排序方式: 共有16条查询结果,搜索用时 15 毫秒
1.
在基于反馈的图像检索中,由于被用户标记为相关和不相关的图像数较少,使得检索问题变成了一个典型的小样本问题.流形可表达数据在低维空间中的内在几何结构,流形正则化的目的是利用这种几何结构来约束解空间,以使最优解能反映数据本身的几何分布.为了解决反馈检索中的小样本问题,本文在流形正则化框架下提出一个新的半监督图像检索算法.在新算法中,流形正则化项只依赖于文中定义的查询子流形,而不依赖于数据集的全局结构.在两个图像集上的实验结果对比表明,本文提出的新算法在检索效果上优于现有的4种state-of-the-art算法. 相似文献
2.
现存非负矩阵分解(non-negative matrix factorization,NMF)研究多考虑单一视图分解数据,忽略了数据信息的全面性。此外,NMF限制其获取数据的内在几何结构。针对以上问题,提出一个结构正则化多视图非负矩阵分解算法(structure regularized multi-view nonnegative matrix factorization,SRMNMF)。首先,通过主成分分析来对数据进行全局结构的判别式学习;其次,利用流形学习来捕获数据的局部结构;然后,通过利用多视图数据的多样性和差异性来学习表征。模型提升了算法聚类的整体性能,更加有效地挖掘数据的结构信息。此外,采用高效的交替迭代算法优化目标函数得到最优的因子矩阵。在六个数据集上与现存的代表性方法比较,所提出的SRMNMF的准确率、NMI和Purity分别最大提高4.4%、6.1%和4.05%。 相似文献
3.
4.
基于成对约束的判别型半监督聚类分析 总被引:9,自引:1,他引:9
现有一些典型的半监督聚类方法一方面难以有效地解决成对约束的违反问题,另一方面未能同时处理高维数据.通过提出一种基于成对约束的判别型半监督聚类分析方法来同时解决上述问题.该方法有效地利用了监督信息集成数据降维和聚类,即在投影空间中使用基于成对约束的K均值算法对数据聚类,再利用聚类结果选择投影空间.同时,该算法降低了基于约束的半监督聚类算法的计算复杂度,并解决了聚类过程中成对约束的违反问题.在一组真实数据集上的实验结果表明,与现有相关半监督聚类算法相比,新方法不仅能够处理高维数据,还有效地提高了聚类性能. 相似文献
5.
在挖掘和分析高维数据任务中,有时只能获得有限的成对约束信息(must-link约束和cannot-link约束),由于缺乏数据类标号信息,监督维数约减方法常常不能得到满意的结果。在这种情况下,使用大量的无标号样本可以提高算法的性能。文中借助于成对约束信息和大量无标号样本,提出半监督局部维数约减方法(SLDR)。SLDR集成数据的局部信息和成对约束寻找一个最优投影,当数据被投影到低维空间时,不仅cannot-link约束中样本点对之间距离更远、must-link约束中样本点对之间距离更近,数据的内在几何信息还被保持。而且SLDR能推广为非线性方法,使之能够适应非线性数据的维数约减。在各种数据集上的实验结果充分验证了所提出算法的有效性。 相似文献
6.
7.
基于断层图像分割的三维匹配插值 总被引:9,自引:0,他引:9
CT和MRI图像断层之间的距离远大于断层内部像素间的距离,三维剂量场的计算等工作通常需要等间隔分布的三维图像数据。目前常用的基于灰度插值方法会引起图像边界模糊,而基于形状的插值方法不能得到整个图像的数据。为解决这一问题,文中提出了一种基于断层图像分割的三维匹配插值算法。通过对断层图像进行分割,获得断层图像的空气、软组织和骨骼等区域信息。对相同密度区域采用匹配插值,不同密度区域采用缩放区域大小作为插值数据,使新的图像不仅在灰度上,而且在组织形状上介于原来的断层图像之间,满足了医学图像插值要求。和线性插值方法相比,新算法提高了插值图像的质量,插值结果可有效地应用于构建三维体模型。 相似文献
8.
9.
现有的插值方法在进行断层图像插值时,要么不能兼顾灰度和形状的变化,要么计算量太大。为解决这一问题,文中提出一种基于形状的三维图像匹配插值算法。通过对已知两幅断层图像进行门限分割,得到各个密度物质的区域后,利用数学形态学的方法确定出插值图像每个分割区域的轮廓,然后在每个轮廓内运用匹配插值方法得到插值点的值,从而得到整个插值图像。新算法将图像的形状信息和灰度信息较好地结合起来,因此,插值出的图像不仅克服了不同密度物质边界模糊问题,而且也克服了传统的基于形状插值方法的缺点。与线性插值相比,新算法插值出的图像视觉效果好;与小波插值相比,新算法的计算量极大地减少。插值结果可有效地应用于构建三维体模型。 相似文献
10.