深度优先局部聚合哈希

已有的深度监督哈希方法不能有效地利用提取到的卷积特征,同时,也忽视了数据对之间相似性信息分布对于哈希网络的作用,最终导致学到的哈希编码之间的区分性不足.为了解决该问题,提出了一种新颖的深度监督哈希方法,称之为深度优先局部聚合哈希(Deep Priority Local Aggregated Hashing,DPLAH).DPLAH将局部聚合描述子向量嵌入到哈希网络中,提高网络对同类数据的表达能力,并且通过在数据对之间施加不同权重,从而减少相似性信息分布倾斜对哈希网络的影响.利用Pytorch深度框架进行DPLAH实验,使用NetVLAD层对Resnet18网络模型输出的卷积特征进行聚合,将聚合得到的特征进行哈希编码学习.在CIFAR-10和NUS-WIDE数据集上的图像检索实验表明,与使用手工特征和卷积神经网络特征的非深度哈希学习算法的最好结果相比,DPLAH的平均准确率均值要高出11%,同时,DPLAH的平均准确率均值比非对称深度监督哈希方法高出2%.

Intel多核程序设计课程教学改革建议

Intel多核程序设计课程作为高校计算机科学与技术专业的专业课,对于培养学生的编程实践能力具有重要意义。在实际的课程教学中往往会出现学生不能够将理论与实际应用联系起来、上课能听懂但是不能独立编写程序。基于以上问题,从改进教学内容和方法、加强动手能力的锻炼,以及改革考核方式等方面提出相关的建议。

图趋势过滤诱导的噪声容错多标记学习模型

针对多标记学习中特征噪声和标记噪声经常共同出现的问题,提出了一种图趋势过滤诱导的噪声容错多标记学习模型(GNTML)。该模型通过组稀疏约束桥接增强的标记,从而同时容忍特征噪声和标记噪声。模型的关键之处在于标记增强矩阵的学习。为了在混合噪声场景下学习到合理的标记增强矩阵,首先通过引入图趋势过滤(GTF)机制来容忍含噪示例特征与标记之间关联的不一致性,从而减轻特征噪声对标记增强矩阵学习的影响;然后通过引入组稀疏约束的标记保真惩罚来减轻标记噪声对标记增强矩阵学习的影响,同时引入标记关联矩阵的稀疏约束来刻画标记之间的局部关联特性,使得样本标记能够在相似样本之间得到更好的传播;最后在7个真实多标记数据集上进行5个不同评价指标下的实验。实验结果表明,提出的模型在66.67%的情况下取得最优值或次优值,优于其他5个多标记学习算法,能有效地提高多标记学习的鲁棒性。

基于内积加权局部聚合描述子向量的图像分类

局部聚合描述子向量(vector of locally aggregated descriptors,VLAD)是一种硬编码方式,会导致较大的量化损失。为了解决此问题,提出了一种基于内积加权的VLAD编码(inner product weighted vector of locally aggregated descriptors,IPWVLAD),它是一种软编码方式,为图像中的每个描述子寻找若干个近邻的基向量,并采用内积编码的方式生成权重信息添加到累积残差中。对于最近邻的基向量和描述子之间的残差给予最大的权重,对于次近邻的情况依次赋予越来越小的权重。在Corel 10、15 Scenes、UIUC Sport Events数据集上的实验结果表明,与已有的4种基于VLAD的方法和2种常用的表示方法相比,本文所提出的IPWVLAD编码获得了较好的分类性能。

基于图学习正则判别非负矩阵分解的人脸识别

基于图正则非负矩阵分解(NMF)算法充分利用了高维数据通常位于一个低维流形空间的假设从而构造拉普拉斯矩阵,但该算法的缺点是构造出的拉普拉斯矩阵是提前计算得到的,并没有在乘性更新过程中对它进行迭代。为了解决这个问题,结合子空间学习中的自表示方法生成表示系数,并进一步计算相似性矩阵从而得到拉普拉斯矩阵,而且在更新过程中对拉普拉斯矩阵进行迭代。另外,利用训练集的标签信息构造类别指示矩阵,并引入两个不同的正则项分别对该类别指示矩阵进行重构。该算法被称为图学习正则判别非负矩阵分解(GLDNMF),并给出了相应的乘性更新规则和目标函数的收敛性证明。在两个标准数据集上的人脸识别实验结果显示,和现有典型算法相比,所提算法的人脸识别的准确率提升了1%~5%,验证了其有效性。