基于特征加权和非负矩阵分解的多视角聚类算法

为了在多视角聚类过程中同时考虑特征权重和数据高维性问题,提出一种基于特征加权和非负矩阵分解的多视角聚类算法(Multiview Clustering Algorithm based on Feature Weighting and Non-negative Matrix Factorization,FWNMF-MC).FWNMF-MC算法根据每个视角中每个特征在聚类过程中的重要性,自动赋予不同的权值.通过将每个视角空间中的特征矩阵分解为基矩阵与系数矩阵的乘积,将多视角数据从高维空间映射到低维空间.为了有效利用每个视角信息挖掘聚簇结构,最大化每个视角在低维空间的一致性.最后实验结果表明FWNMF-MC算法的聚类效果明显优于已有的4种有代表性的多视角聚类算法.     

基于卷积神经网络的大姿态人脸对齐方法

大姿态人脸对齐是人脸识别和三维人脸重构等很多重要视觉任务的先决条件。现有的对齐方法大多使用二维界标位置来进行对齐,且使用的界标数量有限,影响大姿态人脸对齐的准确性。提出一种采用三维形变模型(3DMM)来表示二维人脸图像,将具有任意姿态的人脸对齐问题建模为基于3DMM的拟合问题。采用基于卷积神经网络(CNN)的级联回归方法学习二维人脸图像及其表示之间的映射关系。提出2种新的姿态不变局部特征作为卷积神经网络学习的输入层,通过训练得到CNN用于大姿态人脸对齐。在2个经典的人脸图像数据集上的仿真实验结果表明,与目前最新的人脸对齐方法相比,该方法的效果较优。     

基于双隐变量空间局部粒子搜索的人体运动形态估计

该文提出一种双隐变量空间局部粒子搜索(DLVSLPS)算法,可以从多视角图像序列的轮廓特征较准确地估计出3维人体运动形态序列。该算法用高斯过程动态模型(GPDM)降维建立双隐变量空间和低维隐变量数据到高维数据的映射关系后,然后对双隐变量空间使用近邻权重先验条件搜索(NWPCS),实现局部低维粒子搜索来生成较优高维数据,从而估计相应帧的3维人体运动形态,解决传统粒子滤波算法直接在高维数据空间采样较难获取有效正确数据进行估计的问题。经仿真实验验证,所提出的算法比传统粒子滤波算法在实现多视角非连续帧估计,克服轮廓图像数据歧义,减小估计误差有明显优势。     

基于张量表示的域适配的迁移学习中特征表示方法

本文提出一种新的基于张量表示的域适配迁移学习中的特征表示方法,即融合联合域对齐和适配正则化的基于张量表示的迁移学习特征表示方法.当源域和目标域差异很大时,仅将源域对齐潜在共享空间,会造成数据扭曲过大.为缓解此问题,本文方法提出联合域对齐,即源域和目标域同时对齐共享子空间.并且本文方法将适配正则化引入张量表示空间求解.本文适配正则化包括动态分布对齐和图适配,以缩小域间分布差异和保留样本间流行一致性.最后融合联合域对齐,动态分布对齐和图适配,通过联合优化求解获得共享子空间表示.几个公共的跨域数据集上的大量实验结果表明了本文方法优于其它主流的迁移学习方法,验证了本文方法的有效性.     

基于历史分类加权和分级竞争采样的多视角主动学习

多视角主动学习是一种相比于传统主动学习能够取得更大程度版本空间缩减的技术,已被应用于多种类型的大数据分析中.本文针对现有的多视角主动学习算法在分类假设生成和采样策略中存在的不足分别提出了相应的改进方案.本文将Boosting思想应用到多视角主动学习框架中,通过将历史上各次查询得到的分类假设进行加权式投票来实现每次查询后分类假设的强化;与此同时,还提出了一种自适应的分级竞争采样策略,当分类争议样本规模较大时通过无监督谱聚类获得上述样本的空间分布描述,并在各个聚类中结合样本的分类不确定度和冗余度信息通过二次规划求解以获得可靠的批处理采样.为了证明上述改进的有效性,本文将多视角主动学习应用到图像分类领域中,并通过基于不同图像特征的视角来分别生成相应的分类假设.实验表明,本文提出的两点改进策略不仅均有助于提升多视角主动学习的性能,而且基于上述不同视角随机组合的多视角主动学习方法相比于经典的单视角主动学习算法能够更快地实现收敛并达到较高的场景分类准确性.     

一种图像空间下的ICM聚类方法

针对图像聚类问题,提出了一种基于图像空间关系的聚类方法,采用场模型描述图像之间的空间关系,利用K-近邻思想构建图像邻域系统,聚类过程中无需手动标记特征表示的图像类别信息,只需要给定初始类别数,通过条件迭代算法(ICM)对图像进行聚类。该文通过实验分析了图像样本大小、图像特征维数、图像特征类型、初始类别标签对聚类结果的影响,通过与多种经典聚类算法进行对比,实验结果充分验证了该方法的有效性。     

基于深度对抗学习潜在表示分布的异常检测模型

针对已有的异常检测模型在高维、样本多样(类内多样)的数据背景下无法获得合理的潜在表示分布,不平衡数据较多(正常数据远大于异常数据)时特征提取准确性低,以及分类器超参数敏感等问题,本文提出一种基于深度对抗学习潜在表示分布的异常检测模型.基于正则化约束改进自编码器,将数据的原始特征空间映射到潜在特征空间形成低维的潜在表示,使其保持合理的空间分布;配以基于多判别器的生成对抗网络,在有效避免重构特征循环不一致和训练不稳定的基础上,来精确估计潜在表示的概率分布;以获得的潜在表示概率分布为单类分类器的输入,解决单类分类器超参数敏感问题,从而有效提高异常检测的整体性能.实验结果表明,相比于最新的基于机器学习和深度学习的异常检测模型,本文模型可在高维、样本多样、不平衡数据较多的应用背景下获得更合理的潜在表示空间分布并有效估计其概率分布,对单类分类器的超参数不敏感,并有效提高模型的检测性能.     

基于深度信念网络的K-means聚类算法研究

针对传统K-means聚类算法对高维非线性数据聚类效果不佳、聚类时间消耗大的问题,文中对高维数据的预处理进行研究,提出一种基于深度信念网络(DBN)的K-means聚类算法(DBNOK)。此算法首先使用多层受限玻尔兹曼机(RBM)对数据进行特征学习,并将学习到的隐含特征进行K-means相关参数和初始聚类中心进行交叉迭代优化。用DBNOK算法分别在低维数据集和高维数据集上进行实验,结果表明,DB-NOK算法聚类准确率优于标准的K-means算法和模糊均值聚类(FCM)算法。     

联合低秩重构和投影重构的稳健特征选择方法

针对当前特征选择方法依然受噪声影响以及无法将聚类效果和重构效果有效统一的问题，提出了一种稳健的特征选择方法。从干净数据和重构数据作差的思路着手，将低秩重构数据和投影重构数据作差构建稳健的重构误差项，并提出从学习到的干净数据上选择特征用于聚类。将干净数据的学习和特征选择技能进行联合学习，相互促进，从而提升方法在有噪数据上的稳健性，并且将重构效果和聚类效果进行有效统一。在5个数据集上与几种图嵌入角度的特征选择以及PCA重构角度的特征选择方法进行聚类实验对比，实验结果表明，除LUNG噪声数据集外，所提方法在2种评价指标（ACC和NMI）下都优于对比特征选择方法。     

基于PCA的非局部聚类稀疏表示图像重建方法

针对腐化图像恢复不足的问题,提出一种基于PCA的非局部聚类稀疏表示模型.首先,用图像非局部自相似性来取得稀疏系数值;然后,对观测图像的稀疏编码系数进行集中聚类;最后,通过学习字典使降噪图像的稀疏编码系数接近原始图像的编码系数.实验结果表明,提出的方法在重建图像性能上较同类方法有显著提高,获得了更好的图像恢复质量.     

时间约束NMF算法及其在脑动态功能网络降维中的应用

为了保证高维数据中的时间属性在降维过程中得以保持,提出了一种时间约束非负矩阵分解算法（Time constraint Non-negative Matrix Factorization,TNMF）。该算法通过融合时间序列信息、数据维度,分解误差等约束条件,共同构建时间属性约束模型,计算最优基矩阵维度,能在降维的同时最大限度地保留原始高维数据的空间结构和时间序列信息。将其用于脑动态功能网络降维的实验结果表明,该算法在时间特征提取、聚类可视化效果和聚类指标上明显优于目前常用的降维聚类算法。      

基于3D ResNet-LSTM的多视角人体动作识别方法

在基于视频图像的动作识别中,由于固定视角相机所获取的不同动作视频存在视角差异,会造成识别准确率降低等问题。使用多视角视频图像是提高识别准确率的方法之一,提出基于三维残差网络（3D Residual Network,3D ResNet）和长短时记忆（Long Short-term Memory,LSTM）网络的多视角人体动作识别算法,通过3D ResNet学习各视角动作序列的融合时空特征,利用多层LSTM网络继续学习视频流中的长期活动序列表示并深度挖掘视频帧序列之间的时序信息。在NTU RGB+D 120数据集上的实验结果表明,该模型对多视角视频序列动作识别的准确率可达83.2%。     

基于堆栈降噪自动编码模型的动态纹理分类方法

针对以往动态场景分类中需要手动提取动态特征描述符以及特征维数过高的问题,提出利用深度学习网络模型进行动态纹理特征的提取。首先利用慢特征分析法(SFA)预先学习每个视频序列的动态特征,将该特征作为深度学习网络模型的输入数据进行学习,进一步得到信号的高级表示,深度网络模型选用堆栈降噪自动编码模型,最后用SVM分类法对其进行分类。实验证明该方法所提取的特征维数低,并且能够有效地表示动态纹理。     

基于稀疏表示的概率子空间聚类人脸识别

针对子空间聚类应用中高达数以百万计信号的数据集合问题,为了实现快速聚类,提出了一种基于稀疏表示的概率子空间聚类算法。首先,每个信号由一个稀疏组合的基本元素(原子)表示,这些原子构成了字典矩阵的列;接着利用稀疏表示集推导出一个混合模式的原子和信号的共生矩阵;最后,通过共生矩阵的非负矩阵分解(NNMF)得到混合模式的组件,并根据最大似然(ML)准则估算每个信号的子空间。在YaleB人脸数据库上的实验结果表明,与其他几种最先进的方法相比,所提方法取得了较好的聚类精度。     

基于高斯增量降维与流形Boltzmann优化的人体运动形态估计

为了从多视角轮廓图像估计出含空间位置信息的三维人体运动形态,该文提出高斯增量降维与流形Boltzmann优化（GIDRMBO）算法.该算法把表示三维人体运动形态的高维数据分成表示空间位置信息和姿态信息两段子向量后,用高斯增量降维模型（GIDRM）分别对其样本进行降维,建立相应的低维空间及映射关系,然后在相应的低维空间使用流形Boltzmann优化算法来对轮廓匹配目标函数进行优化,从而实现估计.其中,所提算法分别利用了两段子向量样本的低维数据作为先验信息,可较好的避免陷入局部最优区域进行搜索,最终生成与各视角原始运动图像匹配且含空间位置信息的三维人体运动形态.经仿真实验验证,所提算法与常用粒子滤波算法相比,其估计误差小,并且还能起到消除轮廓数据歧义和克服短时遮挡的作用.     

基于Laplacian图谱的短文本聚类算法

提出基于词频处理的Laplacian图谱聚类算法,以解决短文本数据维数高、特征稀疏等问题.首先采用词频-逆文本频率指数TF-IDF(Term Frequency-Inverse Document Frequency)方法,将短文本数据集映射到文本向量空间得到词频权值矩阵;其次利用Laplacian矩阵的图谱聚类特性,对词频权值矩阵进行数据降维处理;然后依据Laplacian矩阵的特征值表示文本相似度的特点,选择前K个特征值对应的特征向量作为初始聚类中心,以减少聚类过程的迭代次数.在SSC、20 News Group及Microblog PCU数据集上进行相关实验,结果表明Laplacian图谱聚类算法比传统聚类算法,不仅具有更优的聚类结果与更快的收敛速度,而且受噪声点影响较小,有很好的鲁棒性.     

结合多元信息聚类与空间约束的遥感图像分割方法

为了解决传统聚类算法对聚类表征特征量的依赖性以及定义的不完备性,结合遥感图像的数据的空间位置关系提出了一种结合多元信息聚类与空间约束的遥感图像分割方法。针对某一聚类数据,以若干数据点(多元)组合的方式遍历其所有数据点,并定义多元组合的互信息,以表征该聚类的类内相似性;通过计算类外像素对类内多元组合的互信息,刻画类间的非相似性。在此基础上建立类内相似性和类间差异性,然后结合两者之间的平衡关系建立目标函数,并将Potts模型扩展到目标函数以加入空间约束,最后通过最大化目标函数实现图像分割。对模拟及真实全色遥感影像分割结果的定性、定量分析表明:结合多元信息聚类与空间约束的遥感影像分割方法可以避免聚类表征特征量的定义,从根本上消除其对图像分割的影响,并充分考虑遥感数据的空间位置关系。      

基于自编码网络特征降维的轻量级入侵检测模型

基于支持向量机(SVM)的入侵检测方法受时间和空间复杂度约束,在高维特征空间计算时面临“维数灾害”的问题.为此,本文提出一种基于自编码网络的支持向量机入侵检测模型(AN-SVM).首先,该模型采用多层无监督的限制玻尔兹曼机(RBM)将高维、非线性的原始数据映射至低维空间,建立高维空间和低维空间的双向映射自编码网络结构,进而运用基于反向传播网络的自编码网络权值微调算法重构低维空间数据的最优高维表示,从而获得原始数据的相应最优低维表示;最后,采用SVM分类算法对所学习到的最优低维表示进行入侵识别.实验结果表明,AN-SVM模型降低了入侵检测模型中分类的训练时间和测试时间,并且分类效果优于传统算法,是一种可行且高效的轻量级入侵检测模型.     

基于低秩表示的鲁棒判别特征子空间学习模型

特征子空间学习是图像识别及分类任务的关键技术之一,传统的特征子空间学习模型面临两个主要的问题。一方面是如何使样本在投影到特征空间后有效地保持其局部结构和判别性。另一方面是当样本含噪时传统学习模型所发生的失效问题。针对上述两个问题,该文提出一种基于低秩表示(LRR)的判别特征子空间学习模型,该模型的主要贡献包括:通过低秩表示探究样本的局部结构,并利用表示系数作为样本在投影空间的相似性约束,使投影子空间能够更好地保持样本的局部近邻关系;为提高模型的抗噪能力,构造了一种利用低秩重构样本的判别特征学习约束项,同时增强模型的判别性和鲁棒性;设计了一种基于交替优化技术的迭代数值求解方案来保证算法的收敛性。该文在多个视觉数据集上进行分类任务的对比实验,实验结果表明所提算法在分类准确度和鲁棒性方面均优于传统特征学习方法。     

基于子空间学习和伪标签回归的无监督特征选择

信息技术的快速发展产生了大量无标签高维数据。为了能够更好地处理这些数据,提出了一种基于子空间学习和伪标签回归的无监督特征选择方法。首先,从矩阵分解的角度将子空间学习和特征选择结合在一个框架中,2,1〗范数保证稀疏,在寻找原始数据空间低维表示的同时进行特征选择;其次,利用回归函数来学习特征子空间和伪标签之间的映射关系,利用伪标签和回归函数来指导无监督特征选择,以使选择出来的特征更具判别力;最后,通过引入图拉普拉斯来挖掘隐藏在样本空间和特征空间的局部结构信息。在六个公开的数据集上进行了实验,实验结果表明该方法要优于其他几种先进的无监督特征选择算法。