基于Gabor小波变换的汉字识别方法

基于Gabor滤波器时频局域性和方向选择性对应在汉字图像上即是对笔划宽度和方向的选择这一认识,考虑到笔划宽度多峰值、笔划是方向的特点,利用二维Gabor小波的多分辨率特性,对汉字图像进行了多尺度多方向分析,提取多个子平面的滤波器输出系数作为统计特征,实现了字符图像的高性能识别,为开展低质量、低分辨率的汉字字符图像识别研究提供了新方法。实验结果表明,用这种方法识别低分辨率的字符图像,效果优于其他方法。     

伪特权信息和SVM+

针对只有部分训练样本拥有特权信息的特权学习,提出了伪特权信息及相应的SVM+．一方面,对于无特权信息的样本额外构造伪特权信息,使得这部分样本的松弛变量可在修正空间中预测,从而有效地提高了模型泛化能力．可用信息和随机特征都是有效的伪特权信息．另一方面,将真正特权信息用伪特权信息取代,使得全部训练样本的松弛变量都在惟一的修正空间中预测．在实践中发现,至少对于某些真正的特权信息和二分类问题来说,使用一个修正空间可获得更优的泛化能力．在手写数字和人脸表情识别问题上进行的实验结果显示,采用伪特权信息的SVM+具备一定的优势．     

预训练模型辅助的后门样本自过滤防御方法

深度神经网络由于其出色的性能,被广泛地部署在各种环境下执行不同的任务,与此同时它的安全性变得越来越重要。近年来,后门攻击作为一种新型的攻击方式,对用户构成严重威胁。在训练阶段,攻击者对少量样本添加特定后门模式并标记为目标类以学习后门模型。后门模型可以以很高的概率将加入后门模式的测试样本识别为目标类,同时不影响正常样本的识别。用户通常无法掌握后门的先验信息,因此很难察觉后门攻击的存在。该文提出一种预训练模型辅助的后门样本自过滤方法,以防御后门攻击,包括目标类检测与后门样本自过滤两个部分。在第一部分,利用预训练模型提取样本特征,采用k近邻算法进行目标类检测;在第二部分,从非目标类样本中学习部分分类模型,之后多次执行“后门样本过滤”与“模型学习”的交替计算,在较好过滤后门样本的同时,也得到了完整的良性模型。     

基于梯度归一化的模糊梯度特征提取方法

提出一种应用于手写字符识别的基于梯度归一化模糊梯度特征提取方法.首先计算原图像的梯度;然后基于一定的归一化函数,得到归一化梯度;最后,基于归一化梯度,构建模糊梯度特征向量.针对归一化函数,提出了分段线性归一化函数,它能够有效减小类内样本分散度,同时具有计算简单高效的优点.针对梯度特征向量构建方法,提出了模糊梯度特征,改进了普通梯度特征向量的构建方法,提高了梯度特征吸收手写字符形变的能力.     

手写字符识别的非线性主动判别函数

提出了用于手写字符识别的非线性主动判别函数,是线性主动判别函数在手写字符非线性变化情况下的推广。该方法利用Kernel PCA分析捕捉和表示这种非线性变化。将输入空间非线性映射为特征空间,在特征空间的主子空间中生成最优主动原型模板,其与字符特征向量在特征空间主子空间的投影之间的距离即为非线性主动判别函数;同时,基于最小分类错误准则对该函数进行了优化。实验结果表明,非线性主动判别函数获得了比线性主动判别函数更高的识别率。     

基于SVM和sigmoid函数的字符识别自适应学习算法

在SVM算法和sigmoid函数的基础上,提出了一种字符识别自适应学习算法,该算法通过自适应修正sigmoid函数的参数,使sigmoid函数能够较好地拟合自适应数据输出距离的类别后验概率分布,从而提高对自适应数据的识别率。     

一种笔段序列匹配联机汉字识别方法

文中针对行书体汉字的识别,提出一种笔段序列匹配汉字识别方法。选择笔段数、笔段书写顺序、笔段位置作为主要的识别特征。首先,在预处理阶段,为了减小汉字类内分散性,采用笔段密度均衡化非线性规整法对笔段位置进行了非线性规整;进而在笔段序列的基础上,采用动态规划算法寻找待识笔段序列与候选笔段序列的最优匹配路径;根据此路径,得到匹配笔段集,缺少笔段和多余笔段;然后计算出待识字与每个候选字的识别距离;最后,对识