排序方式: 共有47条查询结果,搜索用时 15 毫秒
2.
AdaBoost算法研究进展与展望 总被引:21,自引:0,他引:21
AdaBoost是最优秀的Boosting算法之一, 有着坚实的理论基础, 在实践中得到了很好的推广和应用. 算法能够将比随机猜测略好的弱分类器提升为分类精度高的强分类器, 为学习算法的设计提供了新的思想和新的方法. 本文首先介绍Boosting猜想提出以及被证实的过程, 在此基础上, 引出AdaBoost算法的起源与最初设计思想;接着, 介绍AdaBoost算法训练误差与泛化误差分析方法, 解释了算法能够提高学习精度的原因;然后, 分析了AdaBoost算法的不同理论分析模型, 以及从这些模型衍生出的变种算法;之后, 介绍AdaBoost算法从二分类到多分类的推广. 同时, 介绍了AdaBoost及其变种算法在实际问题中的应用情况. 本文围绕AdaBoost及其变种算法来介绍在集成学习中有着重要地位的Boosting理论, 探讨Boosting理论研究的发展过程以及未来的研究方向, 为相关研究人员提供一些有用的线索. 最后,对今后研究进行了展望, 对于推导更紧致的泛化误差界、多分类问题中的弱分类器条件、更适合多分类问题的损失函数、 更精确的迭代停止条件、提高算法抗噪声能力以及从子分类器的多样性角度优化AdaBoost算法等问题值得进一步深入与完善. 相似文献
3.
文件头中存储加密标识技术的研究与实现 总被引:1,自引:0,他引:1
为了解决目前文件安全方面存在的问题,进一步提高对文件数据的保护强度,对基于文件系统过滤驱动的文件透明加/解密技术进行了研究,针对传统方法在加密标识识别方面存在的不足,提出了文件头保存文件加密标识的方法。该方法通过过滤驱动为密文文件添加一个包含加密标识的文件头,在进行文件操作时通过该加密标识识别密文文件。同时过滤驱动在处理文件的读写操作时,通过设置文件读写偏移跳过文件头,完成正确的读写操作。结合实例,对测试结果进行了分析,验证了该设计的准确性、有效性和可行性。 相似文献
4.
5.
提出了一种基于归一化互信息相似性判据,并采用模糊自适应粒子群优化算(particle swam optimization,PSO)作为搜索策略的图像自动配准方法.由于互信息方法不能解决图像缩放的问题,该方法在计算图像互信息之前,先对图像进行尺寸相同化操作;同时针对互信息方法中目标函数易陷入局部极值及搜索速度慢的问题,该方法采用归一化互信息作为相似性准则,并提出以模糊自适应PSO算法作为优化策略来提高配准速度和精度的方法.实验表明,采用归一化互信息作为配准测度,可提高配准的鲁棒性,而且,引入了模糊推理机之后,配准效率得到大幅提高,用该方法对具有仿射变换的图像进行配准能得到快速、精确的配准结果,证明了该算法的可行性和有效性. 相似文献
6.
本文介绍了PCI设备的基本硬件特性,提出了在PSOS环境下PCI设备驱动程序的基本结构,着重论述了PSOS下PCI设备驱动程序开发的基本流程。 相似文献
7.
图像融合的非负矩阵分解算法 总被引:6,自引:0,他引:6
提出一种将非负矩阵分解思想用于图像融合的算法.在非负矩阵分解过程中,适当地选取特征空间的维数可以获取原始数据的局部特征.首先分析了使用非负矩阵分解算法提取图像综合特征的原理,并给出了一个可视化实例;将参与融合的图像作为原始数据,特征空间的维数选为1,利用非负矩阵分解得到的特征基包含了原始图像的整体特征,这个特征基图像就是原始图像的融合结果.多类不同模态图像融合的实验结果表明,文中算法比小波变换的方法具有更好的融合效果. 相似文献
8.
图像匹配作为计算机视觉领域的重要研究方向,广泛应用于图像配准、图像融合、变化检测、视觉导航、3D重建、视觉同时定位与地图构建(SLAM)等领域,精确稳健的局部特征提取是实现其高效处理的前提与关键。以图像匹配研究为导向,从传统特征设计到现代特征学习对局部特征提取方法进行了分类总结,首先,为增强对现代局部特征提取方法的理解,重点介绍了基于传统特征设计的相关方法,接着回顾了基于经典机器学习的方法,搭建起传统方法到深度学习方法的桥梁,最后详细讨论了基于深度学习的现代特征提取方法。针对跨传感器、多视角、不同时段环境下的图像匹配需求,全面分析了各阶段主流方法的优缺点,提出了目前存在的问题与挑战,并给出了相应的研究建议,为相关研究人员全面深入理解图像局部特征提取方法并利用深度学习方法对其进行改进提供基础性参考。 相似文献
9.
10.
关于域适应算法的研究显示了对抗性学习填补源域和目标域间差异的有效性,但仍存在其局限性,即仅从2个域抽取的样本不足以保证大部分潜在空间的域不变性.注意到胶囊网络(capsule network,CapsNet)在捕获样本的表征不变性上具有较强的能力,通过结合二者得到了一种新的域适应学习算法.首先,提出了胶囊层卷积算法,并结合残差结构,使得训练更深的胶囊网络成为可能.实验表明,这种新的胶囊网络架构能够在捕获浅层特征时取得更佳的效果.其次,传统的对抗判别域适应算法使用的卷积基容易不加分辨地模糊源域与目标域的界限,进而造成判别效果的下降.因此,在VAE-GAN(variational auto-encoder,generative adversarial networks)的启发下,通过引入重建网络作为强约束,巧妙地利用了胶囊网络可调整为自编码器的特性,使得对抗判别域适应网络能够在卷积基进行迁移时,克服传统对抗判别域适应算法易发生模式崩塌的固有缺陷,保证判别器对源域与目标域内样本共性表征的敏感度.实验表明,该方法可以在不同复杂程度的域适应任务中取得较好的性能,并在关键标准数据集上取得了最先进的成果. 相似文献