多粒度的图像检索方法研究

从商空间粒度理论角度分析了图像检索的过程,给出了基于商空间的多粒度图像检索方法。首先根据等价关系R(即图像主色的连通性)将图像划分为不同的区域,然后分别从颜色、形状、空间分布等不同的粒度提取区域的特征属性,利用商空间多粒度属性函数合成思想,将每个粒度下的属性函数合成,形成图像的特征向量,再根据此特征向量计算图像之间的相似度进行检索。实验结果表明,多粒度属性函数合成的检索方法要明显优于单一属性函数下的检索方法;与MTH方法和颜色体积直方图方法相比,其能够更加准确和高效地查找出用户所需要内容的图像,明显地提高了检索精度。     

广义多尺度集值决策系统最优尺度选择

为了在不同的粒度下对同一对象进行观察、表示、分析和决策,提出了多尺度信息系统.考虑到一个对象在属性的各个尺度上的取值为多值的情况,多尺度信息系统被进一步扩展到多尺度集值信息系统.然而,在现有的多尺度集值信息系统中,所有属性必须具有相同的尺度级数,使得每个属性都只能在同一个尺度下进行组合.并且,最优尺度选择仅考虑决策系统的一致性或不确定性,忽略了实际应用中的决策代价问题.针对上述问题,定义了一种具有代价的广义多尺度集值决策系统,分析了决策系统的不确定性和代价随尺度组合的变化趋势.然后,为了提高最优尺度选择的时间效率,提出了一种基于三支决策思想的尺度空间更新方法.最后,结合用户需求,给出了最小化不确定性和代价的最优尺度选择方法.实验结果表明,该方法不仅可以结合不确定性和代价得到最优尺度解,并且与传统的Lattic Mode相比,能有效地提高计算效率.     

基于条件生成对抗插补网络的双重判别器缺失值插补算法

应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN)的缺失值插补算法DDC-GAIN(Dual Discriminator based on C-GAIN)。该算法通过一个辅助判别器辅助主判别器判断预测值的真假,即根据一个样本的全局信息判断这个样本生成的真假,更注重特征之间的关系,以此估算预测值。在4个数据集上与5种经典插补算法进行对比实验,结果表明：同样条件下,DDC-GAIN算法在样本量较大时的均方根误差(RMSE)最低;在Default credit card数据集上缺失率为15%时,DDC-GAIN算法的RMSE比次优算法C-GAIN降低了28.99%。这说明利用辅助判别器帮助主判别器学习特征之间的关系是有效的。     

针对目标检测器的假阳性对抗样本

目标检测器现已被广泛应用在各类智能系统中,主要用于对图像中的物体进行识别与定位.然而,近年来的研究表明,目标检测器与DNNs分类器都易受数字对抗样本和物理对抗样本的影响.YOLOv3是实时检测任务中一种主流的目标检测器,现有攻击YOLOv3的物理对抗样本的构造方式大多是将生成的较大对抗性扰动打印出来再粘贴在特定类别的物体表面.最近的研究中出现的假阳性对抗样本(false positive adversarial example, FPAE)可通过目标模型直接生成得到,人无法识别出该对抗样本图像中的内容,但目标检测器却以高置信度将其误识别为攻击者指定的目标类.现有以YOLOv3为目标模型生成FPAE的方法仅有AA(appearing attack)方法一种,该方法在生成FPAE的过程中,为提升FPAE的鲁棒性,会在迭代优化过程中加入EOT(expectation over transformation)图像变换来模拟各种物理条件,但是并未考虑拍摄时可能出现的运动模糊(motion blur)情况,进而影响到对抗样本的攻击效果.此外,生成的FPAE在对除YOLOv3外的目标检测器进行黑盒攻击时的攻击成功率并不高.为生成性能更好的FPAE,以揭示现有目标检测器存在的弱点和测试现有目标检测器的安全性,以YOLOv3目标检测器为目标模型,提出RTFP(robust and transferable false positive)对抗攻击方法.该方法在迭代优化过程中,除了加入典型的图像变换外,还新加入了运动模糊变换.同时,在损失函数的设计上,借鉴了C&W攻击中损失函数的设计思想,并将目标模型在FPAE的中心所在的网格预测出的边界框与FPAE所在的真实边界框之间的重合度(intersection over union, IOU)作为预测的边界框的类别损失的权重项.在现实世界中的多角度、多距离拍摄测试以及实际道路上的驾车拍摄测试中,RTFP方法生成的FPAE能够保持较强的鲁棒性且迁移性强于现有方法生成的FPAE.     

粗糙集的近似集

粗糙集是1982年由Pawlak教授提出的解决集合边界不确定的重要方法,它通过两个精确的上、下近似集作为边界线来刻画目标集合(概念)X的不确定性,但它没有给出如何用已知的知识基(知识粒)来精确或近似地描述边界不确定的目标集合(概念)X的方法.首先给出了集合之间的相似度概念,然后分析了分别用上近似集R(X)和下近似集R(X)作为目标集合(概念)X近似描述的不足,提出了在已有知识基(粒)空间下寻找目标集合(概念)X的近似集的方法,并分析了用R0.5(X)作为X(概念)的近似集的优越性.最后讨论了不同知识粒度空间下R0.5(X)与X的相似度随知识粒度的变化关系.从新的角度提出了目标集合(概念)X近似集的构造方法,促进了粗糙集模型的发展.     

计及新能源随机特性的备用容量确定及其成本分摊

预留备用是应对电力系统强不确定性的必要举措,随着电力市场改革的不断推进,如何科学确定备用容量,并将备用费用在各责任方间公平合理地分摊是实现电力市场化改革的关键之一。针对负荷、新能源等不确定性,提出了备用容量估计及其成本分摊方法,根据不确定性预测误差的波动特征确定备用容量,并基于Vickrey-Clarke-Groves(VCG)理论合理分摊备用成本。首先,利用非参数核密度估计方法刻画新能源/负荷预测误差的概率密度曲线,无须假设新能源/负荷服从某一固定分布,并在此基础上提出基于蒙特卡洛法的备用需求场景模拟生成方法,确定备用总容量。然后,根据VCG理论,通过一个市场参与者（新能源/负荷）对其他市场参与者的替代效益进行价值量化,基于价值大小按比例分配备用成本到新能源/负荷一侧。最后,以修改的IEEE 30节点系统以及中国某省级电网661节点系统为例进行仿真分析,验证所提方法的有效性。     

基于图像和视频信息的社交关系理解研究综述

随着多媒体技术的快速发展,互联网上涌现了大量的文本、图像、视频、音频等多媒体数据.多媒体数据的特点表现为形式上多源异构、语义上互相联系.基于多媒体信息的社交关系理解是利用各种手段和方法从海量异构的多媒体数据中挖掘出有价值的信息,帮助人们快速地理解多媒体信息中的社交关系,促进多媒体内容理解、人物追踪、知识图谱的构建等多媒...     

基于样本权重的不平衡数据欠抽样方法

现实世界中广泛存在不平衡数据,其分类问题是数据挖掘和机器学习的一个研究热点.欠抽样是处理不平衡数据集的一种常用方法,其主要思想是选取多数类样本中的一个子集,使数据集的样本分布达到平衡,但其容易忽略多数类中部分有用信息.为此提出了一种基于样本权重的欠抽样方法KAcBag(K-means AdaCost bagging),该方法引入了样本权重来反映样本所处的区域,首先根据各类样本的数量初始化各样本权重,并通过多次聚类对各个样本的权重进行修改,权重小的多数类样本即处于多数类的中心区域;然后按权重大小对多数类样本进行欠抽样,使位于中心区域的样本较容易被抽中,并与所有少数类样本组成bagging成员分类器的训练数据,得到若干个决策树子分类器;最后根据各子分类器的正确率进行加权投票生成预测模型.对19组UCI数据集和某电信运营商客户换机数据进行了测试实验,实验结果表明:KAcBag方法使抽样所得的样本具有较强的代表性,能有效提高少数类的分类性能并缩小问题规模.     

ALPSO-SVM道路限速标志识别

提出了一种基于支持向量机(Support Vcctor Machine, SVM)的道路限速标志识别方法。为了提高算法对限 速标志的识别精度,采用了一种可在进化过程中通过调整学习参数来协调粒子全局与局部搜索能力的自适应学习粒 子群算法(Adaptive Learning Particle Swarm Optimization, ALPSO)对支持向量机的相关参数进行优化。实验结果表 明,提出的ALPS(}SVM方法在识别性能上优于传统的SVM,在算法收敛性能上优于标准PS+SVM.     

基于相似度量的自适应三支垃圾邮件过滤器

垃圾邮件过滤是信息时代的一个重要研究课题,一封重要邮件被错分会产生不可估量的代价.因此,如何提高过滤器的性能成为垃圾邮件过滤领域中的核心问题.目前,业界通常采用机器学习算法中的二分类模型以处理垃圾邮件过滤问题.然而,较之于三支决策模型,二分类模型会产生较大的错分代价.作为三支决策的一个重要分支,基于决策理论粗糙集的三支决策模型符合人类认知习惯,且能有效地降低错分代价,进而提高过滤器的性能.然而,在构造损失函数时,少有研究考虑由于等价类之间的差异性而对分类结果带来的影响.因此,在基于决策理论粗糙集的三支决策模型的基础上,提出了一种基于相似度量的自适应三支垃圾邮件分类模型.该模型根据集合方差计算了条件属性的权重,并基于相似度量建立了一种刻画差异信息的综合评价函数,进而根据贝叶斯决策规则构建了一种计算自适应阈值对的方法.实验结果表明所提模型在垃圾邮件过滤领域表现优异.