基于一致性和多样性的多尺度自表示学习的深度子空间聚类

深度子空间聚类(DSC)基于原始数据位于低维非线性子空间的集合中的假设。其中深度子空间聚类多尺度表示学习方法在深度自编码器的基础上,将每一层的编码器与对应的解码器之间都添加全连接层,并以此捕获多尺度的特征,但它没有深度分析多尺度特征的性质,也没有考虑输入数据和输出数据之间多尺度的重构损失。为了解决上述问题,首先建立每个网络层的重构损失函数,监督不同级别编码器参数的学习;然后利用多尺度特征共有的自表示矩阵和特有的自表示矩阵的和具有块对角性,提出更有效的多尺度自表示模块;最后分析不同尺度特征特有的自表示矩阵之间的多样性,有效地利用了多尺度的特征矩阵。在此基础上,提出一种基于一致性和多样性的多尺度自表示学习的深度子空间聚类(MSCD-DSC)方法。在数据集Extended Yale B、ORL、COIL20和Umist上的实验结果表明,相较于次优的MLRDSC(Multi-Level Representation learning for Deep Subspace Clustering),MSCD-DSC的聚类错误率分别降低了15.44%、2.22%、3.37%和13.17%,表明MSCD-DSC的聚类效果优于已有的方法。

一种消除阶梯效应的图像分解新模型

针对TV-L1分解模型在进行图像分解时所得到的结构部分有阶梯效应的问题,本文提出一种改进的图像分解模型即GJTV-L1模型。该模型首先得到结构部分的切向量场,由切向量场可得到结构部分的法向量场,然后拟合法向量场得到重构图像,即结构部分。通过仿真实验,验证了GJTV-L1模型和算法的合理性及有效性。

一种PDE图像分解去噪模型及算法

通过分析ROF(Rudin,Osherand Fatemi)模型和LLT(lysaker,lundervold and Tai)模型在处理噪声图像时存在的缺陷,以及纹理部分和噪声部分之间的差异,将图像分解思想和ROF模型与LLT模型相结合,提出了一种新的分解去噪模型:DD(decomposition and denoising)模型。该模型在处理噪声图像时,将噪声图像分解为结构、纹理和噪声3部分,从而达到既去噪又能分解的目的。进一步通过仿真试验,验证了DD模型和算法的合理性及有效性。

基于格网划分的Delaunay三角剖分算法研究

为了提高海量数据的Delaunay三角网的构网速度,本文采用格网划分的三角剖分方法,首先将数据按照线性四叉树方式划分为若干格网块,构建块内子三角网,然后按照自下而上的合并方式对块进行合并,形成全局Delaunay三角网。在此基础上,为了避免出现过小锐角的情况,通过加入约束角来对三角格网进行优化。

让抽象变的自然——基于数字图像的线性代数教学探讨

线性代数是理工专业本科学生的基础数学课程,相比其他数学课程,线性代数学习内容抽象、课时少。如何将抽象的理论知识更直观自然地教授给学生是线性代数教学过程中研究的内容,特别针对二本学院学生。该文根据软件学院办学特点,在讨论数字图像原理的基础上,对线性代数教学进行了探讨,并在此基础上给出提高教学效果的一系列建议。

创新驱动战略背景下人才培养模式探析——以概率论与数理统计课程为例

本文诠释了创新驱动战略的本质,阐述了高校实施创新驱动略的必要性,从五个方面分析了人才培养的现状,通过改进教学目标和教学模式;注重人文素质教育,融合课程思政;采用分层教学;建立个性化教学成果评价体系等举措为实现创新人才培养提供有利支撑,对丰富我国高校新时代、新理念下的人才培养模式的研究理论具有一定的意义。

一种基于TV模的图像放大新方法

图像放大技术是一种常见的重要的数字图像处理技术.本文从TV模与几何上曲率联系的角度,采用一种新的基于TV模的方法对图像放大过程中所新增加的数据进行处理,并且结合Matlab的剪裁函数imcrop,简易地实现了对图像特定区域的放大.

改进的基于谱聚类的子空间聚类模型

子空间聚类的目的是将来自不同子空间的数据分割到其本质上所属的低维子空间。现有的基于数据的自我表示和谱聚类的子空间聚类算法将该问题分为两个连续的阶段:首先从高维数据中学习数据的相似性矩阵,然后通过将谱聚类应用于所学相似性矩阵来推断数据的聚类隶属。通过定义一种新的数据自适应稀疏正则项,并将其与结构稀疏子空间聚类(SSSC)模型和改进的稀疏谱聚类(SSpeC)模型相结合,给出了一个新的统一优化模型。新模型利用数据的相似度和聚类指标的相互引导克服了SSpeC稀疏性惩罚的盲目性,并使得相似度具有了判别性,这有利于将不同子空间的数据分为不同类,弥补了SSSC模型只强制来自相同子空间的数据具有相同标签的缺陷。常用数据集上的实验结果表明,所提模型增强了聚类判别的能力,优于一些经典的两阶段法和SSSC模型。

基于判别性解析字典与分类器学习的模式分类

稀疏表示(Sparse Representation,SR)和字典学习(Dictionary Learning,DL)已被广泛用于编码特征数据并有助于模式分类。现有方法通常使用l1/l2范数或每类使用特定字典来强制SR的类判别能力,但由此产生的类判别能力有限。在这项工作中,提出使用训练集作为训练样本的SR的综合字典,因为它为每类数据提供了最自然的特定字典。训练集的类信息可用于增强SR的判别能力:精确块对角线结构,意味着每个数据只能由同类中数据表示。为了使测试阶段容易,在训练集的判别SR的监督下学习解析字典和线性分类器。一旦学习了解析字典和分类器,测试阶段就非常简单并且高效。称之为判别分析字典与分类器学习(Discriminative Analysis Dictionary and Classifier Learning,DADCL)。大量实验表明,该方法具有较好的分类性能。