基于多核系统的并行线性RankSVM算法

现有的线性RankSVM已得到较有效的研究,但在训练大规模的线性Rank SVM时,过长的训练时间依然难以让人接受。通过对当前最先进算法Tree-TRON的分析可知,利用信任区域的牛顿迭代(trust region Newton method,TRON)去训练线性Rank SVM模型涉及大量的Hessian-vector内积(Hessian-vector product)计算,同时完成Hessian-vector内积计算又需计算大量的辅助变量和矩阵运算。为了有效地加速与Hessian-vector内积有关的计算,在多核系统下提出了一种高效的并行算法(命名为PRank SVM)用于提高大规模线性Rank SVM的训练速度。PRank SVM的特征主要体现为两个方面:训练数据按不同的查询划分为不同的子问题;在多核系统下,利用多核加速辅助变量和相关矩阵的计算。通过实验分析可知,相较于现有的算法(如Tree-TRON),PRank SVM不仅可以有效地提高训练速度,而且可以有效地确保预测的准确率。

基于随机森林和RankSVM优化的行人识别方法

针对卡口环境及大样本情况下,基于样本数据量大时对测试图像使用Rank SVM排名结果会很靠后,提出了一种新的基于随机森林和Rank SVM的行人识别方法 RF-SVM(Rondom Forest SVM)。首先,单个训练样本提取多维特征向量,经Kmeans算法将所有训练样本的特征向量聚类,根据随机森林得到测试目标的预测类别,在此类范围内采用Rank SVM算法,将相似度排名顺序作为行人识别结果。与传统方法相比,引用了随机森林预测分类的方法,避免了测试图像与全体样本进行相似度匹配,仅在预测到的类别中使用Rank SVM,这样得到的既准确又相对单一的Rank SVM排名结果更靠前,聚类算法结合随机森林起到一个对样本数据初筛的作用。基于VIPeR样本库的实验证明,该方法对行人姿态变化具有鲁棒性,相比MCC与Rank SVM等文中实验列举的传统算法识别准确率高。

基于线性回归的适应性排名算法研究

根据已有的查询历史记录对排名模型进行自适应调整可以更好地实现检索结果的个性化。为了提高个性化检索的准确性,提出了一种基于线性回归的适应性排名算法。基于线性回归技术提出了一种适应性排名通用框架,该自适应框架通过调整参数来描述不同用户的查询偏好,进而实现排名的个性化,然后将改进的Rank SVM算法应用于该框架,并提出了一种适应性Rank SVM算法。最后,通过真实数据集实验验证了提出算法的有效性,能够明显提高排名准确率。