采用特征图增强原型的小样本图像分类方法

在基于度量学习的小样本图像分类方法中,由于标注样本的稀缺,仅用支持集样本得到的类原型往往难以代表整个类别的真实分布;同时,同类样本间也可能在多个方面存在较大差异,较大的类内差异可能使样本特征偏离类别中心。针对上述可能严重影响图像分类性能的问题,提出一种采用特征图增强原型的小样本图像分类方法(FMEP)。首先,用余弦相似度从查询集样本特征图中选择部分相似特征加入类原型中,得到更具代表性的特征图增强原型;其次,对相似的查询集样本特征进行聚合,缓解类内差异大导致的问题,使同类样本的特征分布更接近;最后,用在特征空间中与真实类别分布都更接近的特征图增强原型和聚合查询特征进行相似度比较得到更优的分类结果。所提方法在MiniImageNet、TieredImageNet、CUB-200和CIFAR-FS等常用的小样本图像分类数据集上进行了实验,结果表明所提方法获得了比基线模型更优的分类性能,同时也优于同类型的小样本图像分类方法。

基于特征金字塔网络的余弦四元组哈希图像检索方法

为提高哈希图像检索的准确性,设计并提出一种基于特征金字塔网络的余弦四元组哈希图像检索方法,增强生成哈希编码的区分性。提出一种基于特征金字塔网络的特征提取器,提取到包含多层视觉信息和语义信息的图像特征描述符。设计基于余弦度量的四元组排序损失,使哈希码能够保持相似近邻关系;引入分类损失和二进制约束损失,使离散编码包含更多语义信息。实验结果表明,所提模型具有更好的检索性能。

基于特征分段度量方法的少样本学习

已有的基于度量方法的少样本学习直接在元学习框架下优化模型以在少样本任务上获得好的表现,但这种直接通过元学习策略训练得到的特征表示传递性较弱,从而限制了度量方法的分类能力。针对该问题提出一种新的模型结构,包括特征映射模块和分段度量模块。在基类数据上预先训练分类器并迁移到元学习的特征提取模块;在元学习阶段,对提取到的特征分多段进行余弦相似度的计算,以预测类别。实验在mini-imagenet数据集的5-way 1-shot和5-way 5-shot情况下分别达到64.33%和80.11%的准确率,在复杂场景下具有更好的识别效果。

融合交互性特征信息的余弦度量行人重识别

针对行人重识别中难以表达特征间相关性信息,以及欧氏距离度量的损失函数忽略了特征向量角度影响的问题,提出一种融合交互性特征的余弦距离度量行人重识别网络。通过聚合分组注意力模块提取的特征,实现不同子特征跨通道的整合交互。训练阶段采用余弦度量的三元组损失,结合特征空间的批量规一化操作,消除模长波动的影响,从角度维度判别行人差异。采用广义平均池化,保留更完整的特征信息。在Market-1501和DukeMTMC-reID两个数据集的实验结果表明,网络能有效提升行人重识别精度。

基于全局-局部欧拉弹性判别投影的旋转机械故障诊断方法

故障诊断方法通常对异常值敏感,并且难以同时提取全局和局部判别信息,从而导致低维判别特征子集类间分离性不佳,针对该问题提出了一种基于全局-局部欧拉弹性判别投影(global-local euler elastic discriminant projection,GLEEDP)的旋转机械故障诊断方法。该方法通过余弦度量将高维故障特征映射到欧拉表示空间,扩大异类故障样本间的差异,然后在该空间中构建了基于全局、局部及类间散布三个目标函数的最优化模型,实现了在保持整体结构的基础上,进一步提高低维判别特征子集的局部类内聚集性和全局类间分离性。在轴承和齿轮箱两个机械故障数据集上的试验结果表明,所提方法可以有效发掘故障判别信息,具有优越的故障诊断性能。

基于余弦距离度量学习的伪K近邻文本分类算法

距离度量学习在分类领域有着广泛的应用,将其应用到文本分类时,由于一般采用的向量空间模型(VSM)中的TF*IDF算法在对文本向量表达时向量均是维度相同并且归一化的,这就导致传统距离度量学习过程中采用的欧式距离作为相似度判别标准在文本分类领域往往无法取得预期的效果,在距离度量学习中的LMNN算法的启发下提出一种余弦距离度量学习算法,使其适应于文本分类领域,称之为CS-LMNN。考虑到文本分类领域中样本类偏斜情况比较普遍,提出采用一种伪K近邻分类算法与CS-LMNN结合实现文本分类,该算法首先利用CS-LMNN算法对训练数据进行距离度量学习,根据训练结果对测试数据使用伪K近邻分类算法进行分类,实验结果表明,该算法可以有效的提高分类精度。

基于距离度量学习的DCT域JPEG图像检索

由于特征有限,传统基于欧式距离的压缩域检索性能并不理想。本文引入距离度量学习技术,研究压缩域图像检索,提出了一种基于距离度量学习的离散余弦变换(DCT)域联合图像专家小组(JPEG)图像检索方法。首先,提出了一种更有效的DCT域特征提取方法;其次,运用距离度量学习技术训练出一个更加有效的度量矩阵进行检索。在Corel5000上的图像检索实验表明,新方法有效提高了检索准确度。

一种新的拼接图像检测方法

图像的拼接检测在数字图像取证中占有重要的地位,因此引起了广泛的关注。为此,提出了一个有效的被动盲取证方法来检测拼接图像,通过提取多尺寸块离散余弦变换二维数组(MBDCT)的统计特征量和图像质量评价量(IQMs)来建立模型。选用哥伦比亚大学的图像拼接检验数据库来测试该模型,采用支持向量机(SVM)作为分类器进行训练和测试,实验结果表明新的拼接检测模型具有精确度高、应用面广的优点,在拼接检测中有很好的发展前景。

OFDM系统中基于盲检测的低复杂度分块SLM算法

为了降低正交频分复用(orthogonal frequency division multiplexing,OFDM)系统中传统选择性映射(conventional selected mapping,CSLM)算法的计算复杂度,提高系统的频谱利用效率,提出了一种基于盲检测的低复杂度分块选择性映射(block selected mapping,BSLM)算法,发送端利用逆快速傅里叶反变换(inverse fast fourier transform,IFFT)性质仅需少量低维IFFT运算即可获得较多的备选序列,接收端采用低复杂度的盲检测方式。仿真分析了所提算法的峰均功率比(peak to average power ratio,PAPR)、立方度量(cubic metric,CM)和误比特率(bit error rate,BER)性能。结果表明,所提算法不仅明显降低了计算复杂度,而且有效抑制了OFDM信号的PAPR和CM,获得与已知边带信息的CSLM算法相近的BER性能。

一种余弦调制正交镜象滤波器组的设计方法

本文将具有精确重建特性的余弦调制正交镜象滤波器组的设计问题转化为一种带二次约束的最小二乘（ＱＣＬＳ）优化问题，其中所有的约束矩阵都是对称正定的．为了有效地求解该类ＱＣＬＳ优化问题，文中构造了一个代价函数，从而很容易地获得了该问题的全局最优解．最后给出的两个设计实例验证了本文方法的正确性和有效性．

基于梯度变换与最优似然法则的图像修复算法

为了解决当前图像修复算法在待修复图像纹理结构较为丰富时易产生模糊效应以及块效应的问题,提出了一种基于梯度变换与最优似然法则的图像修复算法.首先,利用像素点对应的邻域方向特征来构造置信度,用以形成优先权因子.通过优先权因子对待修补块的优先级进行度量,从而确定最优修补块;然后,根据像素点的梯度变换,构造修补块尺寸选择模型,对修补块的尺寸进行自适应调整;最后,利用修补块与匹配块的内积关系、距离关系,分别构造余弦度量模型、相似度量模型,从而建立最优似然法则,从源区域中搜索最优匹配块,对待修复块进行填充修复.实验结果显示,与其他图像修复算法相比,本文算法具备更高的修复质量,能有效克服阶梯效应以及模糊效应.

基于图像数据挖掘的有向图模型检索方法

为充分挖掘图像数据信息,提出了一种有向图模型检索方法,结合距离测度初次检索和有向图距离二次检索提高图像检索性能;首先,采用传统的纹理、边缘和颜色特征以及特征之间的欧氏距离测度来进行初次检索,得到一个查询排序列表;在此基础上,结合距离测度与余弦测度设计图像之间的相关测度,在不同的相关测度阈值下构建图像数据集的有向图模型集合;最后,计算有向图距离,据此进行二次检索,降低误检现象;在COREL和ImageCLEF两个数据集上的图像检索实验结果表明,该方法的平均精确度和平均召回率指标高。

基于鲁棒的余弦-欧氏距离度量降维的图像检索方法

为解决主成分分析(PCA)无法处理非线性数据集以及鲁棒性差的问题,提出一种鲁棒的余弦-欧氏距离度量的降维方法(RCEM)。该方法利用余弦度量(CM)能够处理离群点的特点来提取数据的局部几何特征,并利用欧氏距离能够很好地保持样本的方差信息的特点来刻画数据集的全局分布,在保留数据局部信息的同时实现了局部和全局的统一,提高了局部降维算法的鲁棒性,同时避免了局部小样本问题。实验结果显示,与角度优化全局嵌入(AOGE)方法相比,在Corel-1000数据集下检索查准率提高了5.61%,相比不降维时检索时间减少了42%。结果表明,RCEM算法能在不降低图像检索精度的同时提高图像检索的效率,可以有效应用于基于内容的图像检索(CBIR)。

基于大边距余弦相似度学习的细粒度人脸认证

针对细粒度人脸认证(fine-grained face verification,FGFV)中如何有效区分非常相似的人脸图像问题,提出了一种大边距余弦相似度学习(large margin cosine similarity learning,LMCSL)方法,以提高认证精度。实验中,正样本对由同一人的2幅人脸图像组成,不同于传统人脸认证,每个负样本对由双胞胎人脸图像组成,能呈现非常相似的面部外观。LMCSL方法通过在大边距框架条件下学习一个线性变换,使在投影子空间正样本对的余弦相似度大于较大的阈值,并使约束负样本对的余弦相似度小于较小的阈值,提高了正样本对的相似度,降低了负样本对的相似度,可有效区分双胞胎的人脸图像。在FGFV基准数据集上的实验结果表明,所提LMCSL方法对细粒度人脸认证问题有效、可行。

面向元余弦损失的少样本图像分类

目的 度量学习是少样本学习中一种简单且有效的方法,学习一个丰富、具有判别性和泛化性强的嵌入空间是度量学习方法实现优秀分类效果的关键。本文从样本自身的特征以及特征在嵌入空间中的分布出发,结合全局与局部数据增强实现了一种元余弦损失的少样本图像分类方法(a meta-cosine loss for few-shot image classification,AMCL-FSIC)。方法 首先,从数据自身特征出发,将全局与局部的数据增广方法结合起来,利于局部信息提供更具区别性和迁移性的信息,使训练模型更多关注图像的前景信息。同时,利用注意力机制结合全局与局部特征,以得到更丰富更具判别性的特征。其次,从样本特征在嵌入空间中的分布出发,提出一种元余弦损失(meta-cosine loss,MCL)函数,优化少样本图像分类模型。使用样本与类原型间相似性的差调整不同类的原型,扩大类间距,使模型测试新任务时类间距更加明显,提升模型的泛化能力。结果 分别在5个少样本经典数据集上进行了实验对比,在FC100(Few-shot Cifar100)和CUB(Caltech-UCSD Birds-200-2011)数据集上,本文方法均达到了目前最优分类效果;在MiniImageNet、TieredImageNet和Cifar100数据集上与对比模型的结果相当。同时,在MiniImageNet,CUB和Cifar100数据集上进行对比实验以验证MCL的有效性,结果证明提出的MCL提升了余弦分类器的分类效果。结论 本文方法能充分提取少样本图像分类任务中的图像特征,有效提升度量学习在少样本图像分类中的准确率。

非欧椭圆几何的若干度量问题

本文用新方法讨论解决了n维椭圆空间S^n中若干几何问题。给出了关于n维球面单形的余弦定理、高的公式、内切及外接球半径r,R以及内心I与外心Q间的距离公式。同时将著名的欧拉不等式推广到S^n中。

Robust Digital Audio Watermarking Scheme Using Blind Source Separation with Global Optimal Property

The paper proposes a robust digital audio watermarking scheme using blind source separation(BSS) based on the global optimization of independency metric(IM),which is formulated as a generalized eigenvalue(GE) problem.Compared with traditional information-theoretical approaches used in digital audio watermarking,such as fast independent component analysis(FastICA),the proposed scheme has lower complexity without timeconsuming iteration steps used in FastICA.To make full use of the multiresolution characteristic of discrete wavelet transform(DWT) and the energy compression characteristic of discrete cosine transform(DCT),the watermark is embedded in the middle DWT-DCT coefficients and the independent component analysis(ICA) approach based on IM is used in the detecting scheme.Simulation results based on Stirmark for Audio v02 show that the proposed scheme has strong robustness as well as the imperceptibility and security.