基于互信息的顺序向前特征选择算法

特征选择是水声目标识别领域的重要环节之一。提出基于互信息的顺序向前特征选择算法,通过计算特征之间的互信息和特征与类别间的互信息对所有特征的分类能力进行排序。提取了实测4类水声目标进行特征选择和分类实验,结果表明:该算法能够选择有效特征子集,得到较高的正确识别率,并且运行速度快,稳定性强。     

用于水声目标识别的近邻无监督特征选择算法

针对水声目标数据的特征冗余问题,提出一种新的近邻无监督特征选择算法。首先利用顺序向后特征搜索算法生成原始特征集的子集,然后利用基于代表近邻选取方法的特征评价机制评价特征子集的优越性。使用实测水声目标数据集和声呐数据集进行特征选择和分类实验,在保持支持向量机平均分类正确率几乎不变的情况下,特征数目分别降低了90%和75%。结果表明,该算法选择出的特征子集,在去除冗余特征后有效地提高了后续学习算法的效率。     

面向智能视频监控的人体小目标检测

人体目标检测对社会治理和城市安全具有很重要的现实意义，监控数据是数据安全的重要来源。小目标检测是目前受到广泛关注的安全检测问题中一项具有挑战性的任务，其检测对象为大型图像中少于20个像素的目标。小目标的特征难以表征，其中一个主要挑战是，用于预训练/共同训练检测器的数据集(如COCO)与用于微调检测器的数据集(如TinyPerson)之间存在尺度不匹配的情况，这给小目标检测器的性能带来了负面影响。为了解决这个问题，文中提出了一种优化策略，用于匹配不同数据集的尺度，称其为尺度分布搜索(Scale Distribution Search, SDS),同时平衡图片的信息收益(数据集之间的尺度相近)和信息损失(信噪比(SNR)的降低)。该策略使用高斯模型对数据集中目标的尺度分布进行建模，通过迭代的方式寻找最优分布参数；并对比数据集中目标的特征分布和检测器的性能，以找到最佳的尺度分布。通过SDS策略，主流目标检测方法在TinyPerson上实现了更好的性能，证明了SDS策略在提升预训练/共同训练效率上的有效性。