基于特征融合的卷积神经网络乳腺癌图像分类

传统乳腺癌图像分类方法需要从医学图像中人工提取特征,不仅需要具备专业医学知识,而且存在耗时费力、提取高质量特征困难等问题.因此,提出了一种基于特征融合的卷积神经网络乳腺癌图像分类方法.首先预训练了两个不同结构的卷积神经网络,然后利用卷积神经网络自动提取特征的特性,将两个结构提取到的特征进行融合,最后利用分类器对融合的特征进行分类;同时,为避免卷积神经网络模型受小样本量限制出现过拟合现象,通过乳腺病变区域提取、区域细化和数据增强等方法对图像进行适当预处理,并通过过采样方法解决了正负样本不平衡的问题.实验结果显示,该方法在乳腺癌图像数据集BCDR-F03上分类AUC达到89%,对乳腺癌图像的分类精度较传统方法有明显提高.     

基于数据挖掘的乳腺X线图像分类研究

研究了基于灰度空域统计特征以及灰度共生矩阵的医学乳腺X线图像的特征提取方法,以及这些特征对于数据挖掘中的两种算法——基于神经网络的算法和基于关联规则挖掘的算法在乳腺肿瘤检查和分类中的作用,结果表明这些特征在两种分类方法中均表现良好,对良性与恶性肿瘤分类的准确率均超过了75%.实验证明所提出的特征提取方法对于神经网络和关联规则的挖掘在乳腺X线图像分类中是有效的.     

面向大规模定制的个性化推荐研究

分析了面向大规模定制的个性化推荐的特征,并给出了基于关联规则挖掘的个性化推荐模型.模型中的关联规则代表了客户特征与产品属性之间的关系,包括基于全部客户定制历史记录的基本规则和基于特定用户的定制历史记录的个性化规则.针对现有关联规则研究应用的关联规则存在知识冗余,规则数量太多的问题,提出最强关联规则的概念并将其应用于大规模定制的个性化推荐.最后,采用著名的个性化推荐数据库MovieLens数据,给出应用实例,验证了本方法的效果.     

彩色图像数据库中目标特征数据挖掘方法

针对由于彩色图像数据特征较多使得目标特征挖掘容易出现不确定性的问题,提出一种新的彩色图像数据库中目标特征数据挖掘方法.采用减法聚类算法对彩色图像数据进行聚类,采用离群点检测技术对聚类数据进行分类处理,采用量子行为粒子群优化方法选取最优目标图像特征数据,并与结构相似度计算方法相结合,实现对最优目标图像特征数据的挖掘.结果证明,该方法相比传统的挖掘方法,其挖掘召回率降低了约17%,挖掘精确度提高了约28.6%.     

基于低尺度词袋模型的图像快速分类方法

提出一种新的框架用于改进传统词袋模型效率较低的问题。该方法建立在通过小波变换获取的低尺度图像表示上,利用在低尺度图像上提取单尺度的SIFT特征,建立低尺度视觉词典。由于大幅度减少了图像初始特征维数,该方法可以快速建立视觉词典,并且有效地降低后续图像分类所花费的时间。通过对Caltech101数据集全部8 677张图像的分类测试显示,该方法可以在保证分类性能的同时,有效地提升基于传统词袋模型的图像分类效率。实验结果表明,该方法可以全面提升金字塔匹配的词袋模型分类性能和分类效率,普遍用于传统词袋模型及其衍生方法。     

运用深度置信网络的态势情报推送方法

为了能够深入挖掘态势情报中的隐藏信息,提高推荐算法的准确率和效率,解决传统推荐方法对用户和情报之间关联不全面的问题,提出基于深度置信网络的态势情报推送方法.该方法首先将用户情报数据进行编码压缩,然后送入深度置信网络进行推荐匹配,并在网络末端引入条件向量对最终输出进行调整.仿真结果表明,本文方法的准确率和召回率指标均优于传统基于内容和协同过滤的推荐方法,对用户与情报之间关联关系的匹配更加准确、全面.     

多特征特定类型图像过滤方法

为有效杜绝互联网上色情图像传播现象,设计和实现了一种多特征特定类型图像过滤方法,即对图像进行肤色和纹理特征检测,提取多个统计特征,采用决策树分类器进行分类.实验结果表明:该方法能够达到90%以上的准确率.     

智能化服装搭配推荐研究进展

针对服装款式的个性化智能搭配推荐,从服装搭配推荐的基础算法、关键技术、个性化发展三个方面综述了该领域的研究进展,分析了提升推荐精准度与个性化程度的方法.通过对服装图像特征进行提取与筛选实现降维,并在传统推荐算法中融入深度学习,是提升系统运算速率和精准度的有效途径,结合低层传统特征与高级语义特征能使图像处理达最优效率;套...     

BOW-HOG特征图像分类

为了减少图像尺寸对提取特征的影响,同时移除特征向量中的冗余信息,将词汇袋模型(BOW)与梯度方向直方图(HOG)特征相结合,提出一种基于BOW-HOG的特征描述子用于图像分类.将图像划分为不同的子区域,对梯度幅值较大的子区域提取HOG特征.用BOW模型对子区域HOG特征编码,构建原始图像上维度一致的特征向量.将特征向量输入训练好的分类器,完成图像分类任务.将BOW-HOG特征描述子在不同的图像分类任务上进行试验,包括图像文本分类、图像场景分类.本实验的文本分类正确率为0.813,场景分类正确率为0.826,优于传统基于HOG特征的方法,表明了基于BOW-HOG特征图像分类方法的可行性、有效性.     

基于多特征融合的SAR图像输电走廊变化检测

传统SAR变化检测使用单一描述来提取多时相SAR图像间的变化信息,没有充分挖掘图像中的多特征信息,导致复杂变化场景下算法检测精度不高.针对这一问题,提出一种基于多种特征融合的SAR图像变化检测方法.该方法首先对多时相SAR图像输电走廊区域进行多种特征提取,并选取合适SAR变化检测的特征,然后在多时相SAR图像中计算每种特征对应的差异图,最后从图像融合的角度分别使用主成分分析法(PCA)和证据推理理论(DST)对这些多特征对应的差异图进行融合并提取最终的变化检测结果.实验结果表明该方法具有较为满意的变化检测效果.     

海量数据干扰下冗余数据高性能消除方法

针对海量数据处理过程中大量相似特征会给数据分类造成冗余干扰,在分类中心确定时出现多次校验、重复等弊端,提出一种海量数据干扰下冗余数据高性能消除方法.采用主动采样方法提取海量数据干扰下冗余数据特征,并对其进行分类.引入均值漂移传递函数对冗余数据进行分类处理,获取冗余数据活跃程度,实现冗余数据的高性能消除.结果表明,相比传统的消除方法,高效消除方法性能良好,所需时间短,具有一定的优越性.     

自适应控制下图像分割及并行挖掘算法

针对海量图像数据中目标的分割及识别问题,提出了一种自适应控制下图像分割及并行挖掘算法.采用隶属度函数窗口宽度在图像直方图控制下自适应调整模糊阈值图像分割方法对图像进行分割,提取出感兴趣的潜在目标区域,基于共轭梯度法改进的BP神经网络算法对潜在的目标区域进行训练和识别,识别算法基于OpenMP并行处理模型开发来提高执行效率.结果表明:本文算法相对于基于偏移场的模糊C均值、灰度波动变换自适应阈值和自适应最小误差阈值具有更高的分割准确率,与传统神经网络算法的识别结果相比,平均识别率提高了8%,运行时间减少了2. 5 s.     

半调图像的分类方法

针对半调模式的特点,提出有监督流形上的半调图像分类方法。该方法采取3个方向像素自相关特征和同或运算来描述纹理特征,利用图像分块的思想获取纹理特征,以利于提高建模效率和纹理特征的有效性。结合有监督学习和噪声样本点对模型、高维样本特征进行线性降维,以改善样本特征的可分性。在实验中分析建模方法的有效性,比较所提出方法与5个同类方法的分类性能并探讨了相关参数对分类性能的影响。实验结果表明,当K=32且L=8时,所提出得方法性能最好,且优于其它5个同类方法。     

图书信息检索中读者兴趣偏好挖掘模型的建立仿真

针对传统挖掘模型对图书信息检索中读者兴趣偏好数据进行挖掘时,存在的挖掘效率低、耗时长等问题,提出基于聚类分析的读者兴趣偏好挖掘模型.采用分类索引分布树法对图书相似度与读者兴趣距离进行计算,通过兴趣因子对兴趣偏好度进行度量,并以此为基础,采用相关反馈模型Rocchio算法对读者兴趣图书检索进行扩展,引入聚类分析法建立图书信息检索中读者兴趣偏好挖掘模型.实验仿真结果表明,采用改进模型时,其挖掘效率、时间及误差均优于传统模型.     

Unsupervised noise-robust feature extraction for aerial image classification

The rich data provided by satellites and unmanned aerial vehicles bring opportunities to directly model aerial image features by extracting their spatial and structural patterns. Although convolutional autoencoders(CAEs) have been attained a remarkable performance in ideal aerial image feature extraction, they are still challenging to extract information from noisy images which are generated from capture and transmission. In this paper, a novel CAE-based noise-robust unsupervised learning method is proposed for extracting high-level features accurately from aerial images and mitigating the effect of noise. Different from conventional CAEs, the proposed method introduces the noise-robust module between the encoder and the decoder. Besides,several pooling layers in CAEs are replaced by convolutional layers with stride=2. The performance of feature extraction is evaluated by the prediction accuracy and the accuracy loss in image classification experiments. A 5-classes aerial optical scene and a 9-classes hyperspectral image(HSI) data set are utilized for optical image and HSI feature extraction, respectively. Highlevel features extracted from aerial images are utilized for image classification by a linear support vector machine(SVM)classifier. Experimental results indicate that the proposed method improves the classification accuracy for noisy images(Gaussian noise 2D σ=0.1, 3D σ=60) in both optical images(2D 87.5%) and HSIs(3D 85.6%) compared with the traditional CAE(2D 78.6%, 3D 84.2%). The accuracy loss in classification experiments increases with the increment of noise. Compared with the traditional CAE(2D 15.7%, 3D 11.8%), the proposed method shows the lower classification accuracy loss in experiments(2D 0.3%, 3D 6.3%). The proposed unsupervised noise-robust feature extraction method attains desirable classification accuracy in ideal input and enhances the feature extraction capability from noisy input.     

基于核映射的无相关鉴别矢量集算法

针对人脸识别这一非线性分类问题,提出了一种基于核的无相关鉴别矢量集算法。应用了支持向量机中核函数的思想,通过核映射将原空间的非线性分类问题转化为特征空间的线性分类问题,然后在特征空间进行无相关鉴别矢量集的求取。其优势在于:利用核函数不但可以将非线性问题转化为线性问题,而且可以提取样本图像的高阶统计特征。在ORL人脸库中的测试结果表明,与传统的全局正交鉴别矢量集算法及传统的无相关鉴别矢量集算法相比,基于核映射的无相关鉴别矢量集算法有更高的识别率,最高识别率可达到99%。     

远程虚拟教育通信中异常数据挖掘技术

针对现有挖掘方法应用到远程虚拟教育通信异常数据挖掘时,其挖掘准确率及应用效率偏低的问题,提出一种基于空间聚类算法(FWSCA)与差分进化法的远程虚拟教育中异常数据挖掘方法.采用信息增益法提取远程虚拟教育通信数据特征,引入WTA规则对在线通信的数据特征进行聚类,在此基础上,采用稀疏分数方法对数据进行区分,采用FWSCA与差分进化法相结合对运程虚拟教育通信异常数据进行挖掘.结果表明,采用该挖掘方法进行异常数据挖掘,挖掘精度相比传统挖掘算法精度高、时间短,具有一定的优势.     

基于多视图分类集成的高铁工况识别

针对传统方法识别高铁工况存在特征提取不完备和识别性能不精确的问题,提出一种多视图分类集成的高铁工况识别方法(MVCE)。该方法结合多视图特征提取和分类集成技术,从信号本身特性、频域和时频域三个角度提取小波能量、频谱系数、聚合经验模态分解模糊熵,并使用Fisher比率对其频域特征进行特征选择,从而构建高铁振动信号三个视图的特征。使用最小二乘支持向量机和K最近邻分类器分别对每个视图的特征进行初步识别。最后采用分类熵投票策略对多个分类器输出结果进行集成。试验结果表明:该方法对仿真数据和实验室数据的平均识别率分别达到89.18%和90.87%。同时对比结果说明了该方法提取特征的完备性和具有多样性集成模型的有效性。