基于极端梯度提升树算法的图像属性标注

提出基于极端梯度提升树(eXtreme gradient boosting,XGBoost)算法的图像属性标注模型,以改善标注性能：提取图像局部二值模式(local binary patterns,LBP)、灰度纹理空间包络特征(Gist)、尺度不变特征变换(scale invariant feature transform,SIFT)、视觉几何组(visual geometry group,VGG)等特征,以准确刻画图像视觉内容;基于图像特征,采用XGBoost算法集成弱分类器为强分类器,完成图像属性标注;深入挖掘图像属性蕴含的深层语义,构建全新的、层次化的属性表示体系,以贴近人类客观认知;设计迁移学习策略并合理组合分类模型,进一步改善标注性能。试验表明：Gist特征能真实刻画图像视觉内容;执行基础迁移学习后,标注精准度比迁移学习前最优指标提升8.69%;执行混合型迁移学习后,合理组合分类模型,标注精准度比基础迁移学习的最优指标提升17.55%。模型有效地改善图像属性标注精度。     

基于分层基因优选多特征融合的图像材质属性标注

图像材质属性标注在电商平台、机器人视觉、工业检测等领域都具有广阔的应用前景.准确利用特征间的互补性及分类模型的决策能力是提升标注性能的关键.提出分层基因优选多特征融合(Stratified gene selection multi-feature fusion, SGSMFF)算法:提取图像传统及深度学习特征; 采用分类模型计算特征预估概率; 改进有效区域基因优选(Effective range based gene selection, ERGS)算法, 并在其中融入分层先验信息(Stratified priori information, SPI), 逐层、动态地为预估概率计算ERGS权重; 池化预估概率并做ERGS加权, 实现多特征融合.在MattrSet和Fabric两个数据集上完成实验, 结果表明: SGSMFF算法中可加入任意分类模型, 并实现多特征融合; 平均值池化方法、分层先验信息所提供的难分样本信息、"S + G + L"及"S + V"特征组合等均有助于改善材质属性标注性能.在上述两个数据集上, SGSMFF算法的精准度较最强基线分别提升18.70%、15.60%.     

基于改进的有效区域基因选择与跨模态语义挖掘的图像属性标注

图像属性标注是一种更细化的图像标注，它能缩小认知与特征间"语义鸿沟".现有研究多基于单特征且未挖掘属性蕴含的深层语义，故无法准确刻画图像内容.改进有效区域基因选择算法融合图像特征，并设计迁移学习策略，实现材质属性标注；基于判别相关分析挖掘特征间跨模态语义，以改进相对属性模型，标注材质属性蕴含的深层语义-实用属性.实验表明：材质属性标注精准度达63.11%，较最强基线提升1.97%；实用属性标注精准度达59.15%，较最强基线提升2.85%；层次化的标注结果能全面刻画图像内容.     

融入深层病理信息挖掘的乳腺肿块识别模型

乳腺癌是女性中最常见的癌症,乳腺肿块识别模型能有效地辅助医生的临床诊断工作.然而,医学图像样本稀缺使识别模型易过拟合.提出融入深层病理信息挖掘的乳腺肿块识别模型:构建样本精选策略,跨越不同乳腺造影图像数据集筛选优质样本,从数据增强角度应对医学图像样本稀缺;由浅入深挖掘有限标注样本中蕴含的病理信息,从特征优选角度应对医学...     

基于用户偏好挖掘生成对抗网络的推荐系统

用户偏好挖掘是推荐系统研究中的关键问题,它对于改善推荐质量具有非常重要的作用。提出用户偏好挖掘生成对抗网络(UPM-GAN),从两个角度深入分析用户隐含偏好:基于三元组损失算法对用户评分矩阵进行处理,挖掘难分负样本,以更好地确立正样本,为准确刻画用户偏好奠定基础;基于奇异值分解(SVD++)算法构建UPM-GAN的生成模型,利用SVD++算法中的偏置信息及隐式参数描述用户隐含偏好,以提高评分预测精度。最后使用最新生成对抗网络(GAN)框架完成推荐系统训练,在MovieLens-100K、MovieLens-1M这两个主流数据集上展开实验仿真。实验表明UPM-GAN的Precision@K、均值平均精度(MAP)等多项指标均优于对比基线,且它还具有收敛速度快、训练过程平稳等优点。基于UPM-GAN的推荐系统具有一定实用价值。