基于深度森林与异质集成的标记分布学习方法

作为一种解决标签模糊性问题的新学习范式,标记分布学习(LDL)近年来受到了广泛的关注.为了进一步提升标记分布学习的预测性能,提出一种联合深度森林与异质集成的标记分布学习方法(LDLDF).所提方法采用深度森林的级联结构模拟具有多层处理结构的深度学习模型,在级联层中组合多个异质分类器增加集成的多样性.相较于其他现有LDL方法,LDLDF能够逐层处理信息,学习更好的特征表示,挖掘数据中丰富的语义信息,具有强大的表示学习能力和泛化能力.此外,考虑到深层模型可能出现的模型退化问题,LDLDF采用一种层特征重用机制(layer feature reuse)降低模型的训练误差,有效利用深层模型每一层的预测能力.大量的实验结果表明,所提方法优于近期的同类方法.

低代价高清晰的图像智能去雾方法研究

随着计算机技术的不断发展,图像的清晰度也越来越高,但是由于雾霾等影响因素的存在,使得拍照所得图片的清晰度大幅下降。如今很多学者都在研究图像去雾方面的难题,但是所得结果却并没有投入到广泛的应用中。因此,研究低代价高清晰的智能图像去雾方法具有广阔的前景。如今大家普遍研究的几种有关于图像去雾的算法大体相同,各个算法的优缺点也都很清楚,基于几种经典的算法的研究,得知各自经由处理后的图片的或者在饱和度方面,或者出现色斑色块等问题,致使图片虽已处理但仍不完美。鉴于此种现象,本文选择一种较为创新的方法,即先用一种算法处理过后,再试图利用另一种算法处理其前一种算法处理后出现的问题。本文选择研究暗通道先验算法和卷积神经网络相结合,来进行图像智能去雾方法的研究。这种方法,如果进行很好的优化及完善,必然会对图像清晰度处理方面有很深的现实意义。