产生式与判别式线性混合分类器

产生式方法和判别式方法是解决分类问题的两种不同框架,具有各自的优势.为利用两种方法各自的优势,文中提出一种产生式与判别式线性混合分类模型,并设计一种基于遗传算法的产生式与判别式线性混合分类模型的学习算法.该算法将线性混合分类器混合参数的学习看作一个最优化问题,以两个基分类器对每个训练数据的后验概率值为数据依据,用遗传算法找出线性混合分类器混合参数的最优值.实验结果表明,在大多数数据集上,产生式与判别式线性混合分类器的分类准确率优于或近似于它的两个基分类器中的优者.

基于LDA和SVM的肺结节CT图像自动检测与诊断

在已实现疑似肺结节图像分割的基础上,提取肺结节图像多维特征,应用LDA和SVM统计分类器,通过对大量样本的训练,实现对肺结节CT图像的自动检测和诊断。实验结果表明该检测和诊断方法达到了较好的分类效果,是适用于CAD系统的实用方法。

一种鲁棒的基于集成学习的核相关红外目标跟踪算法

在红外目标跟踪中,由于目标所处的背景信息复杂多变和目标外观的显著变化,单一的分类器不足以拟合多模态的数据。该文结合核相关滤波器(KCF)将多个核相关分类器通过集成学习整合到一个框架中。利用KCF分类器具有解析解的特点平衡跟踪鲁棒性与实时性之间的矛盾,从而解决单个分类器无法处理复杂背景与显著的外观变化问题,并显著提升目标跟踪的性能与稳定性。为了验证算法的有效性,该文利用两个核相关跟踪器联合学习出1个强分类器。大量的定性定量实验表明所提的算法的跟踪性能超过传统的KCF算法,且跟踪速度也超过大多数比较算法。

基于非负稀疏协作模型的目标跟踪算法

目标跟踪是计算机视觉研究领域中一个最基本的问题.为解决在复杂场景下目标跟踪效果不佳的问题,作者搭建了一个基于非负稀疏的协作模型,该模型将非负稀疏表示的产生式模型与全局模板判别式模型相结合,并提出了基于非负稀疏协作模型的目标跟踪算法.首先对每一帧图像使用粒子滤波得到若干个候选框,然后再利用非负稀疏协作模型对每一个候选跟踪框进行评分,根据得分最高判为是跟踪目标的候选框.在多个视频序列上的实验结果表明,所提出的方法可以有效地提高目标跟踪的性能.

基于相关滤波的目标跟踪的研究

大多数现代的跟踪器的核心元素是一个判别式的分类器,这个分类器的任务是去区分目标区域和周围的环境。本文基于基础的相关滤波的方法,并对其进行改进的目的,通过在相关滤波的计算中引入不同的尺度信息,较好的手动设计的特征和更具表示性的深度特征,然后在OTB2013数据库上对这些不同的方法进行实验,得到基于深度特征和多尺度信息的方法比基础的相关滤波的方法的重叠精度(Overlap Precision,OP)提高了16.68%(从62.77%到79.45%),从而验证了这些额外信息的引入可以很大地提升跟踪性能。

基于TrAdaBoost的跨脑辨识P300电位研究

P300电位的个体差异导致基于该电位的脑-机交互系统需要每位被试的大量训练数据来构建模式识别模型,引起被试的训练疲劳,并可能由此导致系统性能降低。TrAdaBoost是一种把源领域的知识迁移到目标领域,进而使目标领域能获得更好的学习效果的迁移学习方法。本研究针对P300电位的跨脑辨识问题,提出基于TrAdaBoost的线性判别分类算法和支持向量机,将同被试的少量数据训练的分类器与不同被试的大量数据训练的分类器按权重组成融合分类器。与只采用少量同被试数据或者混合不同被试数据来直接进行训练的传统学习方式相比,本文算法在少量样本情况下将准确率分别提高了19.56%和22.25%,信息传输率分别提高了14.69 bits/min和15.76 bits/min,有望提高脑-机交互系统对被试个体差异的泛化能力。

加权间隔结构化支持向量机目标跟踪算法

目的目标在跟踪过程中,各种因素的干扰使得跟踪结果存在不确定性。因此,将跟踪过程中所提取样本的可靠性融入跟踪模型中,有助于克服低可靠性样本对跟踪算法的影响。为此,基于最近的结构化支持向量机(SSVM)跟踪算法,提出一种包含样本置信度的加权间隔结构化支持向量机跟踪模型(WMSSVM),以增强SSVM跟踪算法性能。方法首先,基于打分和位置重合率估计样本可靠性;其次,建立WMSSVM模型处理具有不同置信度的跟踪样本训练问题,并采用对偶坐标下降优化算法求解跟踪模型。结果在包含100个视频的OTB100跟踪数据集上进行测试,提出的WMSSVM跟踪器与基准跟踪器Scale-DLSSVM相比,在精准度和成功率两个指标上分别提高了1%和2%。与最近的跟踪算法相比,提出的方法也表现出更好的性能。结论本文首次将样本的可靠性融入结构化支持向量机跟踪模型,并提出一种基于加权间隔的结构化支持向量机跟踪模型及其优化求解方法,在包含100个视频序列的跟踪数据集上验证了提出方法的有效性,本文提出的算法能够适应复杂场景下的跟踪任务,并在背景混杂、目标形变、遮挡、运动模糊、目标出界、快速位移等类别的视频中表现出优异的性能。