基于双阶段元学习的小样本中医舌色域自适应分类方法

舌色是中医(TCM)望诊最关注的诊察特征之一。在实际应用中,通过一台设备采集到的舌象数据训练得到的舌色分类模型应用于另一台设备时,由于舌象数据分布特性不一致,分类性能往往急剧下降。为此,该文提出一种基于双阶段元学习的小样本中医舌色域自适应分类方法。首先,设计了一种双阶段元学习训练策略,从源域有标注样本中提取域不变特征,并利用目标域的少量有标注数据对网络模型进行微调,使得模型可以快速适应目标域的新样本特性,提高舌色分类模型的泛化能力并克服过拟合。接下来,提出了一种渐进高质量伪标签生成方法,利用训练好的模型对目标域的未标注样本进行预测,从中挑选出置信度高的预测结果作为伪标签,逐步生成高质量的伪标签。最后,利用这些高质量的伪标签,结合目标域的有标注数据对模型进行训练,得到舌色分类模型。考虑到伪标签中含有噪声问题,采用了对比正则化函数,可以有效抑制噪声样本在训练过程中产生的负面影响,提升目标域舌色分类准确率。在两个自建中医舌色分类数据集上的实验结果表明,在目标域仅提供20张有标注样本的情况下,舌色分类准确率达到了91.3%,与目标域有监督的分类性能仅差2.05%。     

基于颜色聚类识别苔色的三重注意力网络

本文提出一种基于颜色聚类的三重注意力分类网络识别苔色的方法,这种方法不仅可以量化苔色类型,同时可以在不需要额外人工标注的前提下准确定位舌苔的分布位置,更符合中医舌诊的要求。通过实验发现我们的方法更容易收敛且具有更高的准确率,同时我们的方法也适用于舌色识别。     

中医舌像分析仪

北京工业大学信号与信息处理研究室与北京市中医院合作开发的中医舌像分析仪已在北京市中医院投入使用 ,并在临床应用中得到了专家及用户的好评 .其中部分关键技术已申请国家专利 .中医舌像分析仪是一种无创、定量和客观的中医舌像智能分析仪器 ,为中医的临床诊断、教学和研究服务 .它能够采集、察看、存储数字化彩色舌图像 ,实现彩色舌图像的真实重现 ,并具有自动分析常见舌像特征 (舌色、苔色、苔厚、湿度、裂纹等 )的功能 .中医舌像分析仪可以有效地提高舌诊的准确度、客观性和工作效率 .中医舌像分析仪在标准化的采集环境下 ,采集舌图像…     

基于语义筛选的ALBERT-TextCNN中医文本多标签分类研究

针对中医领域中的大量未标注文本,以及传统多标签分类模型提取的文本语义信息不够完整等问题,提出一种用于中医文本的多标签分类模型语义筛选ALBERT-TextCNN。首先进行特定领域任务自训练,将哮喘领域内属于多标签分类任务但未标注文本输入ALBERT进行预训练任务;其次ALBERT多层的Transform对已标注数据分别进行动态向量化表示,基于语义筛选选取最佳编码层生成的高效文本向量;最后引入TextCNN建立多标签分类器,提取文本向量不同层次的语义信息特征。在中医数据集上验证方法的有效性,实验结果表明,该模型的多标签分类精度有所提高,更适用于中医文本的分类预测。     

基于不准确图像数据清洗的分类方法研究

在使用图像数据集训练神经网络分类模型时,需要大量标注准确的图像数据集,但实际应用中的图像数据集经常含有大量标注错误的图像,标注错误的图像不利于训练准确的神经网络分类模型。然而,标注准确的数据集制作需要消耗大量的时间和人力成本。因此,本文提出了一种基于不准确图像数据清洗的分类框架。在猫狗自然图像上的实验结果表明,具有清洗环节的分类模型的分类准确率得到提升,损失函数的损失值下降。在探讨数据集中含有标签错误图像的比例与分类准确率之间的关系中发现,较深层次的神经网络对数据集中错误图像有一定的鲁棒性,但在图像数据集中标签噪音图像的比例较高时,清洗环节的引入使得较浅的神经网络分类模型也能达到与较深层次的神经网络分类模型相当的分类效果,而较浅神经网络分类模型的运算速度更快。本文为构建快速和准确的分类模型提供了一种新思路。      

一种基于可信度估计单元的图像分类噪声抑制深度学习策略

近年来，深度学习越来越关注噪声抑制的研究.本文提出了一种噪声抑制深度学习策略，该策略通过构建噪声无感网络（Noise Unaware Network，NUN）和可信度估计单元（Reliability Estimation Gate，REG）来处理训练数据含有噪声的情况.通过对每个样本的可信度进行评估，调节其在训练时的权重，从而降低标签噪声对网络训练的影响.随着模型的迭代更新，标签可信数据的权重将会逐渐变大，而噪声数据的权重将会被抑制.本文通过在多个标注数据集上的实验验证了所提出的噪声抑制深度学习策略的有效性.     

一种基于Tri-training的众包标记噪声纠正算法

在众包学习中,使用标记集成算法得到的集成标记中仍然存在一定程度的标记噪声.本文受三重训练思想的启发,提出了一种基于tri-training的众包标记噪声纠正算法(Tri-Training-based Label Noise Correction,TTLNC).TTLNC首先使用过滤器获得干净集和噪声集,然后在干净集上进行bagging分别训练三个不同的分类器,并通过这些分类器重新标注噪声集中的实例,同时按照实例分配策略将实例分配给相应的训练集.最后在新训练集上重新训练三个不同的分类器,并用新分类器的分类结果重新标注所有实例.在仿真标准数据和真实众包数据集上的实验结果表明TTLNC比其他四种最先进的噪声纠正算法在噪声比和模型质量两个度量指标上表现更优.     

基于孟塞尔颜色系统的舌色标准化研究

针对目前舌诊研究在舌色的认识、判断和研究上没有统一的标准,提出用国际上比较流行的孟塞尔颜色系统对舌色进行标定以达到舌色的标准化.根据对已有的孟塞尔颜色转换研究,本文结合MySQL数据库改进了查找法,并给出了详细的转换过程,通过实验验证了该方法在舌色标定上有较高的精度,在此基础上设计了舌色标定系统软件,对舌色的标准化研究具有重要的意义.     

基于堆叠降噪自编码器的情感分类及其并行化研究

基于深度学习的特征抽取是目前数据降维问题研究的热点,堆叠自编码器是一种较为常用的模型.然而堆叠自编码器模型仅简单学习样本特征,无法对混有噪声的数据进行出色的特征表达.面向微博情感分类,使用堆叠降噪自编码器进行特征抽取,解决样本数据含有噪声的特征抽取问题.同时为解决模型训练时间开销较大的问题,通过基于分布式内存的并行计算方法,提升堆叠降噪自编码器的训练效率.通过使用COAE评测数据集进行情感分类实验,分类准确率和召回率都有所提高.     

基于主动学习的图像分类技术：现状与未来

图像分类作为计算机视觉领域中的重要研究方向之一，应用领域非常广泛.基于深度学习的图像分类技术取得的成功，依赖大量的已标注数据，然而数据的标注成本往往是昂贵的.主动学习作为一种机器学习方法，旨在以尽可能少的高质量标注数据达到期望的模型性能，缓解监督学习任务中存在的标注成本高、标注信息难以大量获取的问题.主动学习图像分类算法根据样本选择策略，从未标记样本数据集合中选择出信息量丰富，对分类模型训练贡献更高的样本进行标注，以更新已标注训练数据池，如此循环直至满足给定的停止条件或模型标注预算耗尽.本文对近年来提出的主动学习图像分类算法进行了详细综述，并根据所用样本数据处理及模型优化方案，将现有算法分为三类：基于数据增强的算法，包括利用图像增广来扩充训练数据，或者根据图像特征插值后的差异性来选择高质量的训练数据；基于数据分布信息的算法，根据数据分布的特点来优化样本选择策略；优化模型预测的算法，包括优化获取和利用深度模型预测信息的方法、基于生成对抗网络和强化学习来优化预测模型的结构，以及基于Transformer结构提升模型预测性能，以确保模型预测结果的可靠性.此外，本文还对各类主动学习图像分类算法...     

Color impulsive noise removal based on quaternion representation and directional vector order-statistics

A new method for detecting and suppressing impulsive noise in color images is presented in this paper. The proposed method is a type of switching vector filters, where the impulse detection is based on the order-statistic information about the color samples in the horizontal, vertical, and diagonal directions. The new solution first uses quaternion-based representation of color differences and median deviation-based techniques to search for the edge direction with the maximum number of similar pixels, and then utilizes the samples aligning with this edge direction to judge whether the current pixel is noisy or not and control the switching between identity (no filtering) and vector median filtering actions. Extensive experimental comparisons exhibit the validity of the proposed approach by showing significant performance improvements over other well-known color image filtering techniques.     

MTNet: Mutual tri-training network for unsupervised domain adaptation on person re-identification

The existing unsupervised domain adaptation (UDA) methods on person re-identification (re-ID) often employ clustering to assign pseudo labels for unlabeled target domain samples. However, it is difficult to give accurate pseudo labels to unlabeled samples in the clustering process. To solve this problem, we propose a novel mutual tri-training network, termed MTNet, for UDA person re-ID. The MTNet method can avoid noisy labels and enhance the complementarity of multiple branches by collaboratively training the three different branch networks. Specifically, the high-confidence pseudo labels are used to update each network branch according to the joint decisions of the other two branches. Moreover, inspired by self-paced learning, we employ a sample filtering scheme to feed unlabeled samples into the network from easy to hard, so as to avoid trapping in the local optimal solution. Extensive experiments show that the proposed method can achieve competitive performance compared with the state-of-the-art person re-ID methods.     

Local pixel statistics based impulse detection and hybrid color filtering for restoration of digital color images

This paper presents a two stage filtering system to remove random valued impulse noise from color images based on local statistics of the filtering window under consideration. In the first stage, to detect the noisy pixel, the locally adaptive threshold is derived from the pixels of the filtering window. In the second stage, the restoration of the noisy pixel is done on the basis of brightness and chromaticity information obtained from the neighbouring pixels in the filtering window. Simulation results show that the proposed scheme yields much superior performance in comparison with other color image filtering methods.     

基于噪声估计和双加权的彩色图像矢量中值滤波

针对彩色图像椒盐噪声滤除中保护色彩和细节这个关键问题,提出了一种基于噪声估计和双加权的滤波新算法.噪声估计采用二级估计策略,第1级基于灰度最大、最小值进行粗估计,第2级采用加权方向算子进行精估计.对非噪声点保持像素灰度不变,对噪声点设计了空间和灰度双加权的矢量中值滤波算法(VMF).实验结果表明,新算法对低、中密度的彩...     

Monochromatic-Based Method for Impulse Noise Detection and Suppression in Color Images

A new method to detect and reduce the impulse noise in color images is presented in this paper. The method consists of two stages: detection and filtering. Since each of the individual channels (components) of the color image can be considered as a monochrome image, both stages are applied to each channel separately, and then the individual results are combined into one output image. The corrupted pixels are detected in the first stage based on a proposed innovative switching technique. The noise-free pixels are copied to their corresponding locations in the output image. In the second stage, average filtering is applied only to those pixels which are determined to be noisy in the first stage, and only noise-free pixel values are involved in calculating this average. The size of the sliding window depends on the estimated noise density and is very small even for high noise densities. The proposed method is effective in noise reduction while preserving edge details and color chromaticity. Simulation results show that the proposed method outperforms all the tested existing state-of-the-art methods used in digital color image restoration in both standard objective measurements and perceived image quality.     

基于边缘检测与双边滤波的彩色图像去噪

 针对彩色图像双边滤波去噪方法存在的不足,本文提出一种边缘检测与双边滤波相结合的彩色图像去噪方法.首先利用细胞神经网络(CNN)模型导出一种新的彩色图像分块自适应边缘检测算法,继承了CNN灰度边缘检测算法定位准确的优点,又弥补了CNN现有算法不能直接处理彩色图像的空白.接下来提出一种针对图像增强的边缘滤波算法,通过两级边缘检测满足去噪不同阶段对边缘检测的不同要求.在此基础上,用改进的双边滤波器对彩色图像进行去噪,通过非抗噪边缘图对噪声范围进行定位,以缩小双边滤波的范围,减少去噪过程带来的图像模糊,并且对双边滤波加权平均方式进行改进,减小噪声点本身的权重,降低高频噪声的影响.最后根据滤波后的去噪边缘图对彩色图像进行增强.实验结果表明,文中方法在有效去除噪声的同时保护和增强了图像中的边缘.     

基于人眼视觉特性的混合滤波算法

为了有效地滤除混合噪声,本文提出了一种基于人眼视觉特性的混合滤波算法。该方法首先采用基于人眼视觉特性的噪声敏感系数作为阈值来确定脉冲噪声点,对检测出脉冲噪声点采用自适应窗口大小的迭代中值滤波进行滤波,而对于含有高斯噪声的像素点则采用一种保护细节的改进的自适应模糊滤波器进行处理。该算法与标准滤波方法及其它改进混合滤波算法相比,具有更好的滤波性能。     

Sparsity adaptive matching pursuit for face recognition

Sparse representation methods have exhibited promising performance for pattern recognition. However, these methods largely rely on the data sparsity available in advance and are usually sensitive to noise in the training samples. To solve these problems, this paper presents sparsity adaptive matching pursuit based sparse representation for face recognition (SAMPSR). This method adaptively explores the valid training samples that exactly represent the test via iterative updating. Next, the test samples are reconstructed via the valid training samples, and classification is performed subsequently. The two-phase strategy helps to improve the discriminating power of class probability distribution, and thus alleviates effect of the noise from the training samples to some extent and correctly performs classification. In addition, the method solves the sparse coefficient by comparing the residual between the test sample and the reconstructed sample instead of using the sparsity. A large number of experiments show that our method achieves promising performance.     

基于多目标联合优化的语音增强方法研究

语音增强旨在从受噪声干扰的语音中提取目标语音,目前基于神经网络的语音增强方法在提升语音质量和可懂度方面已被证明是有效的。通过多目标联合优化,利用不同特征之间的互补性,可以提升基于神经网络的语音增强方法的性能。然而,这类多目标学习的语音增强方法在网络优化过程中,通常分别对单个输出目标进行损失函数的计算,多目标之间是并行的,并没有充分利用多目标之间可能存在的关联。为了在网络训练过程中增加输出目标间的关联,本文利用长短时记忆网络构建一种双输出系统框架,设计一种多目标损失函数计算策略用于网络训练。该框架估计出目标语音和噪声,基于此得到估计的带噪语音,然后对这三部分进行联合优化。实验结果表明,所提方法可以提高网络对噪声抑制能力,通过该策略可以获得质量更高,噪声残留更少的增强语音。      

一种具有隐蔽色特征物体的图像分类方法研究

针对图像中某几类物体具有相似颜色特征而导致的分类困难问题,本文提出了一种具有隐蔽色特征物体的图像分类方法.该方法针对可见光图像中具有颜色隐蔽性物体而难以区分的问题,通过将二维图像的邻域像素空间特征与高光谱图像的谱段特征相结合并使用改进的局部线性嵌入降维算法实现了空谱联合的特征降维,最终利用主动学习胶囊网络训练高光谱数据...