图采样泛化行人重识别算法

最近的研究表明,度量学习中的深度特征匹配方法,结合大规模、多样化的训练数据,可以显著增强人员再识别的泛化能力。然而,许多现有的方法会产生大量的内存和计算成本,如分类参数或类记忆学习等。为解决上述问题,提出了一种新的基于相关性图采样(correlation graph sampler,CGS)的泛化行人重识别算法,CGS的基本思想是在训练开始时使用局部敏感哈希函数(locality-sensitive Hashing,LSH)和特征度量为所有类构造最近邻关系图。这确保了每一小批训练样本由随机选择的基类和与基类具有相似性的近邻类组成,以提供信息量大且具有挑战性的学习示例,提高行人重识别模型的判别性学习能力。CGS的采样原理会受主干网提取的特征质量影响,因此CGS采样能力会随着主干网的训练而增强,具有可学习性。通过在大规模数据集(包括CUHK03、Market-1501和MSMT17)上交叉评估该方法,广泛的实验结果证实了该方法的有效性,并展示了其在行人重识别应用中的潜力。

基于代表性节点扩张的保持社区结构的图采样算法

作为一种能够简化大规模图并保留其指定属性的方法,图采样被广泛应用于现实生活中。然而当前研究大多集中于保留节点级的性质,如度分布等,而忽略了图的社区结构等更为重要的信息。针对此问题,提出了一种保持社区结构的图采样算法。算法主要分为两个步骤,第一步为初始化社区代表点,根据提出的节点重要度计算公式算出节点的重要度,然后选出每个社区的代表性节点;第二步为社区结构扩张,针对每个社区,选择可能引入最少额外邻居的节点加入社区中,直到达到该社区节点上限。在多个真实数据集上进行了对比实验,使用多个评价指标来评估实验结果。实验结果表明,所提出的采样算法能够很好地保持原始图的社区结构,为大规模图的社区结构采样提供了可行的解决方案。

结合图采样和图注意力的3D目标检测方法

在点云中进行三维目标检测时,小目标和复杂背景下目标的检测精度不足是突出的问题之一。针对该问题,提出了一种基于图采样和图注意力机制的3D点云目标检测方法。减小基准网络下采样体素大小以保持小目标的点云密度;引入图采样降低在点云中构造拓扑图的代价;通过对图采样前后的图分别嵌入自注意力机制,提高网络的特征提取能力。在KITTI数据集上与基准网络Point-GNN相比,对汽车目标在复杂场景上的检测精度提升了1.96%,对行人与骑行者目标在中等难度场景和复杂场景上的检测精度分别提升4.21%和2.57%;与Point-GNN相比,减少了15%的训练时间。实验结果表明,设计的方法对于3D点云中小目标和复杂背景下目标的检测更加有效,图采样方法还能够提升模型的训练效率。

大图采样方法综述

大图采样是常用的网络图简化方法,可显著降低大图数据的规模.文中从随机图采样、特征驱动的大图采样方法、大图采样的评估指标和大图采样方法的应用4个角度进行综述.首先介绍随机点、随机边和随机游走的随机图采样方法;然后论述拓扑结构、社区结构、动态网络关联和语义关联特征驱动的大图采样方法;再介绍拓扑结构、视觉感知和特征驱动的大图采样指标;最后介绍了大图采样方法在社交网络、地理交通、生物医学和深度学习等领域的应用,并展望了该方法的发展前景.

表征学习驱动的多重网络图采样

已有的图采样方法侧重于单图采样,关注如何在一张图上通过采样保留其特定的拓扑结构特征。随着数据采集能力的提升,多重网络图在实际应用中越来越普遍,即相同的节点集在不同场景中具有不同的网络关系。针对传统图采样方法无法兼顾多重网络图结构特征的问题,提出了表征学习驱动的多重网络图采样算法。首先,设计融合多重网络图结构特征的图表征学习方法,将节点投影至二维的表征学习空间;其次,利用改进的自适应蓝噪声采样算法,考虑节点密度和网络连通性,从表征学习空间筛选节点,以保持其多重网络结构特征及图上下文结构特征。进而开发了一套多重网络图采样可视分析系统,支持用户交互式地探索多重网络图采样,并与已有采样算法进行对比。案例分析和评估实验证明了本文算法在多重网络图采样中的有效性。

使用图负采样的图卷积神经网络推荐算法

经过几年的快速发展,基于图卷积神经网络的协同过滤算法已经在许多推荐系统场景中取得了最好的表现。但是这些算法在采集负样本时大多仅仅采用简单的随机负采样方法,没有充分利用图结构信息。针对这一问题,提出了一种使用图负采样的图卷积神经网络推荐算法GCN-GNS。该算法首先构造用户-物品二部图,并利用图卷积神经网络获取节点嵌入向量;接下来通过基于深度优先搜索的随机游走方法获取同时包含近距离邻居物品节点和远方物品节点的游走物品节点序列;然后设计注意力层自适应学习游走序列中不同节点的权重,并按权重组成一个动态更新的虚拟负样本;最终利用该虚拟负样本对模型进行更高效的训练。实验结果显示,与对比算法相比,多数情况下GCN-GNS在三个真实公开数据集上都有更好的表现;这表明所提出的新的图负采样方法能够帮助GCN-GNS算法更充分地利用图结构信息,并最终提升物品推荐的效果。

多尺度融合与动态自适应图的公交客流预测模型

公交客流预测是公共交通规划和管理中的重要问题。虽然时空图卷积在地铁客流预测任务中获得了很好的预测效果,但是面对公交更复杂的线路、大规模的节点数据,现有的基于图卷积的空间建模方法将带来巨大的空间内存消耗。同时,公交客流量短时间范围内更可能受到瞬时交通状况的影响。为了解决这些挑战,提出了一种多尺度融合和动态自适应图的公交客流预测模型(MFDAG)。该模型融合客流、时刻和周信息以增加数据的特征维度,用动态自适应图的方法来学习不同站点之间的关系。进一步提出了一种多尺度融合传播的方法来表示复杂的空间依赖关系,同时设计了一种多尺度卷积传播的方法来学习不同尺度的时间依赖关系。在两个真实的客流数据集上进行了实验,并与其他交通预测方法进行了比较。实验结果表明,所提出的多尺度融合和动态自适应图的公交客流预测方法具有更高的预测准确度。

基于图结构特征采样数据摘要的联邦知识图谱查询

联邦SPARQL查询是通过构建查询计划来指导查询执行,数据摘要索引文件捕获了RDF数据集的结构和语义信息,对查询计划生成过程中子查询基数评估至关重要。现有的数据摘要生成方法需要远程遍历每个数据源的完整数据,该过程成本消耗较高,且在大部分环境中联邦查询无法完成对大数据集的统计工作。为在减少数据摘要索引文件生成时间和内存开销的同时捕获尽可能真实的计数信息,考虑主语和谓语的分布偏差,提出利用样图生成原始图近似数据摘要的方法。使用对RDF图出度特征加权的采样方法获取原始图的典型样图,通过改进的映射函数将样图中的信息映射到原始图上,从而生成原始图的近似数据摘要。实验结果表明,该方法相比于基线方法至少节省了70%的数据摘要索引文件生成时间,并且仅采样0.5%的原始图生成的近似数据摘要即可在查询正确率上与基线方法保持高度一致。

ProMIS:概率图采样图像增广驱动的弱监督物体检测方法

目的弱监督物体检测是一种仅利用图像类别标签训练物体检测器的技术。近年来弱监督物体检测器的精度不断提高,但在如何提升检出物体的完整性、如何从多个同类物体中区分出单一个体的问题上仍面临极大挑战。围绕上述问题,提出了基于物体布局后验概率图进行多物体图像增广的弱监督物体检测方法ProMIS(probability-based multi-object image synthesis)。方法将检出物体存储到物体候选池,并将候选池中的物体插入到输入图像中,构造带有伪边界框标注的增广图像,进而利用增广后的图像训练弱监督物体检测器。该方法包含图像增广与弱监督物体检测两个相互作用的模块。图像增广模块将候选池中的物体插入一幅输入图像,该过程通过后验概率的估计与采样对插入物体的类别、位置和尺度进行约束,以保证增广图像的合理性;弱监督物体检测模块利用增广后的多物体图像、对应的类别标签、物体伪边界框标签训练物体检测器,并将原始输入图像上检到的高置信度物体储存到物体候选池中。训练过程中,为了避免过拟合,本文在基线算法的基础上增加一个并行的检测分支,即基于增广边界框的检测分支,该分支利用增广得到的伪边界框标注进行训练,原有基线算法的检测分支仍使用图像标签进行训练。测试时,本文方法仅使用基于增广边界框的检测分支产生检测结果。本文提出的增广策略和检测器的分支结构在不同弱监督物体检测器上均适用。结果在Pascal VOC(pattern analysis,statistical modeling and computational learning visual object classes)2007和Pascal VOC 2012数据集上,将该方法嵌入到多种现有的弱监督物体检测器中,平均精度均值(mean average precision,mAP)平均获得了2.9%和4.2%的提升。结论本文证明了采用弱监督物体检测伪边界框标签生成的增广图像包含丰富信息,能够辅助弱监督检测器学习物体部件、整体以及多物体簇之间的区别。

基于图神经网络与深度学习的PDF文档检测模型

针对传统PDF文档检测误报率过高的问题,提出一种基于图神经网络与深度学习的检测模型DGNN。通过收集文档运行时各线程产生的系统调用数据生成相应的系统调用图,运用所提基于H指数的图采样策略缩减数据规模;采样后的子图作为模型DGNN的输入,借助图卷积网络提取关联关系的同时,利用深度学习提取系统调用对的属性特征并完成特征融合,通过系统调用图的性质判别完成检测。实验结果表明,与其它方法相比,该模型特征提取与训练时间短,有效提高了PDF文档的检测效果。

基于多准则采样的自然图像抠图算法

抠图作为图像处理领域的热点难题,已广泛应用于目标识别、虚拟现实和前景提取等方面。然而,图像高质量像素较少时难以获取高质量像素对的问题一直存在,鉴于此,提出基于多准则采样的抠图算法。该算法通过多准则采样策略从全局相似性到局部相似性的角度获取高质量的候选子集,从而解决高质量像素对较少时易丢失等问题。在此基础上,设计多评价联合的最优像素对选取策略,该策略通过联合多个像素对评价函数,以避免单一评价函数估计的解不是当前最优解。为了验证该算法优越性,选用Alpha matting基准数据集作为实验数据。实验结果表明,在图像高质量像素较少时难以获取高质量像素对的问题上,该算法估计前景透明度遮罩优于目前典型的抠图算法。

基于采样的大规模图聚类分析算法

针对当前聚类方法(例如经典的GN算法)计算复杂度过高、难以适用于大规模图的聚类问题,本文首先对大规模图的采样算法展开研究,提出了能够有效保持原始图聚类结构的图采样算法(Clustering-structure Representative Sampling,CRS),它能在采样图中产生高质量的聚类代表点,并根据相应的扩张准则进行采样扩张.此采样算法能够很好地保持原始图的内在聚类结构.其次,提出快速的整体样本聚类推断(Population Clustering Inference,PCI)算法,它利用采样子图的聚类标签对整体图的聚类结构进行推断.实验结果表明本文算法对大规模图数据具有较高的聚类质量和处理效率,能够很好地完成大规模图的聚类任务.

关于NOAA AVHRR图象重采样及投影方法的研究

本文论述了对极轨气象卫星ＮＯＡＡＡＶＨＲＲ图象进行重采样的必要性，研究了重采样与投影的方法，并利用ＥＲＭａｐｐｅｒ图象处理系统对重采样前后及经过投影处理的彩色图象进行了对比分析。

GMS卫星图象重采样方法探讨

为便于小区域静止气象卫星图象与地理信息、数字化雷达等资料的同化、叠加分析，必须对ＧＭＳ卫星图象资料进行重采样。本文采用非线性卫星原始图象定位技术，讨论了ＧＭＳ卫星图象的４种重采样方法，结合实例计算，对各方法的综合能力作了评估。结果表明，静止气象卫星环境监测资料重采样以最优权重法为宜，卫星云图资料重采样应采用双线性法。

基于采样抠图和自适应颜色的图像合成算法

针对图像合成结果易受颜色取样和权值选取影响等问题,本文借鉴梯度域和线性alpha合成算法的优点,提出了一种基于采样抠图和自适应颜色权值的图像合成算法。算法首先通过增加数据项约束和邻域限制对原始抠图方法得到的alpha matte值进行局部迭代修正,根据得到的alpha matte值对合成区域进行划分,不同的合成区域采用不同的合成策略,边缘区域采用梯度域合成方法对边界进行无缝对接和颜色保真,同时利用均值插值重建方程求解,降低求解复杂度;内部区域通过亮度对比系数计算自适应颜色权值,并用其进行内部区域颜色再平衡,保证源图像和目标图像的完美融合。仿真实验表明,该算法与其他合成算法相比,在无缝边界的同时,颜色保证处理更为有效。

利用VBA实现CAD与Excel相结合自动绘制钻孔采样图

本文介绍了VBA开发工具、AutoCAD和Excel应用软件的基本特点,以及通过VBA编程建立AutoCAD与Excel的通信,实现钻孔采样图的自动绘制。

非下采样图滤波器组的设计方法

针对图滤波器组中难以准确定义一般图信号下采样运算的问题,提出了非下采样图滤波器组的设计方法。首先,采用样条滤波器作为分析滤波器组。然后,通过两种不同的方法设计综合滤波器组,其中,算法一利用顶点域的完全重构条件,构造出综合滤波器组;算法二从子带滤波器的频谱特性考虑,采用带约束优化算法设计综合滤波器组。两种方法可设计得到完全重构的两通道非下采样图滤波器组。最后,在两通道非下采样图滤波器组的基础上,采用级联的方式构造出具有多分辨分析特性的多通道非下采样图滤波器组。仿真结果表明,所提出的非下采样图滤波器组具备完全重构特性。并且,与已有的图滤波器组相比,设计所得的多通道非下采样图滤波器组具有更好的去噪性能。

基于图割和局部算子的图子集选取

图子集选取问题旨在从图节点集中采样少部分代表性节点,利用观测的节点信号值去重构原始图信号。在资源有限的情况下,可以降低数据维度和计算复杂度,提高对复杂多变图结构的适应性,从而为网络数据的传输处理提供高效的技术支撑。现有的确定性算法大多采用贪心优化,后序采样点的选择依赖于前序已采样节点,对初始值敏感,且可能陷入局部最优;同时,大多数频域算法没有考虑顶点域内采样集节点的空间关系。该文提出基于局部算子的两步采样算法,通过构建节点局部算子的内积完全图来度量采样节点的距离,首先求解标准图割,将节点集按距离划分指定个数簇;其次,在各个簇内依据稀疏性度量选择最优点,从而生成最终的采样集。该算法同时结合了频域与节点域的信息,并使得采样可并行执行。在多种图场景下与多种代表性算法相比,该算法都可以取得最优或相近的重构效果。

基于图信号处理的OFDM系统导频设计和信道估计方法

正交频分复用(OFDM,orthogonal frequency division multiplexing)是物联网的物理层关键技术之一,导频设计和信道估计是OFDM系统的关键问题。针对物联网通信场景复杂多样导致固定导频方案性能较差的问题,提出了一种基于图信号处理(GSP,graph signal processing)的导频设计和信道估计方法。首先,将时频资源块建模为图信号,将信道估计问题转换为图信号的采样重建问题。进而考虑时频双选衰落的影响,设计加权图邻接矩阵,构造基于时频位置的图拓扑结构。在此基础上,基于图信号采样理论优化导频位置,提出一种基于加权图拓扑构造的导频图案设计方法。同时,基于图信号重建方法进行信道信息重建,提出基于图平滑性约束的信道估计方案。仿真结果表明,所提方法相较于传统方案在双选信道的高速场景下可取得更高的信道估计精度,在低速场景下则可有效节约导频资源。