基于相似度驱动的线性哈希模型参数再优化方法

哈希学习通过设计和优化目标函数,并结合数据分布,学习得到样本的哈希码表示.在现有哈希学习模型中,线性模型因其高效、便捷的特性得到广泛应用.针对线性模型在哈希学习中的参数优化问题,提出一种基于相似度驱动的线性哈希模型参数再优化方法.该方法可以在不改变现有模型各组成部分的前提下,实现模型参数的再优化,提升模型检索性能.该方法首先通过运行现有哈希算法多次,获得训练集的多个哈希码矩阵,然后基于相似度保持度量标准和融合准则对多个哈希码矩阵进行优化选择,获得训练集的优化哈希矩阵,最后利用该优化哈希矩阵对原模型的参数进行再优化,进而获得更优的哈希学习算法.实验结果表明,该方法对不同的哈希学习算法性能都有较为显著的提升.     

基于最佳局部差值编码位的手指静脉识别*

针对手指静脉识别技术中现有编码特征局部细节信息和区分性信息利用不充分的问题,文中提出基于最佳局部差值编码位(BLDCB)的手指静脉识别方法.设计局部差值编码提取方法获取图像的编码特征,提出基于相关性和散度的最佳位挖掘方法.引入条件概率计算编码位与目标的相关性,挖掘鲁棒位.计算鲁棒位之间的类间散度,获取具有区分性的鲁棒位,作为最佳位.在公开的PloyU手指静脉数据库和MLA手指静脉数据库上的实验验证文中方法可以进一步提高身份验证的精度和速度.     

基于层次化双重注意力网络的乳腺多模态图像分类

为解决现有多模态图像融合方法忽略临床先验知识的利用,且多模态之间的信息交互不充分等问题,提出基于层次化双重注意力网络的乳腺多模态图像分类方法,引入新的先验学习模块,有效挖掘和利用临床先验,提升单模态特征的区分性。设计层次化的双重注意力模块,利用注意力机制同时增强全局模态间通道特征和局部模态内特征的区分性信息,增强模态间的信息交互,进一步提升多模态融合的分类性能。试验结果表明,与其他方法对比,提出的模型能够取得更好的性能,在受试者工作特征曲线下面积、准确性、特异性和灵敏度分别达到为82.5%、83.3%、80.0%和85.0%。结果证明建立层次化双重注意力网络预测乳腺肿瘤良恶性可行。     

基于手指静脉和手指轮廓的个性化融合方法

近年来手指静脉识别成为一种有前途的身份验证技术.采集图像时,手指的姿势或光照的变化会严重影响算法的性能.多生物特征识别可以在一定程度上克服这些限制,提高识别性能.相比其他的生物特征融合,手指静脉和手指轮廓融合的优点是采集图像比较方便,只需要手指静脉采集设备即可获得这两种生物特征的图像.基于此,提出了一种基于手指静脉和手指轮廓的个性化加权融合识别方法.首先根据原始得分对样本进行分类,然后依据分类结果求得样本的分类置信度得分.相比原始得分,分类置信度得分加入了分类信息,能够为后面的融合提供更多的有效信息.最后,为了体现个体之间的差异,使用个性化权重将分类置信度得分进行融合.在自建数据库上的实验结果验证了该方法的有效性.     

基于分布先验的半监督FCM的肺结节分类

肺结节的良恶性分类对于肺癌的早期发现及诊断具有重要意义。然而实际应用中,标记的图像数量较少,且获取标记将耗费大量的人力,在这种情况下,使用半监督学习算法是有效提高分类性能的一个思路。作为一种经典的半监督学习算法,传统的半监督FCM在未标记样本与标记样本分布不平衡情况下不能充分利用标记信息。针对此问题,本文提出了一种基于分布先验的半监督FCM算法。首先计算样本的先验分布概率,基于获得的先验概率,给样本赋予权重,并将其融入到半监督FCM聚类中,从而强化少量的标记样本在聚类过程中的指导作用。文中在LIDC数据库上进行了相应的实验,实验结果证明,相比较传统的半监督FCM算法,提出的算法能够取得更好的肺结节分类性能。     

卷积神经网络下的Twitter文本情感分析

随着社交网络的日益普及,基于Twitter文本的情感分析成为近年来的研究热点。Twitter文本中蕴含的情感倾向对于挖掘用户需求和对重大事件的预测具有重要意义。但由于Twitter文本短小和用户自身行为存在随意性等特点,再加之现有的情感分类方法大都基于手工制作的文本特征,难以挖掘文本中隐含的深层语义特征,因此难以提高情感分类性能。本文提出了一种基于卷积神经网络的Twitter文本情感分类模型。该模型利用word2vec方法初始化文本词向量,并采用CNN模型学习文本中的深层语义信息,从而挖掘Twitter文本的情感倾向。实验结果表明,采用该模型能够取得82.3%的召回率,比传统分类方法的分类性能有显著提高。     

基于自适应多分辨率特征学习的CNV分型网络

为解决不同脉络膜新生血管(choroidal neovascularization, CNV)类型间较小区分性带来的分型难度和光学相干断层扫描(optical coherence tomography, OCT)图像中噪声对分型精度的影响,提出自适应多分辨率特征学习的CNV分型方法,其包含多分辨率特征学习和自适应特征选择模块。在多分辨率特征学习模块中,融合具有不同类型CNV细节信息的底层特征和具有语义信息的高层特征,同时引入渐进式的训练方式增强特征表示能力。在自适应特征选择模块中,通过引入注意力机制,对最后分型起关键作用的特征进行增强,进一步提升特征的区分性。在自建的CNV数据集上进行试验,试验结果表明,评价指标上的测试评分分别为91.3%、86.6%、89.2%和90.6%。提出的自适应多分辨率特征学习的CNV分型方法优于现有的其他分类方法。     

融合局部特征和全局特征的手指静脉识别方法

手指静脉识别是利用人体手指静脉结构的唯一性实现个体身份认证,具有高度安全和使用便捷等优点。为了进一步提高手指静脉识别系统的性能,提出了一种融合局部特征和全局特征的手指静脉识别方法。应用局部二元模式方法提取手指静脉局部特征,利用海明距离计算匹配得分;应用双向两维主成分分析方法提取手指静脉全局特征,利用欧式距离计算匹配得分;在得分级上融合二者的匹配得分以产生识别结果。实验结果表明,局部特征与全局特征具有较好的互补性,有效地提高了识别精度。