背景变化鲁棒的自适应视觉跟踪目标模型

提出了视觉跟踪任务中目标动态建模的一种方法.该方法首先针对跟踪序列中的当前帧图像观测进行Haar变换,从而得到图像的过完备特征描述;然后根据Fisher准则,评价每个Haar特征对目标和当前背景的区分能力,目标模型由那些区分能力最强的Haar特征构成.在跟踪过程中,采用卡尔曼滤波算法预测目标下一时刻的可能位置,从而根据目标的图像观测和目标下一时刻可能的位置附近的背景图像观测,对Haar特征的区分能力进行动态评价.通过保留区分能力强的特征,同时淘汰区分能力弱的特征,维护目标模型的强可区分性和低计算复杂性.该方法的主要策略是,在最大程度地保持可区分性的前提下,减少计算的复杂性.实验结果表明,在存在诸多不确定性因素的真实长序列视频上,该跟踪方法能够实时地完成复杂的目标跟踪任务.     

Approximate factorization of multivariate polynomials using singular value decomposition

We describe the design, implementation and experimental evaluation of new algorithms for computing the approximate factorization of multivariate polynomials with complex coefficients that contain numerical noise. Our algorithms are based on a generalization of the differential forms introduced by W. Ruppert and S. Gao to many variables, and use singular value decomposition or structured total least squares approximation and Gauss–Newton optimization to numerically compute the approximate multivariate factors. We demonstrate on a large set of benchmark polynomials that our algorithms efficiently yield approximate factorizations within the coefficient noise even when the relative error in the input is substantial (10⁻³).     

基于结构化的加权联合特征表观模型的目标跟踪方法

为了解决单目标跟踪中的光照变化、部分遮挡问题,提出了一种结构化的加权联合特征表观模型.该模型将被跟踪的目标图像划分成若干图像块,在每个图像块内计算其颜色特征和纹理特征,将这些特征加权形成特征向量作为目标的表观模型.以该模型为基础,利用贝叶斯理论,提出一种跟踪方法.实验结果表明了该方法的有效性.     

一种基于特征匹配的人脸配准判断方法

现有的人脸识别应用系统大都忽略了人脸配准的检查,造成"误配准灾难",导致识别性能下降。因此,对规格化后的人脸图像进行判断筛选,以保证只有正确配准的人脸图像才能用于后续识别。选用一定数量正确配准的规格化人脸图像平均值作为标准人脸,用SIFT关键点定位方法得到标准人脸的多个关键点,采用分块的梯度方向直方图统计方法提取关键点的邻域图像特征;然后,将标准人脸的关键点位置作为待检测人脸的定位点,用同样的方法提取定位点的邻域图像特征;计算待检图像与标准人脸图像对应关键点的特征矢量相似度,设定合理阈值判断待检测图像是否配准。实验证明,该方法能有效去除误配准人脸图像,有利于提高人脸识别系统的可靠性。     

贝叶斯模型下基于SIFT特征的人脸识别

根据姿态与表情变化对人脸识别的影响,采用对图像的旋转、尺度变化保持不变性的SIFT算子作为人脸特征,建立人脸各个子区域的相似性测度,并通过混合高斯建立不同变形条件下相同样本与不同样本的相似性概率模型。在此基础上,利用各子区域特有的识别能力获取子区域概率权值,结合基于贝叶斯公式建立的概率框架确定识别结果。实验结果表明,与直接用SIFT算子进行人脸识别的方法相比,该方法在姿态变化较大及表情变化较大的情况下识别率有明显提高。     

基于双线性模型的人脸表情识别技术

针对现阶段人脸表情识别过程中所遇到的问题,基于三维数据库BU-3DFE中的三维表情数据,研究三维人脸表情数据的点云对齐及基于对齐数据的双线性模型建立,对基于双线性模型的识别算法加以改进,形成新的识别分类算法,降低原有算法中身份特征参与计算的比重,最大可能地降低身份特征对于整个表情识别过程的影响。旨在提高表情识别的结果,最终实现高鲁棒性的三维表情识别。     

基于局部化原理和概率模型的LVQ改进算法

利用局部化原理和概率模型的优化方法，提出一种LVQ改进算法——基于局部化原理和概率模型的LVQ算法(Localization principle and Probability based LVQ，LoPLVQ)．与传统LVQ算法相比，不仅缩短训练时间，而且具有较高的识别率．实验结果表明改进算法可用来解决大规模的模式识别问题．     

基于多维上下文感知图嵌入模型的兴趣点推荐

近些年来,兴趣点推荐系统已经逐渐成为移动推荐系统领域的研究热点之一.多种因素联合建模的方法逐渐深入,如时间、空间、序列、社会化和语义信息被引入统一模型,以建模多维情景下的用户偏好.其中,嵌入学习模型作为一种有效的多因素联合建模方法,在移动推荐领域有较好的性能.然而,多数嵌入学习的模型只是简单地将显式因素,如时间戳、项目、区域、序列等嵌入到相同的空间,由于缺乏对用户和项目的语义特征的深层次挖掘,在用户签到极端稀疏时,难以精准获取用户偏好.鉴于此,提出一种多维上下文感知的图嵌入模型——MCAGE.在MCAGE中,利用主题模型提取用户和项目间的潜在语义特征,并重新定义了一系列图的节点及关联规则,设计了更有效的用户偏好公式,以此提升刻画移动用户偏好的精准度.最后,通过在真实数据集上的实验分析,证明了该模型具有更好的推荐性能.     

Bagged Mixtures of Classifiers using Model Scoring Criteria

: In the context of supervised statistical learning, we present a broad class of models named Generalised Additive Multi-Mixture Models (GAM-MM), based on a multiple combination of mixtures of classifiers to be used in both the regression and classification cases. In particular, we additively combine mixtures of different types of classifiers, defining an ensemble composed of nonparametric tools (tree-based methods), semiparametric tools (scatterplot smoothers) and parametric tools (linear regression). Within this approach, we define a classifier scoring criterion to be jointly used with the bagging procedure for estimation of the mixing parameters, and describe the GAM-MM estimation procedure, that adaptively works by iterating a backfitting-like algorithm and a local scoring procedure until convergence. The effectiveness of our approach in modelling complex data structures is evaluated by presenting the results of some applications on real and simulated data. Received: 24 November 2001, Received in revised form: 10 December 2001, Accepted: 5 April 2002 ID="A1" Correspondence and offprint requests to: C. Conversano, Dipartimento di Matematica e Statistica, Università degli Studi di Napoli Federico II, Monte Sant'Angelo, Napoli I-80126, Italy. Email: conversa@unina.it     

基于机器学习组合模型的电商商品销量预测

如何准确高效地预测销量是企业一直以来关注的重要问题.传统的时间序列预测方法虽然在研究和实践中占主导地位,但是存在一定的局限性.随着大数据的发展,电商企业能获取前所未有的数据量和数据特征,仅利用过去的行为和趋势很难准确地对销量进行预测.本文提出一种基于随机森林、GBDT、XGBoost算法的成本厌恶偏向性组合预测模型,并...