

快速可扩展的子空间聚类算法被引量：1: 2016年; 子空间聚类算法只能处理小规模数据,且无法处理样本外数据.针对此问题,文中提出采用二次采样策略的子空间聚类框架(TSSC).该框架由两个核心部件组成:判别性协作表示(DCR)与多尺度K近邻(KNN)采样方法.在TSSC中,DCR首先结合多尺度KNN对数据点进行特征变换,从而保证属于同一子空间的点有更一致的表示.为了提高算法的可扩展性,TSSC在新的特征空间中使用多尺度KNN对数据进行二次采样,并根据采样点获得的初步聚类结果训练线性分类器,最后根据学习得到的分类器对剩余样本点进行分类,获得最终的聚类结果.在真实数据集上的实验验证TSSC的有效性.; 刘博谢博鋆朱杰景丽萍于剑; 关键词：子空间聚类

基于对象颜色的图像特征加权表示方法: 2016年; 自顶向下的颜色注意力算法(CA)用patch的颜色注意力值当做patch形状特征的权重来进行图像表示,其中,如果当前patch的颜色属于本类内经常出现的颜色,此patch上所提取的形状特征就被赋予一个较大的权值,否则就赋予较小的权值.但是算法没有考虑到对象颜色的多样性.本文提出的方法认为,对象上的patch应该是那些在某类中经常出现并且在其他类别中很少出现的特征.为了提高CA算法的对象识别能力,提出了一种基于互信息的对象颜色选择方法,此方法选择与每类最相关的几种颜色作为对象颜色,通过优化目标函数用于最终确定有类区分的对象颜色个数.并且在对象表示的时候对估计到的对象上的patch赋予一致的高权值.实验采用Soccer,Flower 17和PASCAL VOC Challenge 2007三个图像集进行测评,实验结果表明该算法能够得到比较好的分类结果.; 朱杰刘博超木日力格于剑; 关键词：特征加权互信息

一种分割-合并聚类算法被引量：1: 2016年; 利用数据点的密度堆积起来的山脉能反映数据的结构,从而催生了山峰聚类(Mountains Clustering).遗憾的是,目前的山峰聚类算法深受数据分布结构的影响.提出一个新的聚类方法,称为分割-合并聚类算法(divisionjoin clustering framework,DJCF),它能发现由密度堆积的整个山脉中所有的山峰,然后将这些山峰根据彼此之间的关系进行合并,得到的结果对应最终的聚类.通过由两个阶段组成的一个流程,DJCF算法能对任何形状和分布的数据进行聚类.算法第一个阶段的目的是将数据集分割成多个划分(partition),真正的类由若干个划分组合而成.在这个阶段中利用K-近邻(KNN)设计了一种密度计算方式,然后将新密度计算方式运用到Cluster-dp算法中,使用了新密度计算方式的Cluster-dp算法能更准确地找到数据集的划分.算法的第二个阶段是将找出来的划分根据彼此之间的关系组合成最终的聚类.在人工数据和实际数据中的实验验证了该算法的简单和有效性.; 华佳林朱杰于剑; 关键词：聚类

一种异构直推式迁移学习算法被引量：13: 2015年; 目标领域已有类别标注的数据较少时会影响学习性能,而与之相关的其他源领域中存在一些已标注数据.迁移学习针对这一情况,提出将与目标领域不同但相关的源领域上学习到的知识应用到目标领域.在实际应用中,例如文本-图像、跨语言迁移学习等,源领域和目标领域的特征空间是不相同的,这就是异构迁移学习.关注的重点是利用源领域中已标注的数据来提高目标领域中未标注数据的学习性能,这种情况是异构直推式迁移学习.因为源领域和目标领域的特征空间不同,异构迁移学习的一个关键问题是学习从源领域到目标领域的映射函数.提出采用无监督匹配源领域和目标领域的特征空间的方法来学习映射函数.学到的映射函数可以把源领域中的数据在目标领域中重新表示.这样,重表示之后的已标注源领域数据可以被迁移到目标领域中.因此,可以采用标准的机器学习方法(例如支持向量机方法)来训练分类器,以对目标领域中未标注的数据进行类别预测.给出一个概率解释以说明其对数据中的一些噪声是具有鲁棒性的.同时还推导了一个样本复杂度的边界,也就是寻找映射函数时需要的样本数.在4个实际的数据库上的实验结果,展示了该方法的有效性.; 杨柳景丽萍于剑; 关键词：映射函数

基于超边相关性的图像分类方法被引量：2: 2014年; 传统基于超图的图像分类方法在构建超图时并未考虑各超边之间的关系,导致最终分类效果不理想.文中结合图像视觉信息和标注信息量化超边间相关性,提出一种基于超边相关性的图像分类方法,有效地将图像相关的标注信息作为判定图像类别的指标引入到图像分类中,进而对图像进行更准确的分类.在LabelMe和UIUC数据集上的实验验证该方法的有效性.; 徐杰景丽萍于剑; 关键词：图像分类

全选清除导出

共1页<1>

国家教育部博士点基金(20120009110006)

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

国家教育部博士点基金(20120009110006)

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈