基于自组织映射的流形学习与可视化

针对自组织映射(SOM)在学习和可视化高维数据内在的低维流形结构时容易产生“拓扑缺陷”的这一问题,提出了一种新的流形学习算法--动态自组织映射(DSOM)。该算法按照数据的邻域结构逐步扩展训练数据集合,对网络进行渐进训练,以避免局部极值,克服“拓扑缺陷”问题;同时,网络规模也随之动态扩展,以降低算法的时间复杂度。实验表明,该算法能更加真实地学习和可视化高维数据内在的低维流形结构;此外,与传统的流形学习算法相比,该算法对邻域大小和噪声也更加鲁棒。所提算法的网络规模和训练数据集合都将按照数据内在的邻域结构进行同步扩展,从而能更加简洁并真实地学习和可视化高维数据内在的低维流形结构。     

一种局部化的线性流形自组织映射

提出一种局部化的线性流形自组织映射方法, 可自主学习高维向量空间中的一组有序的低维线性流形. 与现有的基于Kohonen的自适应子空间自组织映射网络(Adaptive-subspace self-organizing map, ASSOM)方法相比较, 本文方法有效地克服了流形表达中出现的数据混淆现象, 网络中各神经元渐近学习各自区域内样本数据的平均向量和主元子空间, 数据表达更加清晰可辨. 实验中, 新方法对数据簇的分类准确率明显优于参与对比的其他三种方法, 其对手写体数字识别的准确率在MNIST训练集和测试集上分别达到了98.26\%和97.46\%.     

基于高斯神经元的自组织映射网络研究

自组织映射网络（Self-organizing map network,SOM）是一种经典的无监督学习方法,具有自组织和联机学习功能。由于其简明与实用等特点,不断涌现出SOM变体以适应各类问题。然而,这些工作基本都采纳了确定性神经元建立网络,忽略了数据本身隐含的不确定性信息,导致这些模型的结果缺乏由置信度反映的可解释性,意味着SOM神经元的不确定性刻画能力不足。本文提出了一种高斯神经元SOM网络（Ganssian neuron som network, GNSOM）,其神经元节点不再是确定性的,而是建模为高斯分布的高斯神经元,为SOM配备了不确定性功能用于表述数据的不确定性。在实现时,将输入数据同样高斯化,并用Jensen-Shannon（JS）散度代替SOM学习中的欧氏距离作为GNSOM学习中的相似性匹配度量,由此获得了不确定性表示。实验结果表明,GNSOM具有更好的训练效果,并能通过神经元节点的协方差矩阵反映数据的不确定性。由于这种对神经元的高斯化独立于SOM本身,因此能拓展应用于其他神经元模型。     

基于区间自组织映射的α阶逆系统控制研究*

为了提高α阶逆系统在控制中的鲁棒性,提出了区间自组织映射模型。根据定义的损失函数,利用梯度下降法得到新的模型竞争学习算法,并证明了该竞争算法的收敛性。利用区间自组织映射良好的逼近性能辨识非线性系统的α阶逆系统,并将其串联在原系统之前得到复合伪线性系统。仿真结果表明,该逆系统有较高的精度,逆控制器有良好的跟踪效果和较强的鲁棒性。     

应用自组织特征映射神经网络技术实现分布式入侵检测

文中描述了一种应用自组织特征映射神经网络技术构建的分布式入侵检测系统模型，介绍了自组织特征映射神经网络的学习算法、训练过程以及在线检测流程，具有良好的自组织、自适应的能力，为网络安全运行提供了一种入侵检测手段。     

基于等距映射的监督多流形学习算法

目前的监督多流形学习算法大多数都根据数据的类别标记对彼此间的距离进行调整,能较好实现多流形的分类,但难以成功展现各流形的内在几何结构,泛化能力也较差,因此文中提出一种基于等距映射的监督多流形学习算法.该算法采用适合于多流形的最短路径算法,得到在多流形下依然能正确逼近相应测地距离的最短路径距离,并采用Sammon映射以更好地保持短距离,最终可成功展现各流形的内在几何结构.此外,该算法根据邻近局部切空间的相似性可准确判定新数据点所在的流形,从而具有较强的泛化能力.该算法的有效性可通过实验结果得以证实.     

自组织映射神经网络在入侵检测中的应用

提出了一种基于SOM神经网络的入侵检测方法。该方法采用有标签的数据训练SOM神经网络,然后根据训练的结果标记正常数据和异常数据聚类的神经元。检测时则根据被检测数据的最佳匹配神经元的标签判断攻击是否发生。为验证检测的有效性,采用KDD cup99的训练集与测试集,将基于SOM的检测方法与基于SVM的检测方法的检测效果做了对比。实验结果表明：基于SOM的入侵检测方法具有检测率高、训练时间短和通用性强等特点。     

自组织映射（S0M）型神经网络的实现

文章讨论了应用于自组织映射型神经网络的训练算法，该算法通过计算获胜神经元来找到最接近输入模式的节点．然后通过对网络连接权值的自组织，训练一个自组织竞争的神经网络，该网络通过一组输入数据可自行训练形成一个神经网络模型，     

基于封闭先验的图像显著度检测

颜色对比度是图像关注区域检测的重要线索,准确地提取反映图像不同颜色特征的区域,非常有助于计算各个区域的对比度.为了得到有效的对比图,首先利用封闭先验通过检测位平面中的连通性来提取具有不同颜色特征的封闭区域.其次,利用背景先验消除与图像边界连通的封闭区域并得到封闭区域掩膜.然后利用对比度先验与封闭先验,提出某区域在各个位平面中表现为封闭的次数越多越有可能是关注区域的假设,并通过封闭区域掩膜的叠加计算各个封闭区域的对比度.同时,结合人眼对小面积的封闭区域与封闭轮廓的感知特性,以及对关注区域视觉资源的分配特性,在获取对比度图的关键环节采取形态学滤波和高斯模糊,最终实现面向凝视点估计的图像显著度检测.与多种经典的检测模型相比,提出的方法取得了较好的性能.     

基于自组织映射的区域高斯模型的动目标检测

对于固定场景中的复杂背景图像序列的运动目标检测问题,采用单高斯模型和区域高斯模型的级联式检测方法,并在区域高斯模型的更新过程中引入了自组织映射的“竞争、合作”机制,提出一种基于自组织映射的区域高斯模型算法。该算法不仅能够在水波纹和树叶晃动等复杂背景环境中检测运动目标,并且能够保证检测运动目标的相似性。使用PETS2002和Water Surface复杂背景图像序列的仿真结果验证了算法的有效性。     

基于多图流形排序的图像显著性检测

针对现有图像显著性检测算法中显著目标检测不完整和显著目标内部不均匀的问题,本文提出了一种基于多图流形排序的图像显著性检测算法.该算法以超像素为节点构造KNN图（K nearest neighbor graph）模型和K正则图（K regular graph）模型,分别在两种图模型上利用流形排序算法计算超像素节点的显著性值,并将每个图模型中超像素节点的显著值加权融合得到最终的显著图.在公开的MSRA-10K、SED2和ECSSD三个数据集上,将本文提出的算法与当前流行的14种算法进行对比,实验结果显示本文算法能够完整地检测出显著目标,并且显著目标内部均匀光滑.     

基于改进显著图的高效裂纹检测算法

裂纹检测对于确保设施和设备的安全运行非常重要。然而现有的裂纹检测方法数据标注困难,且训练时间长,检测速度慢。针对这些问题,提出一种基于改进显著图的裂纹检测算法,应用卷积神经网络提取的特征计算出图像中裂纹的位置,从而实现裂纹检测。该算法解决了裂纹检测算法数据标注困难的问题;训练时间短,使用两块k80显卡训练时间仅为23 min;检测速度快,具有105 帧/s的检测速度;同时在自制数据集上达到了52%的平均精度,验证了该算法的有效性。     

基于显著图的弱监督实时目标检测

深度卷积神经网络(Deep convolutional neural network, DCNN)在目标检测任务上使用目标的全标注来训练网络参数, 其检测准确率也得到了大幅度的提升. 然而, 获取目标的边界框(Bounding-box)标注是一项耗时且代价高的工作. 此外, 目标检测的实时性是制约其实用性的另一个重要问题. 为了克服这两个问题, 本文提出一种基于图像级标注的弱监督实时目标检测方法. 该方法分为三个子模块: 1)首先应用分类网络和反向传递过程生成类别显著图, 该显著图提供了目标在图像中的位置信息; 2)根据类别显著图生成目标的伪标注(Pseudo-bounding-box); 3)最后将伪标注看作真实标注并优化实时目标检测网络的参数. 不同于其他弱监督目标检测方法, 本文方法无需目标候选集合获取过程, 并且对于测试图像仅通过网络的前向传递过程就可以获取检测结果, 因此极大地加快了检测的速率(实时性). 此外, 该方法简单易用; 针对未知类别的目标检测, 只需要训练目标类别的分类网络和检测网络. 因此本框架具有较强的泛化能力, 为解决弱监督实时检测问题提供了新的研究思路. 在PASCAL VOC 2007数据集上的实验表明: 1)本文方法在检测的准确率上取得了较好的提升; 2)实现了弱监督条件下的实时检测.     

基于融合显著图和高效子窗口搜索的红外目标分割

为了快速精确地分割红外图像目标,提出一种基于融合显著图和高效子窗口搜索的红外目标分割方法.在获取图像超像素的基础上,提取每个区域增强的Sigma特征,并考虑邻域对比度、背景对比度、空间距离和区域大小的影响,构建局部显著图,接着利用全局核密度估计构建全局显著图,然后融合局部和全局显著图实现图像显著性检测,最后应用高效子窗口搜索方法检测和筛选目标,实现红外目标分割.实验结果表明,新方法的显著图结果目标区域一致高亮且边缘清晰,背景杂波抑制效果好,可实现快速精确的目标分割.     

Speeding up the Self-Organizing Feature Map Using Dynamic Subset Selection

An active learning algorithm is devised for training Self-Organizing Feature Maps on large data sets. Active learning algorithms recognize that not all exemplars are created equal. Thus, the concepts of exemplar age and difficulty are used to filter the original data set such that training epochs are only conducted over a small subset of the original data set. The ensuing Hierarchical Dynamic Subset Selection algorithm introduces definitions for exemplar difficulty suitable to an unsupervised learning context and therefore appropriate Self-organizing map (SOM) stopping criteria. The algorithm is benchmarked on several real world data sets with training set exemplar counts in the region of 30–500 thousand. Cluster accuracy is demonstrated to be at least as good as that from the original SOM algorithm while requiring a fraction of the computational overhead.     

采用跳层卷积神经网络的RGB-D图像显著性检测

RGB-D图像显著性检测旨在提取三维图像中的显著目标.为解决当前显著性检测算法难以检测出光线干扰场景内的目标和低对比度的目标等问题,提出了基于跳层卷积神经网络的RGB-D图像显著性检测方法.利用VGG网络分离出RGB图像和深度图像的浅层与深层特征,而后进行特征提取;以跳层结构为基础连接提取到的特征,实现融合深度、颜色、...     

视频显著性检测研究进展

视频显著性检测是计算机视觉领域的一个热点研究方向,其目的在于通过联合空间和时间信息实现视频序列中与运动相关的显著性目标的连续提取.由于视频序列中目标运动模式多样、场景复杂以及存在相机运动等,使得视频显著性检测极具挑战性.本文将对现有的视频显著性检测方法进行梳理,介绍相关实验数据集,并通过实验比较分析现有方法的性能.首先,本文介绍了基于底层线索的视频显著性检测方法,主要包括基于变换分析的方法、基于稀疏表示的方法、基于信息论的方法、基于视觉先验的方法和其他方法五类.然后,对基于学习的视频显著性检测方法进行了总结,主要包括传统学习方法和深度学习方法,并着重对后一类方法进行了介绍.随后,介绍了常用的视频显著性检测数据集,给出了四种算法性能评价指标,并在不同数据集上对最新的几种算法进行了定性和定量的比较分析.最后,对视频显著性检测的关键问题进行了总结,并对未来的发展趋势进行了展望.     

结合双流特征融合及对抗学习的图像显著性检测

为实现图像显著区域或目标的低级特征与语义信息有意义的结合,以获取结构更完整、边界更清晰的显著性检测结果,提出一种结合双流特征融合及对抗学习的彩色图像显著性检测(SaTSAL)算法.首先,以VGG-16和Res2Net-50为双流异构主干网络,实现自底向上、不同级别的特征提取;之后,分别针对每个流结构,将相同级别的特征图...     

基于频域多尺度分析的显著性检测

针对现有显著性检测方法得到的显著区域不完整以及缺乏生物学依据的不足,提出一种基于频域多尺度分析的图像显著性检测方法.首先利用小波变换将输入图像的离散余弦变换(DCT)系数的幅度谱进行多尺度分解,计算得到多尺度下的空间域视觉显著图,然后依据显著性评价函数选出较优显著图,最后以自适应权重合成输入场景的视觉显著图.对不同类型数据集进行实验,包括心理物理学模板数据集、人眼注视轨迹数据集及显著目标分割数据集(包括ASD和ECSSD数据集),该方法对于多类型数据集在P-R曲线、ROC曲线及AUC指标等客观评价标准上均取得较高精确度,且在计算速度统计中计算较快,表明该方法优于其他经典的显著性检测方法.