基于分组特征赋权的动态视角图像特征融合

为了解决移动机器人在目标识别过程中捕获的图像存在多目标干扰和单一视角下目标特征有限,进而导致识别准确率低的问题,提出一种基于分组特征赋权的动态视角图像特征融合方法,该方法通过递进式K均值聚类,对多目标特征进行赋权分组,并且利用LSTM网络实现动态视角下连续图像特征的融合,从而达到提高目标识别的准确率的目的。验证结果表明,在Market-1501数据集上的首位识别率达到了93.80%,平均准确率达到了89.13%,具有较好的实验效果。

山区公路弃渣颗粒组成与休止角的统计分组特征及工程应用

山区公路土石混合弃渣颗粒组成的复杂性和人工堆积特征造成其工程特性难以准确测定和量化分类。利用工程大数据统计分析为量化分类提供标准和界限依据,细化弃渣分类为弃渣工程科学设计及安全防护提供支撑。依托山区高速公路多个核心弃渣场多部位多阶段土石混合弃渣的颗粒组成和天然休止角测量,形成土石混合弃渣基本特征大数据;利用工程数据统计分析山区公路弃渣的颗粒组成与休止角的分组特征,所得主要结论如下:(1)山区公路弃渣具有显著的分组特征,利用粗细比k将弃渣分为土类弃渣(k<0.3)、土石混合弃渣(k为0.3~1.4)和石类弃渣(k>1.4)。(2)山区公路土石混合弃渣细粒占比较低,以粗粒为主。弃渣粗细比为N(0.85,0.338 9)正态分布,休止角为N(37.64,3.057 8)正态分布,土类弃渣休止角<32.6°,土石混合弃渣休止角为32.6°~42.7°,石类弃渣休止角>42.7°,分类及参数建议解决了取样代表性难题和结果离散性问题。(3)根据无黏性土边坡稳定性系数计算公式,结合弃渣分类和不同等级弃渣场安全系数标准,计算得到不同类弃渣控制坡率,土类弃渣控制坡率≤1:2,土石混合弃渣控制坡率≤1:1.75,石类弃渣控制坡率≤1:1.5,经跟踪检验,发现建议坡率下弃渣边坡中长期稳定可以得到有效保障。上述研究可以为山区公路弃渣场动态设计提供基础数据,具有较强的工程类比价值,有利于形成地区经验值。

基于特征分组与蒸馏网络的关系抽取方法

关系抽取的主要目的从非结构化的文本中识别出预定义的实体关系,是信息抽取领域的核心分支之一。目前主流的关系抽取方法直接将神经网络每个卷积核提取到的特征杂糅,没有考虑特征之间的异同。为此,论文提出了一种基于特征分组与蒸馏网络的关系抽取方法。此方法将神经网络的特征通道分成若干子特征组,从不同的角度来得到多样化的语义语法信息,获得更加细粒度的特征;此外,基于蒸馏网络的思想,将全局信息的预测输出作为学习目标,引导各个子特征组信息去学习软标签分布。在远程监督关系数据集NYT上的实验结果表明,论文所提方法优于目前主流的关系抽取方法。

多层分组叠加有限制特征编码

本文首先对叠加编码特征抽取方法作了探讨 ,对分组特征文件构造和多层叠加特征抽取做了比较 ,分析了各自的优缺点 .在分析的基础上提出了一种多层分组有限制叠加特征抽取方案 ,指出了特征节点二元带因子Ω (K,S(h) )结构并分析了其运作机制 ;最后对该方法做了算法分析并对 WWW意义做了展望 .

基于特征分组与特征值最优化的距离度量学习方法

主流的距离度量学习方法都需要求解半正定规划(Semi-definite programming,SDP)问题,而其中每次循环迭代中的矩阵完全特征分解运算使得现有方法计算复杂度很高,实用性不强,难以应用在大规模数据环境。本文提出了一种基于特征分组与特征值最优化的距离度量学习方法。引入特征分组算法,根据特征各维数之间相关性对图像底层特征进行分组。在一定的约束条件下,将求解SDP问题转化为特征值最优化问题,在每次循环迭代中只需计算矩阵最大特征值对应的特征向量。实验结果表明该方法能有效地降低计算复杂度,减少度量矩阵的学习时间,并且能取得较好的分类结果。

特征分组提取融合深度网络手写汉字识别

针对传统脱机手写汉字识别的过程复杂、精度低,而常用卷积神经网络的特征信息提取不充分,同时存在相同特征信息的重叠和冗余问题。设计了一个特征分组提取融合的深度卷积神经网络模型。通过多级堆叠的特征分组提取模块,提取图像的深层抽象特征信息,并进行特征信息之间的交流融合。利用设计的下采样和通道扩增模块,在降低特征维度的同时保留图像重要信息。将特征信息进行精炼和浓缩,来解决特征信息的重叠和冗余问题。最终训练出的神经网络达到top1当前先进的正确率为97.16%,同时top5正确率为99.36%,并具有很好的泛化能力。

基于特征分组的在线目标跟踪算法

在线目标跟踪是计算机视觉领域的一个具有挑战性的问题.提出了一种基于特征分组的在线目标跟踪算法.首先,利用像素点在多帧的方差对模板库中的目标模板进行特征分组.然后,利用主要特征图像和次要特征图像学习投影矩阵P,对样本进行投影.最后,利用最小误差法得出当前帧的跟踪结果.与其他典型算法相比,该算法对目标的异常变化具有很强的鲁棒性.

一种统计特征保持的时序数据库水印方案

数据库水印是保护数据库版权最有效的方法之一。然而,传统的数据库水印有一个潜在的缺点:水印的嵌入会改变数据的分布,从而影响数据库的使用和分析。考虑到大多数分析都是基于目标数据库的统计特征,保持统计特征的一致性是确保数据库可分析性的关键。由于统计特征分析往往是分组进行的,与传统的关系数据库相比,时序数据库(TSDBs)具有明显的时间分组特征,更具有分析价值。因此,本文提出了一种鲁棒的时序数据库水印算法,有效地保证了统计特征的一致性。基于TSDBs的时间分组特征,提出了一种基于线性回归、误差补偿和水印验证的三步水印方案RCV。根据线性回归模型和误差补偿的特性,该方案可以生成一组具有相同统计特征的数据。然后,基于验证机制对生成的数据进行验证,直到它可以传递目标的水印消息为止。与现有方法相比,该方法具有更好的鲁棒性和保持统计特征不变的能力。

基于Gabor滤波器组和特征分组神经网络目标识别

就模式识别中特征提取和分类决策两个阶段进行了研究 .在特征提取方面 ,提供了一种用于提取图像不同中心频率和方位特征的Gabor滤波器组的设计方法 ;在分类决策算法方面 ,提出了一种基于图像的Gabor滤波特征的特征分组神经网络分类算法 ,该算法将一个复杂的模式识别问题分解为几个简单问题来处理 ,降低了问题的复杂度 ,同时还取得了一定的抗有限带宽噪声的效果 .

优化特征融合的多尺度遥感图像目标检测方法

为解决遥感图像场景下多尺度目标检测准确率低的问题,提出DAFFNet遥感图像目标检测算法。该算法基于SSD进行了三方面的改进:为增强多尺度特征信息的获取能力,设计一种基于分组的特征融合方法;引入基于注意力机制的多维度特征优化方法,来解决复杂背景下目标分类困难的问题;将Focal loss作为新的边界框置信度损失函数,令模型聚焦于难分类的正样本,以改善正负样本不平衡对目标分类所造成的干扰。在遥感公共数据集NWPU VHR-10上进行模型评估,实验结果表明,该算法相较于原算法均值平均精度提高5.1百分点,能有效地提高遥感图像目标检测准确率。

基于特征分组和PSO的特征选择算法

在高维小样本数据的特征选择中,样本的变化会导致最终选出的特征呈现不稳定的特点。针对这种情况,提出了一种新的特征选择算法。首先通过计算特征间的互信息以确定特征关联性的强弱,依据将特征间的关联性强弱将特征分为不同的组,待分组完成后,使用粒子群算法对特征进行选择,并对少部分粒子进行随机扰动,避免粒子陷入局部最优。选择完成后的特征进行集成,得到最终特征子集。结合5个公开数据集进行实验,该算法的特征维度平均降低77.5%。与现有的方法比较,得到的结果在稳定性方面平均提高了4.0%。

基于熵特征优选分组聚类的相似重复记录检测

针对目前相似重复记录检测方法不能有效处理大数据量的问题,提出一种基于熵的特征优选分组聚类的算法。该方法通过构造一个基于对象间相似度的熵度量,对原始数据集中各属性进行重要性评估,筛选出关键属性集,并依据关键属性将数据划分为不相交的小数据集,在各小数据集中用DBSCAN聚类算法进行相似重复记录的检测。理论分析和实验结果表明:该方法识别精度和检测效率较高。

基于NSGA-Ⅱ的自适应多尺度特征通道分组优化算法

针对轻量型卷积神经网络(LCNN)的精确度和复杂度均衡优化问题,提出基于快速非支配排序遗传算法(NSGA-Ⅱ)的自适应多尺度特征通道分组优化算法对LCNN特征通道分组结构进行优化。首先,将LCNN中的特征融合层结构的复杂度最小化和精确度最大化作为两个优化目标,进行双目标函数建模及理论分析;然后,设计基于NSGA-Ⅱ的LCNN结构优化框架,并在原始LCNN结构的深度卷积层之上增加基于NSGA-Ⅱ的自适应分组层,构建基于NSGA-Ⅱ的自适应多尺度的特征融合网络NSGA2-AMFFNetwork。在图像分类数据集上的实验结果显示,与手工设计的网络结构M_blockNet_v1相比,NSGA2-AMFFNetwork的平均精确度提升了1.2202个百分点,运行时间降低了41.07%。这表明所提优化算法能较好平衡LCNN的复杂度和精确度,同时还可为领域知识不足的普通用户提供更多性能表现均衡的网络结构选择方案。

基于特征分组融合的可识别分析

针对高分辨率遥感图像的特点,提出了一种多特征分组融合的可识别性分析方法。该方法首先提取图像的各类特征,包括颜色特征、纹理特征以及形状特征等,然后按照特征分组优化的组合方式分别采用Adaboost进行训练学习,最后将各组特征分类器处理的结果用决策树的方法进行融合获得最终的结果。实验分析对比了单个特征、分组特征以及分组特征融合三种方法的识别率,与前两种方法相比,多特征分组融合的方法具有更高的精度,因而得到结论,多特征分组融合是一种有效的高分辨率遥感图像可识别性分析方法。

多目标视觉追踪中的分组效应及其可加性

如何减少注意资源的消耗、提升人类在动态视觉持续性注意任务中的表现,是持续性注意研究关注的重点问题,具有理论和实践的重要意义。多目标追踪任务是研究个体持续性注意的常用实验室方法。多目标追踪任务中,观察者可以利用基于物体特征的分组效应将多个运动目标知觉为一个更大的运动单元,从而减少注意资源的消耗、提高追踪任务表现。为了进一步节省注意资源、提升注意追踪的表现,研究者提出了注意追踪中分组效应的可加性问题。分组效应的可加性表现为基于两个及以上特征的分组对追踪表现的提高优于基于一个特征的分组。可加性的研究对理解不同分组效应的认知机制,个体动态视觉追踪中的注意机制和注意资源分配等具有重要意义。本文对以往的行为以及神经影像学研究进行了汇总,讨论了不同类型分组效应的知觉加工机制及其可加性,系统阐述了基于不同表面特征的不可加性,和基于表面特征与特定时空特征可加性的认知及其神经基础。未来可以从行为学实验角度探究更多基于不同特征分组效应的可加性,或者从注意追踪中基于不同分组效应的神经机制入手,探讨分组效应的可加性问题,为分组效应的分类及可加性研究提供更多认知和神经层面的依据。

结构化工艺设计中特征分组技术的应用及管理

在工艺设计的过程中,为了进一步降低工艺复用的难度,减少重复劳动,可以通过特征分组技术的运用构建全新的工艺方式,实现典型零件工艺路线的变型设计。本文在工艺设计集成系统设计的基础上,进行了有效性的论证。通过这一系统的应用,能够促进工艺知识复用率的提升,不断地提高工艺设计的规范化水平,从而使设计人员具有更强的接受和理解能力。

基于子特征方差分组的改进高光谱异常目标检测

异常检测是高光谱遥感的一项重要任务。目前应用最广泛的探测器,如RX,仅利用原始的光谱特征,可是缺乏信号增强和噪声抑制能力。提出了基于子特征方差分组改进的分数阶傅里叶熵的高光谱异常目标检测方法。第一,选取高光谱图像的多个光谱子特征作为检测输入信息。第二,采用分数傅立叶变换进行处理,通过空频表示获得原始光谱与互补强度的傅立叶变换之间的中间域特征。接着确定最优的分数变换阶数,将信号与背景和噪声区分开。第三,在最优分数域上实现异常检测方法并引入二进制累加,通过累加每组检测结果来提高异常检测算法的鲁棒性。第四,在三个真实高光谱图像数据集上的实验结果表明,所提出的方法具有较好的检测性能。

一种小样本数据的特征选择方法

小样本数据由于其特征维数相对于样本数目较多,且常包含不相关或冗余特征,使得常用的机器学习算法处理小样本数据时无法得到好的效果,通过特征选择来降低数据维数是解决该问题的一种有效途径.针对小样本数据,提出一种基于互信息的过滤型特征选择方法,首先定义了基于互信息的特征分组标准,该标准同时考虑特征与类别的相关性和不同特征之间的冗余性,根据该标准对特征分组后,在各组内选出与类别相关性最大的特征构成候选特征子集,保证了算法具有较低的时间复杂度,之后采用Boruta算法,在候选特征子集中自动确定最佳特征子集,从而大幅度降低数据的维数.通过与5种经典的特征选择算法比较,在标准数据集上采用3种分类器的实验结果表明提出的方法选出的特征子集具有较好的运行效率和分类性能.

基于AAM-SIFT特征描述的两级SVM人脸表情识别

采用AAM定位特征点、尺度不变特征变换(SIFT)描述特征的方式提出一种基于AAM-SIFT的表情特征提取方法。该方法用特征点周围区域梯度方向直方图描述表情特征;同时根据不同子区域对表情的贡献不同,将特征点分组并赋予不同权重,并用两级支持向量机(SVM)对融合的加权特征进行分类识别。在标准表情库和多姿态表情库上的验证结果表明,该方法能有效提高正面人脸表情的识别率,对一定偏转角度的非正面人脸表情也保持较好的鲁棒性。

多身份追踪中基于范畴的分组效应

根据Yantis(1992)的分组假设,多目标追踪中存在基于对象空间特征的分组形成与保持。在多目标追踪基础上发展起来的多身份追踪任务中,基于对象身份特征的差异性也可导致分组效应。在分析多目标追踪中基于空间的分组表征与多身份追踪中基于特征的分组效应基础上,根据现实世界中客观物体的概念信息是以不同范畴的形式组织的这一现象和规律,提出了基于范畴的分组表征这一理论假设,拟考察多身份追踪中对象身份的范畴性差异所引起的分组效应的影响因素、基于范畴的分组效应对追踪过程中注意资源分配机制及观察者眼动特征的影响。