殷俊
- 作品数：7 被引量：18H指数：2
- 供职机构：上海海事大学信息工程学院更多>>
- 发文基金：国家自然科学基金中国博士后科学基金上海市自然科学基金更多>>
- 相关领域：自动化与计算机技术文化科学更多>>
- 基于局部表示的分类方法及其人脸识别应用被引量：2
- 2018年
- 基于稀疏表示的分类方法SRC与基于协同表示的分类方法 CRC分别通过L1范数和L2范数最小化获得具有稀疏性的线性表示系数,在人脸识别中取得了很好的效果。为了解决这两种方法没有考虑数据局部信息的问题,提出了基于局部表示的分类方法 LRC。LRC使用测试样本局部范围内的训练样本对其进行线性表示,这样获得的局部表示系数在保持稀疏性的同时包含有效的局部信息。另外,通过求解一简单的约束最优化问题,LRC可快速获取局部表示系数。在ORL、YALE以及FERET人脸数据库上的实验结果,表明了LRC的有效性和高效性。
- 殷俊杨万扣
- 基于最近正交矩阵的二维鉴别投影及人脸识别应用被引量：2
- 2017年
- 为了解决人脸识别中的光照干扰问题,提出基于最近正交矩阵的二维鉴别投影方法.首先利用奇异值分解获取人脸图像矩阵的最近正交矩阵表示;然后利用获得的最近正交矩阵分别构建基于最近正交矩阵的类内散度和基于最近正交矩阵的类间散度;最后通过最大化类间散度同时最小化类内散度获取二维鉴别投影,并通过该投影获得低维特征.在Yale,CMU-PIE以及AR数据库上进行人脸识别实验,证明了该方法的有效性.
- 殷俊孙仕亮
- 关键词：维数约简人脸识别
- 核稀疏保持投影及生物特征识别应用被引量：10
- 2013年
- 稀疏表示系数包含较强的鉴别信息,稀疏保持投影(Sparsity Preserving Projections,SPP)利用稀疏表示系数进行特征提取.本文通过核方法获取高维特征空间的核稀疏表示系数,并利用核稀疏表示系数构造邻接矩阵,提出核稀疏保持投影(Kernel Sparsity Preserving Projections,KSPP).核稀疏表示系数比稀疏表示系数包含更强的鉴别信息,因此KSPP可以比SPP提取更有效的鉴别特征.在多个数据库上的生物特征识别实验,KSPP都取得了不错的实验结果.
- 殷俊杨万扣
- 关键词：邻接矩阵核方法
- 基于共享近邻的多视角谱聚类算法被引量：2
- 2020年
- 为了解决谱聚类算法中相似矩阵的构造不能满足簇内数据点高度相似的问题,给出一种基于共享近邻的多视角谱聚类算法(MV-SNN)。首先,算法通过提高共享近邻个数多的两个数据点的相似度,使同簇的数据之间的相似度更高;然后,将改进后的多个视角的相似矩阵进行相加从而整合得到全局相似矩阵;最后,为了解决一般谱聚类算法在后期仍需要通过k均值聚类算法进行数据点划分的问题,给出拉普拉斯矩阵秩约束的方法,从而直接通过全局相似矩阵得到最终的类簇结构。实验结果表明,对比其他几种多视角谱聚类算法,MV-SNN算法在三个聚类衡量标准:准确度、纯度和归一化互信息上的性能提高了1%~20%,在聚类时间上减少了50%左右,可见MV-SNN算法的聚类性能更好,用时更短。
- 宋艳殷俊
- 关键词：无监督学习相似矩阵谱聚类
- 计算机网络数据链路层教学研究
- 针对学生普遍反映的计算机专业课程偏重理论、内容抽象、难以理解和运用的问题，以计算机网络数据链路层3 个基本问题的解决方案为例，讨论、分析和扩展相关理论的内涵与外延，以聊天软件消息传输和软件数字签名的程序设计为典型案例，分...
- 毕坤殷俊刘广钟韩德志
- 关键词：计算机网络数据链路层案例教学
- 计算机网络数据链路层教学研究
- 2016年
- 针对学生普遍反映的计算机专业课程偏重理论、内容抽象、难以理解和运用的问题,以计算机网络数据链路层3个基本问题的解决方案为例,讨论、分析和扩展相关理论的内涵与外延,以聊天软件消息传输和软件数字签名的程序设计为典型案例,分析上述基础理论与实际软件开发之间的共同点和内在联系,运用基础理论解决实际软件开发问题,交流计算机教学中理论与实践结合教学法的优点、体会和教学案例。
- 毕坤殷俊刘广钟韩德志
- 关键词：计算机网络数据链路层案例教学
- 基于正交约束的分块不完整多视角聚类被引量：2
- 2020年
- 在处理数据特征提取问题时,已有的基于非负矩阵分解的不完整多视角聚类算法对局部特征的提取不够准确.针对此问题,文中提出基于正交约束的分块不完整多视角聚类(CIMVCO).利用非负矩阵分解获得所有视角的潜在特征矩阵,通过加入正交约束得到更好的局部特征.对于各个视角的缺失样本,CIMVCO给予较小的权重以减小缺失数据的影响.为了解决大规模数据的聚类问题,CIMVCO逐块处理数据以减少内存需求和处理时间.在Reuters和Digit数据集上的实验验证CIMVCO的有效性.
- 姜健伟殷俊
- 关键词：分块
