Lasso极限最小学习机

极限最小学习机ELM(Extreme Learning Machine)是一种具有快速学习能力的神经网络训练算法。它通过随机选择神经网络节点的参数结合最小二乘法达到了减少训练时间的目的,但它需要产生大量的神经网络节点协助运算。提出一种利用迭代式Lasso回归优化的极限最小学习机(Lasso-ELM),它具有以下优势:(1)能大幅减少神经网络隐藏层节点的数量;(2)具有更好的神经网络泛化能力。实验表明Lasso-ELM的综合性能优于ELM、BP与SVM。     

基于改进活动轮廓模型和视觉特性的图像分割方法

提出一种基于改进活动轮廓模型和视觉显著性分析的图像分割方法。与传统的水平集模型不同,改进的活动轮廓模型不需要进行初始化和计算符号距离函数,从而有效地提高曲线演化效率。在此基础上,提出了基于标记的多相水平集分割方法,有效地解决了复杂图像存在的灰度不均性问题。另外,为避免初始轮廓位置对分割结果的影响,采用视觉显著图获取水平集初始轮廓位置,通过对该显著图进行OSTU分割提取初始轮廓。通过实验分析,提出的方法在分割结果、速度和复杂度上较之传统的CV模型都有明显的改进。