基于在线特征选择的实时压缩跟踪

针对原始压缩跟踪算法无法自适应选择特征易导致目标丢失或者漂移这一现象,提出一种基于在线选择特征的实时压缩跟踪算法。首先,在初始化阶段生成两个互补的投影矩阵,利用该投影矩阵提取特征构造候选特征池。然后,通过特征置信度度量策略实时从候选特征池中选择置信度较高的特征,并融合所选特征对应的置信度构造分类器。最后,利用该分类器对候选样本做二元分类处理,获得最高分类器响应值的样本作为最后跟踪结果;而上一帧跟踪结果用来在线更新特征池和分类器为后续跟踪做准备。本算法在多个公共测试视频序列与原始压缩跟踪算法进行了对比,结果表明其跟踪精度和鲁棒性方面得到了改善,对于320pixel×240pixel大小的视频平均处理帧速为25frame/s,满足实时跟踪要求。

面向分类的流特征在线特征选择算法

在线流特征选择通过实时过滤无关特征和冗余特征,实现流特征空间降维.针对已有算法,如Alpha-investing分类精度低、SAOLA选择特征数多和OSFS在低冗余高相关数据集下运行时间长的问题,提出了一种面向分类的流特征在线特征选择算法——OSFIC.算法运用四层过滤框架,通过无条件独立过滤不相关新特征、单条件下互信息过滤冗余新特征和候选特征集合中的部分冗余特征,最后通过多条件独立过滤候选特征集中的剩余冗余特征,最终得到分类标签的近似马尔可夫毯.为了分析OSFIC的性能,选择了NIPS 2003和Causality Workbench中的数据集,从预测精度、特征数量、运行时间和AUC方面与已有基准算法进行比较.实验表明,OSFIC平均分类精度比Alpha-investing提升4.41%.在保证精度的前提下,平均特征数量比SAOLA减少41.9%,运行时间比OSFS减少91.59%.最后,在真实的应用场景下验证了OSFIC的有效性.

基于在线特征选择的粒子滤波跟踪算法

在复杂场景下,传统的粒子滤波跟踪算法较难定位目标。针对此问题,提出了一种基于在线特征选择的粒子滤波跟踪算法。该算法首先在线、自适应地通过Fisher判别准则,从16个不同的颜色特征空间中选择最能区分目标及其邻近背景的1个最佳特征空间,然后在这个最佳特征空间中用基于统计直方图的粒子滤波算法跟踪目标。试验结果表明,该算法鲁棒性和准确性较好,在光照变化、目标自身发生形变和遮挡情况下能够准确地对目标进行跟踪。

基于特征聚类集成技术的在线特征选择

针对既有历史数据又有流特征的全新应用场景,提出了一种基于组特征选择和流特征的在线特征选择算法。在对历史数据的组特征选择阶段,为了弥补单一聚类算法的不足,引入聚类集成的思想。先利用k-means方法通过多次聚类得到一个聚类集体,在集成阶段再利用层次聚类算法对聚类集体进行集成得到最终的结果。在对流特征数据的在线特征选择阶段,对组构造产生的特征组通过探讨特征间的相关性来更新特征组,最终通过组变换获得特征子集。实验结果表明,所提算法能有效应对全新场景下的在线特征选择问题,并且有很好的分类性能。

在线特征选择和遮挡处理的目标跟踪

为了提高相似物体干扰、光照变化等复杂环境下目标跟踪的稳定性,提出利用Fisher准则的在线选择鉴别性特征,将在线特征选择嵌入到跟踪算法中。但是,在目标被严重遮挡时仍在线选择鉴别性特征,会使目标模板偏移,导致跟踪失败。为了在目标被严重遮挡的情况下仍能在线选择鉴别性目标特征,选择一个可靠的子区域来推测被遮挡目标的颜色特征,再选择鉴别性特征。实验结果表明该方法在相似物体干扰、被跟踪目标被遮挡等复杂环境下极大地改善了跟踪的稳定性。

基于自适应密度邻域关系的多标签在线流特征选择

流特征选择指从以流形式到来的特征数据中选出最优特征子集,现有方法大多在模型训练中需要事先学习领域信息并预设给定参数值。实际应用中,由于不同的数据集数据结构和来源不同,在模型学习过程中研究人员无法提前获取相关领域知识且针对不同类型数据集指定一个统一参数存在巨大挑战。基于此,提出一种基于自适应密度邻域关系的多标签在线流特征选择方法(multi-label online stream feature selection based on adaptive density neighborhood relation,ML-OFS-ADNR),基于邻域粗糙集理论,所提方法在特征依赖计算时无需任何先验领域信息。此外,提出了一种新的自适应密度邻域关系,使用周围实例的密度信息,可以在流特征选择过程中自动选择适当数量的邻域,不需要事先指定任何参数。通过模糊等价约束,ML-OFS-ADNR可以选择高依赖低冗余度的特征。实验表明在10种不同类型的数据集上,所提方法在特征数量相同的情况下优于传统特征选择方法和先进的在线流特征选择方法。

基于抗噪声邻域粗糙集的在线流特征选择算法

在开放动态环境当中,特征是动态生成的,特征在不同时间戳内流入特征空间称为流特征.然而,在一些基于传统的邻域粗糙集流特征选择算法中,噪声点会对特征的依赖度计算造成影响.基于此,本文提出了基于抗噪声邻域粗糙集的在线流特征选择算法.首先,充分考虑噪声点的影响,定义一种抗噪声的邻域关系,并设计基于抗噪声邻域的依赖度计算公式.进一步,考虑到特征对不同类别所提供的信息不同,结合类别正域,提出了一种新的在线相关性分析方法和冗余分析方法.在8个数据集上的实验研究表明,所提算法得到的特征子集优于一些在线流特征选择算法.

基于在线特征选择的网络流异常检测

针对传统批处理特征选择方法处理大规模骨干网数据流存在时间和空间的限制,提出基于在线特征选择(online feature selection,OFS)的网络流异常检测方法,该方法将在线思想融入线性分类模型,在特征选择过程中,首先使用在线梯度下降法更新分类器,并将其限制在L1球内,然后用截断函数控制特征选择的数量。研究结果表明,提出的方法能充分利用网络流的时序性特点,同时减少检测时间且准确率和批处理方法相近,能满足网络流异常检测的实时性要求,为网络流分类和异常检测提供一种全新的思路。

基于最大决策边界的高维类不平衡数据在线流特征选择

数据的特征空间常随时间动态变化,而训练样本的数量固定不变,数据的特征空间在呈现超高维特点的同时通常伴随决策空间的类别不平衡问题.对此,文中提出基于最大决策边界的高维类不平衡数据在线流特征选择算法.借助邻域粗糙集模型,在充分考虑边界样本影响的基础上,定义自适应邻域关系,设计基于最大决策边界的粗糙依赖度计算公式.同时,提出三种在线特征子集评估指标,用于选择在大类和小类之间具有强区分能力的特征.在11个高维类不平衡数据集上的实验表明,在相同的实验环境及特征数量下,文中算法综合性能较优.

基于特征在线选择的目标压缩跟踪算法

基于压缩感知理论的压缩跟踪算法能够有效地实现对目标的跟踪,具有良好的实时性,但该算法对目标特征没有进行在线选择导致跟踪鲁棒性不高.本文提出一种基于特征在线选择的目标压缩跟踪算法.首先,在目标附近采样得到正负样本集合,计算样本的多尺度矩形特征,采用压缩感知中的随机投影矩阵对高维特征投影得到低维压缩域特征,对压缩域特征进行在线选择提取最优特征,剔除被污染的样本特征,使用简单高效的朴素贝叶斯分类模型进行样本判断,实现对目标的跟踪,同时对跟踪中目标在摄像头中的尺度变化进行建模,给出目标尺度变化的定量描述,实现了适应目标尺度变化的多尺度跟踪.实验结果表明本文算法具有更好的鲁棒性与更高的跟踪精度,对目标跟踪中的遮挡、光线突变、尺度变化和非刚性形变等因素具有较好的抗干扰能力,同时算法复杂度低,可以满足实时性要求.

基于邻域粗糙集的高维类不平衡数据在线流特征选择

在许多实际应用中,数据经常呈现高维不平衡特征,特征还根据需求在不同时间段动态生成.基于此种情况,文中提出基于邻域粗糙集的高维类不平衡数据的在线流特征选择算法.算法设计基于小类重要度的粗糙依赖度计算公式,同时,提出在线相关性分析、在线冗余度分析、在线重要度分析三种策略,用于选择在大类和小类之间具有高可分离性的特征.在7个高维类不平衡数据集上的实验表明,文中算法可以有效选择一个较好的特征子集,性能较优.

结合特征在线选择与协方差矩阵的压缩跟踪算法

本文从3个方面对原始压缩跟踪算法进行改进,以提高其在复杂场景下的鲁棒性和准确性。首先,提出一种结合特征在线选择的压缩跟踪算法,通过计算相邻两帧同维特征所服从的高斯分布曲线的Hellinger距离来度量特征的置信水平,从特征池中选择置信水平较高的特征,并融合特征的置信水平构造贝叶斯分类器。然后,在压缩跟踪框架下引入协方差矩阵以增强算法对目标的表达能力,把Haar-like特征和协方差矩阵相结合构建目标模型,取最大响应值所对应的候选样本作为跟踪结果。最后,优化分类器参数的更新方式,根据目标模板与跟踪结果的相似度来自适应更新分类器参数。改进算法的平均跟踪成功率比原算法提高了25%,平均跟踪精度比原算法提高了22%。相比于原始压缩跟踪算法,本文算法具有更高的跟踪鲁棒性和准确性。

在线矩形特征选择的压缩跟踪算法

针对压缩跟踪算法无法选择合适的矩形特征,易出现目标漂移、丢失现象,提出了一种基于在线矩形特征选择的压缩跟踪算法。首先,在初始化阶段生成投影矩阵,利用该投影矩阵提取特征来构造候选特征池,在特征池中使用矩形特征来表示目标特性,并去除与目标差异较大的矩形特征,最后计算分类分数最大的窗口,并将其作为目标窗口,从而实现跟踪。实验结果表明,该算法特征总数量比压缩跟踪算法特征总数量减少了13%,且跟踪精度和鲁棒性方面得到了改善,对于320pixel×240pixel大小的视频平均处理帧速为20frame/s,满足实时性要求。

基于自适应领域粗糙集的多标签在线流特征选择

多标签特征选择指在多标签场景下选出代表性属性.已有的多标签特征选择方法大多集中在事先获得全部特征空间,而没有考虑流式特征情况.随着时间的推移,这些特征不断地流入模型中.此外,一些流方法需要在学习之前指定参数.因此,在训练不同类型数据集之前,如何选取统一和最优参数成为一种难题.基于此,本文定义自适应邻域粗糙集关系-Gap,并提出自适应领域粗糙集多标签在线流特征选择方法(Multi-Label Online stream Feature Selection based on Adaptive Neighborhood Rough Set,ML-OFS-ANRS).其中邻域粗糙集的数据挖掘不需要任何特征空间结构的先验知识,在处理混合数据时也不会破坏数据的邻域和顺序结构.在第一阶段,根据动态最大依赖将相关和重要的特征选择到已选子集中.为过滤冗余特征,计算每个特征的重要性,并在已选子集中执行并行归约作为第二阶段.因而,采用"动态最大依赖、在线冗余减少"评价标准,ML-OFS-ANRS可以选择高相关性、低冗余的特征.实验表明,在10种不同类型的数据集上,ML-OFS-ANRS在特征数量相同的情况下优于传统特征选择方法和先进的在线流特征选择算法.

基于ReliefF的层次分类在线流特征选择算法

在图像标注、疾病诊断等实际分类任务中,数据标记空间的类别通常存在着层次化结构关系,且伴随着特征的高维性。许多层次特征选择算法因不同的实际任务需求而提出,但这些已有的特征选择算法忽略了特征空间的未知性和不确定性。针对上述问题,提出一种基于ReliefF的面向层次分类学习的在线流特征选择算法OH_ReliefF。首先将类别之间的层次关系融入ReliefF算法中,定义一种新的面向层次化数据的特征权重计算算法HF_ReliefF;其次,利用特征对决策属性的划分能力动态选择重要特征;最后,基于特征之间的独立性对特征进行动态冗余分析。实验结果表明,与五种先进的在线流特征选择算法作对比,OH_ReliefF算法在K最邻近(KNN)分类器和拉格朗日支持向量机(LSVM)分类器的各个评价指标中都取得较优的结果,准确率最少提高7个百分点。

基于邻域粗糙集的大规模层次分类在线流特征选择

在分类学习任务中,数据的类标记空间存在层次化结构,特征空间伴随着未知性和演化性.因此,文中提出面向大规模层次分类学习的在线流特征选择框架.定义面向层次化结构数据的邻域粗糙模型,基于特征相关性进行重要特征动态选择.最后,基于特征冗余性进行鉴别冗余动态特征.实验验证文中算法的有效性.

基于层次类别邻域粗糙集的在线流特征选择算法

在开放动态环境中,在线流特征选择是降低特征空间维度的有效方法 .现有的在线流特征选择算法能够有效地选择一个较优的特征子集,然而,这些算法忽略了类别中可能存在的层次结构.基于此,提出基于层次类别邻域粗糙集的在线流特征选择算法:首先,在邻域粗糙集中引入层次最近异类的邻域关系,避免邻域粒度的选择,借助层次结构计算特征对标记的层次依赖度,推广邻域粗糙集模型以适应层次类别数据;其次,基于层次依赖度提出三个在线特征评价函数,设计了在线相关选择、在线重要度计算和在线冗余更新的层次特征选择框架;最后,在六个层次类别数据集和八个扁平单标记数据集上的实验表明,提出的算法优于现有最先进的在线流特征选择算法.

基于邻域决策误差率的层次分类在线流特征选择

在实际应用领域中,存在许多特征空间无法预先给定的场景,数据以特征流的形式随时间动态流入特征空间,而样本数量是固定不变的.同时,数据的类别中往往存在丰富的层次化结构关系,传统的特征选择算法在性能上已无法满足需求.基于此,本文提出一种面向层次分类学习的在线流特征选择算法.首先,利用兄弟节点之间的关系设计了一种基于最大近邻的决策误差率计算公式.其次,设计在线重要性选择和在线冗余更新两种在线评估准则,用于选择决策误差最小的特征子集.最后,在6个层次数据集上的实验结果表明,所提算法优于一些现有的在线流特征选择算法.

基于邻域搜索的在线特征大数据分类方法

针对现有算法在处理海量数据集时处理效率低的问题,提出一种基于邻域搜索的在线特征选择(neighborhood search for online feature selection, NSOFS)并行大数据分类方法.在Map阶段,将大数据集进行分块,针对动态未知特征空间,通过萤火虫算法和模拟退火算法的优化,对于在线特征进行邻域搜索,选择最佳特征集,将获得的特征集作为Reduce阶段输入特征,然后使用内核支持向量机(Kernel Support Vector Machine, KSVM)对数据分类.实验结果表明:所提方法在精确率、召回率、F值和时间等性能方面优于其他现有方法.

基于特征交互的层次分类在线流特征选择

在开放动态环境下的分类学习任务中,数据特征空间具有动态性,标记空间存在层次化结构.现有的层次分类在线流特征选择算法可以选择较优的特征子集,但这些算法忽略了特征之间存在的交互作用.基于此,提出了一种基于特征交互的层次分类在线流特征选择算法.首先,设计了一种基于层次邻域依赖度去判断特征交互的计算方法;其次,针对层次化结构数据,根据层次结构中不同节点间的兄弟关系定义邻域粗糙集模型;最后,设计了具有在线重要性分析、在线冗余性分析以及在线交互性分析的层次分类在线流框架,用于选择强相关和存在交互作用的特征子集.在6个层次数据集上的实验验证了所提算法具有较优的综合性能.