基于多重核的稀疏表示分类

稀疏表示分类（SRC）及核方法在模式识别的很多问题中都得到了成功的运用.为了提高其分类精度,提出多重核稀疏表示及其分类（MKSRC）方法.提出一种快速求解稀疏系数的优化迭代方法并给出了其收敛到全局最优解的证明.对于多重核的权重给出了两种自动更新方式并进行了分析与比较.在不同的人脸图像库上的分类实验显示了所提出的多重核稀疏表示分类的优越性.     

基于L1-范数的最大间距准则

在进行线性投影降维时,由于传统的最大间距准则(Maximum Margin Criterion,MMC)算法基于L2-范数,易于受到野值(outliers)及噪声的影响.该文提出一种基于L1-范数的最大间距准则(L1-norm-based MMC,MMC-L1)降维方法,它充分利用L1-范数对野值及噪声的强鲁棒性以及最大间距准则,提出了一种快速迭代优化算法,并给出了其单调收敛到局部最优的证明.在多个图像数据库上的实验验证了该方法的鲁棒性与高效性.     

基于t混合模型和Greedy EM算法的彩色图像分割

为了快速更好地进行彩色图像分割,以图像的颜色、纹理及空间位置作为综合特征,基于t混合模型,提出了一种自适应的图像分割方法,即先采用贪婪的EM(Greedy EM)算法估计混合模型的参数,然后根据贝叶斯最小错误率准则对图像进行分割。由于t混合模型的稳健性和Greedy EM算法对于数据的初始化不敏感,且能收敛到全局最优,因此与其他的方法相比,不仅速度提高,而且能取得更好的分割结果。     

一种非负稀疏近邻表示的多标签学习算法

针对训练数据中的非线性流形结构以及基于稀疏表示的多标签分类中判别信息丢失严重的问题,该文提出一种非负稀疏近邻表示的多标签学习算法。首先找到待测试样本每个标签类上的k-近邻,然后基于LASSO稀疏最小化方法,对待测试样本进行非负稀疏线性重构,得到稀疏的非负重构系数。再根据重构误差计算待测试样本对每个类别的隶属度,最后实现多标签数据分类。实验结果表明所提出的方法比经典的多标签k近邻分类(ML-KNN)和稀疏表示的多标记学习算法(ML-SRC)方法性能更优。     

基于核Fisher判别字典学习的稀疏表示分类

在基于稀疏表示分类的模式识别中,字典学习(DL) 可以为稀疏表示获得更为精简的数据表示。最近的基于Fisher判别的字典学习(FDDL)可以学 习到更加判别的稀疏字典,使得稀疏表示分类具有很强的识别性能。核空间变换可以学习到 非线性结构信息,这对判别分类非常有用。为了充分利用 核空间特性以学习更加判别的稀疏字典来提升最终的识别性能,在FDDL的基础上,提出了两 种核化的稀疏表示DL方法。首先原始训练数据被投影到高维核空间,进行基于Fisher 判别的核稀 疏表示DLFDKDL;其次在稀疏系数上附加核Fisher约束,进行基于核Fisher判别的核稀疏表 示DL(KFDKDL),使得所学习的字典具有更强的判别能力。在多个公开的图像数据库上的稀疏 表示分类实验结果验证了所提出的FDKDL和KFDKDL方法的有效性。     

结构图的谱分解及聚类研究

探索用图谱方法嵌入和聚类非加权图,以图的邻接矩阵主要特征向量来定义邻接矩阵的特征模.对每个特征模,我们计算谱特征向量,包括特征模周界、特征模体积、Cheeger常数、模间邻接矩阵和模间边界距离.用两种对比方法嵌入这些向量到一个模式空间:1)用谱模式特征的协方差矩阵的主成分分析(PCA)和独立分量分析(ICA);2)两类模式向量在L2范数下的多维尺度变换方法(MDS).另外,我们在三维多面体的二维图像中用角点特征来表示邻近图,以描述不同嵌入方法的聚类效果.     

基于深度可分离卷积及SVD输电线路缺陷检测

针对输电线路实时巡检中无人机嵌入式移动端的存储和计算受限问题,在Faster R-CNN目标检测框架及VGG特征提取网络基础上,融合深度可分离卷积及SVD分解,构建了一种轻量级的输电线路缺陷检测方法。在公共的PASCAL VOC 2007与COCO数据集上的实验结果验证了所提方法的优越性。在输电线路缺陷数据集上实验,在保证检测精度不下降的同时降低了模型存储空间,提升了模型的检测速度,实现了检测的实时性。     

基于图谱分解的人脸表情分析

文中探索用人脸的几何结构图谱方法嵌入到模式空间米分析人脸表情，以网的加权邻接矩阵主要特征向量来定望矩阵的特征模。计算潜特征向量-模间邻接矩阵。用两类模式向量在范数下的多维尺度变换方法（MDS）嵌入该向量到一个模式空间，用人脸特征点来表示人脸图，并存模式空间里描述该嵌入方法下的同一人脸的不同表情。     

一种结构受限的异方差线性判别分析

异方差线性判别分析(HLDA)因在语音识别中起到了巨大的特征去相关作用而被广泛利用。然而在训练数据不足或特征维数较高时,HLDA易出现不稳定性和小样本问题。根据特征的矩阵表示形式,提出了一种结构受限的HLDA。首先用二维线性判别分析(2DLDA)压缩矩阵形式的特征,然后作一维的HLDA。通过分析我们指出,二维的特征变换实际上是一种结构受限的一维特征变换。在RM库上的实验,受限HLDA对常规HLDA的词识别错误相对下降12.39%;在TIMIT库上的实验,受限HLDA对常规HLDA的音素识别错误相对下降4.43%。     

基于t混合和SMEM算法的彩色图像分割

采用t混合模型建立图像的颜色,纹理及空间位置特征的联合分布,及改进的分裂—融合EM算法(SMEM)估计混合模型的参数,根据贝叶斯最小错误率准则对图像进行分割。由于t混合模型的稳健性和改进的SMEM算法对于数据的初始化不敏感,能收敛到全局最优,且能自适应的的选择分割的数目,因此该方法能取得更好的分割结果。