联合核稀疏多元逻辑回归和TV-L1错误剔除的高光谱图像分类算法

稀疏多元逻辑回归（SMLR）是高光谱监督分类中的重要方法,然而仅仅利用光谱信息的SMLR忽略了影像本身的空间特征,在少量监督样本下的分类精度和算法的鲁棒性仍明显不足;虽然通过引入核技巧,核稀疏多元逻辑回归（KSMLR）可以部分克服上述缺点,其分类错误仍然有待进一步降低.本文基于核稀疏多元逻辑回归分类误差的统计建模分析,提出一种联合核稀疏多元逻辑回归和正则化错误剔除的高光谱图像分类模型.提出的模型通过引入隐概率场,采取L1范数度量KSMLR分类误差的重尾特性建立数据保真项;利用全变差（Total Variation,TV）正则化度量隐概率场的局部空间光滑性.由Indian Pines和University of Pavia数据集等实测数据应用表明,该方法可以得到更鲁棒和更高的分类精度.     

基于局部敏感核稀疏表示的视频跟踪

为了解决l1范数约束下的稀疏表示判别信息不足的问题,该文提出基于局部敏感核稀疏表示的视频目标跟踪算法。为了提高目标的线性可分性,首先将候选目标的SIFT特征通过高斯核函数映射到高维核空间,然后在高维核空间中求解局部敏感约束下的核稀疏表示,将核稀疏表示经过多尺度最大值池化得到候选目标的表示,最后将候选目标的表示代入在线的SVMs,选择分类器得分最大的候选目标作为目标的跟踪位置。实验结果表明,由于利用了核稀疏表示下数据的局部性信息,使得算法的鲁棒性得到一定程度的提高。     

一种基于稀疏编码的多核学习图像分类方法

 本文提出一种基于稀疏编码的多核学习图像分类方法.传统稀疏编码方法对图像进行分类时,损失了空间信息,本文采用对图像进行空间金字塔多划分方式为特征加入空间信息限制.在利用非线性SVM方法进行图像分类时,空间金字塔的各层分别形成一个核矩阵,本文使用多核学习方法求解各个核矩阵的权重,通过核矩阵的线性组合来获取能够对整个分类集区分能力最强的核矩阵.实验结果表明了本文所提出图像分类方法的有效性和鲁棒性.对Scene Categories场景数据集可以达到83.10%的分类准确率,这是当前该数据集上能达到的最高分类准确率.     

基于局部空间变稀疏约束的多核学习方法

局部多核学习方法根据样本所在局部空间特性选择特定的核函数组合方式,具有较好的判别能力.本文提出了一种基于局部空间变稀疏约束的多核学习方法,首先依据样本在特征空间的分布情况以软分组的方式将训练数据划分为若干数据子集.以数据子集为单位,根据在相应的局部空间内的核函数相似程度,调整核组合的稀疏程度,使用交替优化的方法进行求解.实验表明本文方法对于区分特征学习和对抗噪声方面具有的优势,因此也使得在图像场景分类问题上的准确率和稳定性得到明显提高.     

基于Gabor多通道加权优化与稀疏表征的人脸识别方法

稀疏表征理论在模式识别中的应用引起广泛的关注。在用稀疏表征方法研究人脸识别问题中,为了使得表征系数矢量具有更为显著的稀疏性,该文提出一种Gabor稀疏表征分类(Gabor Sparse Representation Classification, GSRC)算法,该算法利用Gabor局部特征构造字典,增强算法对外界环境变化的鲁棒性。GSRC算法对所有的Gabor特征等同对待,通过进一步考虑不同Gabor特征对识别的不同贡献,该文提出了一种加权多通道Gabor稀疏表征分类(WMC-GSRC)算法,该算法通过引入Gabor多通道模型,提取不同通道的Gabor特征分别构造字典和稀疏表征分类器,在决策级执行分类器的加权融合得到识别结果。通过在ORL, AR和FERET人脸库上的实验结果验证了该文算法的有效性。     

基于高阶相关的稀疏化和径向基核分类法

非平稳信号处理理论中高阶统计量方法被广泛应用于模式识别以提取稳健特征，但算法本身需要解决计算量大的问题，加上训练样本具有冗余性，因而限制了模式特征提取和分类速度。该文将计算高阶统计量转化为求相关系数，研究高阶相关在样本稀疏化以及基于径向基核的非线性分类方面的应用。首先采用最大匹配系数法确定相关阶数，然后对训练样本稀疏化，最后将高阶相关应用于SVM、KNR两种核非线性分类器进行分类识别，避免了高阶统计量的直接计算，减少了训练和分类时间。对手写数字和8种飞机的仿真数据进行实验，结果表明该方法具有较好的稀疏效果和识别效果。     

基于深度卷积神经网络和多核学习的遥感图像分类方法

为解决传统遥感图像分类方法特征提取过程复杂、特征表现力不强等问题,该文提出一种基于深度卷积神经网络和多核学习的高分辨率遥感图像分类方法。首先基于深度卷积神经网络对遥感图像数据集进行训练,学习得到两个全连接层的输出将作为遥感图像的两种高层特征;然后采用多核学习理论训练适合这两种高层特征的核函数,并将它们映射到高维空间,实现两种高层特征在高维空间的自适应融合;最后在多核融合特征的基础上,设计一种基于多核学习-支持向量机的遥感图像分类器,对遥感图像进行精确分类。实验结果表明,与目前已有的基于深度学习的遥感图像分类方法相比,该算法在分类准确率、误分类率和Kappa系数等性能指标上均有所提升,在实验测试集上3个指标分别达到了96.43%, 3.57%和96.25%,取得了令人满意的结果。     

概率型稀疏核Logistic多元分类机

该文提出一种基于二级先验概率的多元核Logistic分类机,扩展核Logistic回归为多元模型,并解决其解的稀疏性问题,以提升多分类应用时的模型运行速率。为约简模型构建所需计算量,训练过程采用自下向上增补算法,每次迭代采用尽量少的输入样本,规避了大型矩阵逆操作,以适应于不同量度的数据场合。实验显示,所提多元分类机模型构建简单,且识别率与稀疏性都优于经典支持向量机所生成的一对一多分类方法及传统多元核Logistic回归算法。     

基于稀疏表示及光谱信息的高光谱遥感图像分类

该文结合稀疏表示及光谱信息提出了一种新的高光谱遥感图像分类算法。首先提出利用高光谱遥感图像数据集构造学习字典,然后根据学习字典计算每个像元的稀疏系数,从而获得像元的稀疏表示特征,最后根据稀疏表示特征和光谱信息分别构造随机森林,通过投票机制得到最终的分类结果。在AVIRIS高光谱遥感图像上的实验结果表明:该文所提方法能够提高分类效果,且其分类总精度和Kappa系数要高于光谱信息和稀疏表示特征方法。     

基于稀疏约束神经网络的红外弱小目标检测技术

提出一种基于稀疏约束的神经网络模型和完备的矩特征集,用于提高红外弱小目标检测性能。传统的神经网络分类模型往往采用SoftMax, Logistic回归等激活函数,而本文设计更为简单的符号函数作为分类层激活函数,并通过逐步回归的方式实现对参数的求解。同时,为了降低计算复杂度、提高算法性能,目标函数加入了范数约束使得参数具有一致性并使其稀疏化。实验结果显示,所提算法相比传统的方法性能更好,且能够达到实时处理要求。     

基于语音卷积稀疏迁移学习和并行优选的帕金森病分类算法研究

基于语音数据分析的帕金森病(PD)诊断存在样本量小、训练与测试数据分布差异明显的问题。为了解决这些问题,需要从降维和样本扩充两个方面同时进行。因此,该文提出结合加噪加权卷积稀疏迁移学习和样本特征并行优选的PD分类算法。该算法可从源域的公共语音库中学习有利于表达PD语音特征的有效结构信息,同时完成降维和样本间接扩充。样本特征并行优选考虑到了样本和语音特征间的关系,从而有助于获取高质量的特征。首先,对公共语音库进行特征提取构造公共特征库;然后,以公共特征库对PD目标域的训练数据集及测试数据集进行稀疏编码,这里分别采用传统稀疏编码(SC)与卷积稀疏编码(CSC)两种稀疏编码方法;接着,对编码后的语音样本段和特征数据进行同时优选;最后,采用支撑向量机(SVM)进行分类。实验结果表明,该算法针对受试者的分类准确率最高值达到了95.0%,均值达到了86.0%,较相关被比较算法有较大提高。此外,研究还发现,相较于传统稀疏编码方法,卷积稀疏编码更有利于提取PD语音数据的高层特征;同样,迁移学习也有利于提高该算法性能。     

Kernel dictionary learning based discriminant analysis

Sparse representation based classification (SRC) has been successfully applied in many applications. But how to determine appropriate features that can best work with SRC remains an open question. Dictionary learning (DL) has played an import role in the success of sparse representation, while SRC treats the entire training set as a structured dictionary. In addition, as a linear algorithm, SRC cannot handle the data with highly nonlinear distribution. Motivated by these concerns, in this paper, we propose a novel feature learning method (termed kernel dictionary learning based discriminant analysis, KDL-DA). The proposed algorithm aims at learning a projection matrix and a kernel dictionary simultaneously such that in the reduced space the sparse representation of the data can be easily obtained, and the reconstruction residual can be further reduced. Thus, KDL-DA can achieve better performances in the projected space. Extensive experimental results show that our method outperforms many state-of-the-art methods.     

基于多核稀疏编码的三维人体姿态估计

为了准确有效的重构多视角图像中的三维人体姿态,该文提出一种基于多核稀疏编码的人体姿态估计算法.首先,针对连续帧姿态估计的歧义问题,该文设计了一种用于表达多视角图像的HA-SIFT描述子,其中,人体局部拓扑、肢体相对位置及外观信息被同时编码;然后,在多核学习框架下建立同时考虑特征空间内在流形结构与姿态空间几何信息的目标函数,并在希尔伯特空间优化目标函数以更新稀疏编码、过完备字典与多核权值;最后,利用姿态字典原子的线性组合来估计对应未知输入的三维人体姿态.实验结果表明,与核稀疏编码、Laplace稀疏编码及Bayesian稀疏编码相比,文本方法具有更高的估计精度.     

基于核函数的非线性口袋算法

应用满足Mercer条件的核函数设计非线性算法已经成为机器学习领域一项新的非线性技术.核感知器算法利用核思想非线性地推广了线性感知器算法,使其可以处理原始输入空间中的非线性分类问题和高维特征空间中的线性问题.线性口袋算法改进了线性感知器算法,能够直接处理线性不可分问题.为了进一步改进线性口袋算法和核感知器算法,本文提出基于核函数的非线性口袋算法,即核口袋算法,其目标是找到一个使错分样本数最小的非线性判别函数,并证明了其收敛性.核口袋算法的特点是用简单的迭代过程和核函数来实现非线性分类器的设计.基准数据集的实验结果证明核口袋算法的性能优于线性口袋算法和核感知器算法.     

基于支持向量机的极化SAR图像分类

极化合成孔径雷达可以同时得到地面场景在不同极化组合下的雷达图像,极大地丰富了获取的地物目标信息量。针对极化SAR图像特征提取和目标分类的困难,由4种基本极化组成样本向量,运用基于统计学习理论的支持向量机以及不同的核函数设计分类器,提出了一种新的极化SAR图像分类算法,并对实测极化SAR数据进行分类实验。结果表明,将支持向量机分类器应用于极化SAR图像分类中是可行和有效的,并且通过选择适当的惩罚系数,可以进一步提高分类效果。     

利用稀疏堆栈自编码器实现调制样式识别算法

针对传统调制样式识别方法性能受预先依靠经验设计的特征参数影响大问题,提出一种基于稀疏堆栈自编码器的数字调制样式识别算法。首先根据网络输入数据形式要求,为了利用信号幅度和相位所包含的调制样式信息,提出一种将复数信号预处理为网络可接受的实数形式的信号预处理方法。在网络训练阶段,先通过逐层训练得到每层稀疏自编码网络的初始化参数,再通过有监督算法对分类层训练,最后利用有监督算法进行整体优化。采用 作为分类层完成数字调制样式识别。7种数字调制样式识别的仿真实验表明了本文算法的有效性,相比于其他算法,本文算法在低信噪比时正确识别率较高,识别性能不受人为因素的影响。      

雷达海上目标双通道卷积神经网络特征融合智能检测方法

受复杂海洋环境影响,基于统计理论的海面目标检测方法由于假设条件不成立,在实际应用中难以实现高性能检测,本文从特征提取分类角度,通过深度学习分类方法对目标和杂波的雷达回波信号进行二元分类,提出了一种基于双通道卷积神经网络(DCCNN)的雷达海上目标智能检测方法。首先,对实测海杂波和目标雷达信号进行预处理,得到信号的时间-多普勒谱和幅度信息;然后,构建DCCNN对预处理得到的数据进行智能特征提取,得到信号的特征向量,并对不同特征提取模型性能进行测试;最后,通过阈值可设的Softmax分类器作为检测器对特征向量进行分类,实现虚警率的控制。测试结果表明:与传统的单通道CNN以及无虚警控制Hog-SVM分类算法相比,基于二维卷积核VGG16和一维卷积核LeNet的DCCNN特征提取模型和softmax分类器可实现更高的检测性能,并可以实现虚警率控制,为复杂海杂波背景下目标智能检测提供了新的技术途径。     

Kernel collaboration representation-based manifold regularized model for unconstrained face recognition

Most recent researches have demonstrated the effectiveness of using kernel function into sparse representation and collaborative representation, which can overcome the problem of ignoring the nonlinear relationship of samples in face recognition and other classification problems. Considering the fact that space structure information (i.e., manifold structure or spatial consistence) can help a lot in robust sparse coding by nonlinear kernel metrics. In our paper, we present a kernel collaborative representation-based manifold regularized method, where we apply kernel collaborative representation with \({{\ell }_{2}}\)-regularization-based classifier and add spatial similarity structure to collaborative representation for benefiting classification accuracy. Meanwhile, the local binary patterns feature is used to increase discrimination of classifier and reduce the sensitivity to unconstrained case (i.e., occlusion or noise). So our method is a joint model of linear and nonlinear, local feature and distance metrics, kernel subspace structure and manifold structure. Experiments show that the proposed method outperforms several similar state-of-the-art methods in terms of accuracy and time cost.