引入全局约束的精简人脸关键点检测网络

人脸关键点检测是计算机视觉中的典型问题之一，对于人脸三维重建、表情识别、头部姿态估计、人脸跟踪等有重要影响。目前基于深度神经网络的模型在人脸关键点检测性能表现最为突出，已被广泛采用。但是现有关键点检测深度神经网络结构设计越来越复杂，对于训练和测试需要的计算和存储资源要求越来越高。本文提出一种新的精简的关键点检测网络结构以代替现有的网络结构。相对其他网络结构，精简网络只包含一个特征提取模块，以及由几层反卷积层组成的上采样模块。此外我们在网络结构中加入对人脸所有关键点的全局约束，以减少预测离群点的产生。实验表明引入全局约束的精简网络结构在300-W数据集上取得的检测性能超出了目前典型深度神经网络检测模型。      

基于粗糙集理论的网络入侵检测方法

提出了基于粗糙集理论的网络入侵检测方法，应用混合遗传算法求解粗糙集的约简，减少了计算时间。实验结果表明，该方法对DoS和Probe攻击具有很高的检测率和较低的误检率，并且对U2R和R2L攻击也有较好的检测率。     

基于改进分段半马尔可夫模型的在线序列模式检测

在时间序列数据挖掘中,在线检测在时间上存在任意缩放的相似模式是一个具有挑战性的问题.本文对基于模型匹配的分段半马尔可夫模型进行改进,通过引入偏移量分布、振幅差值分布和前项状态,克服该模型参数难以确定、鲁棒性差的缺点.实验表明,改进分段半马尔可夫模型能够快速准确检测出在时间上存在任意缩放的相似模式.     

空间约束半监督高斯过程下的高光谱图像分类

针对高光谱遥感图像分类中带标记训练样本较少、导致分类正确率偏低的问题,提出用于高光谱图像分类的空间约束半监督高斯过程方法.由于高光谱图像的特征空间满足流形分布假设,大量未标记样本可以使数据空间变得更加稠密,从而有助于更加准确地刻画局部空间特性,提高分类的精度和普适性.通过对高斯过程模型中的核函数施加空间近邻约束,建立未标记样本与带标记样本之间的空间联系.该半监督高斯过程分类器不仅可以提升高光谱遥感图像的分类性能,而且构造简单,实现方便.实验结果表明,在仅有少量带标记的训练样本情况下,半监督高斯过程分类方法对高光谱图像有较高的分类精度和稳定性.     

基于聚类的图像稀疏去噪方法

在图像去噪方法的研究中,非局部均值算法与稀疏去噪算法是近几年受到广为关注的方法.非局部均值算法将具有邻域相似性的像素点作加权平均;而稀疏去噪算法是将图像的非噪声部分用过完备字典进行稀疏表示.基于上述两种方法的思想,本文提出了基于聚类的稀疏去噪方法,该方法结合了非局部均值算法与稀疏去噪算法的优点,对相似的图像块进行聚类,并通过施加l1/l2范数的正则化约束,对同一类中的图像块在过完备字典上进行相同结构的稀疏表示,从而达到去噪目的.在字典的选择上,本文使用DCT字典和双正交小波字典,能够同时保留原图像中的平滑分量与细节分量.实验结果表明,本文方法比传统的稀疏去噪方法有更好的去噪效果.     

在线生物文献磁共振图像识别方法

为实现在线生物文献磁共振成像(MRI)图像库的构建,利用图像特征的塔式梯度方向直方图(PHOG)和塔式关键词直方图(PHOW)进行互补特征表示,使用支持向量机对MRI图像与非MRI图像以及脑部MRI与非脑部MRI图像进行自动分类。实验结果表明,空间形状信息与局部分布信息融合的特征能提高图像分类的准确率,为构建在线文献中MRI图像库的知识系统提供技术支持。     

基于Adaboost-高斯过程分类的人脸表情识别

为了弥补Ababoost分类器分类精度不够、训练耗时的缺点,利用高斯过程分类器分类精度高、计算复杂度低的优势,提出一种改进的表情识别方法.该算法将高斯过程分类（GPC）和Adaboost的人脸表情识别算法相结合,在训练二分类Adaboost时利用高斯过程分类器训练弱分类器;把这些弱分类器组合成一个总分类器,将二分类Adaboost GPC扩展为多类分类算法.采用Gabor提取面部表情特征,由于Gabor特征提取后存在维度变高、冗余大的问题,引入二维主成分分析（2DPCA）对Gabor特征进行选择.基于Cohn-Kanade和JAFFE数据库的实验结果表明,该算法在识别正确率和速度方面的表现均较好.     

一种基于谱聚类的半监督聚类方法

半监督聚类利用少部分标签的数据辅助大量未标签的数据进行非监督的学习,从而提高聚类的性能。提出一种基于谱聚类的半监督聚类算法,其利用标签数据的信息,调整点与点之间的距离所形成的距离矩阵,而后基于被调整的距离矩阵进行谱聚类。实验表明,该算法较之于已提出的半监督聚类算法,获得了更好的聚类性能。     

加强概率推理模型在人脸识别中的应用

在很多应用中,组合使用多个分类器可以降低分类错误率。该文就是基于这个思想提出了新的人脸识别算法,即加强概率推理模型。在该算法中,将分类任务划分成多个子分类器,每个子分类器集中于一些难分类的样本,然后组合这些子分类器形成一个强的分类器。试验结果表明算法的识别率比原来的概率推理模型的识别率提高了1.8％。     

数据挖掘技术在铁路治安工作中的应用

在获取铁路车站治安信息的基础上,利用典型的关联规则算法Apriori及其改进算法AprioriTid,对信息库中的数据进行了分析和验证,得出在治安违法案件中人、事、物之间的相互关系并以此预测未来铁路车站的治安情况.以指导车站治安管理中对重点时段、重点区段和重点案情的警力安排,使得在警力紧缺的情况下,科学、合理地安排警力.同时,笔者也对两种算法的效率进行了比较,AprioriTid无论是在算法的精度还是时间复杂度方面都要优于Apriori算法.