基于图的半监督深度学习及其在新生儿疼痛表情识别中的应用

针对新生儿疼痛表情识别任务中由于有类别标签样本数量不足而导致分类准确率不高的问题,提出了一种基于图的半监督深度学习(Graph-based Semi-supervised Deep Learning,GSDL)方法。首先,使用训练集中少量有类别标签的样本对深度神经网络模型进行初步训练,得到初始模型;然后,利用初始模型提取有类别标签样本与无类别标签样本的特征向量,并使用提取的特征向量构建一个邻接矩阵,进而构建一个图,在构建的图上通过标签传播算法推测出无类别标签样本的伪标签;最后,使用所有样本及其标签对深度神经网络模型进行微调,得到最终的新生儿疼痛表情识别分类模型。在新生儿疼痛表情数据集上的实验结果表明,在使用相同数量的有类别标签样本情况下,文中提出的GSDL模型的分类准确率优于传统的有监督深度学习模型,也高于现有的半监督深度学习模型(Mean-Teachers,MT),验证了GSDL方法在新生儿疼痛表情识别中的有效性。

基于图的半监督学习方法综述

半监督学习是机器学习中结合监督学习和无监督聚类方法的一类学习方法。基于图的半监督学习凭借其直观性得到了半监督学习领域专家的青睐。本文对常用的半监督学习方法进行了介绍和阐述，介绍了基于图的半监督学习的发展现状，并对未来基于图的半监督学习的发展做出展望。

基于图半监督学习的医学图像检索

针对医学图像检索中底层特征不能完整地描述图像的高层语义的问题,提出一种基于图的半监督学习框架的医学图像检索算法.首先根据图像之间的距离关系构建图模型,并在标记传播过程中加入密度相似性约束,得到查询图像的类别归属度,即图像的视觉语义表示;然后提取图像分块SIFT特征,用词袋进行描述,以获取图像的局部特征;最后设计了结合视觉语义和局部特征的相似性度量准则.在ImageCLEFmed上的实验结果表明,该算法能够有效地表达图像的视觉语义,检索效率优于单一底层特征检索.

基于半监督协同训练的无人机对地目标跟踪

由于目标小、可区分性差,无人机对地目标跟踪较传统视频目标跟踪更容易丢失目标,提出一种基于l_1图半监督协同训练的目标跟踪算法。算法首先提取样本的颜色和纹理特征构建两个充分冗余的视图,再以基于l_1图的半监督学习算法取代传统协同训练中的监督学习方法构建单视图中的分类器,提高有限标记样本条件下的分类正确率,然后通过基于负类学习的协同训练算法协同更新两个视图的分类器,最后根据不同视图的相似度分布熵融合各分类器的分类结果实现目标跟踪。实验结果表明,该算法能够有效提高分类器的判别能力,具有良好的跟踪性能。

相似青梅品级半监督智能反馈认知方法研究

相似水果的大量存在和标注困难是导致误识的主要原因。仿人认知模式提出了一种基于深度集成学习的相似青梅品级智能反馈认知方法。首先基于半监督学习标注无标签样本以扩充训练样本集;基于具有充分可分性的自适应架构卷积神经网络,从信息论角度建立认知智能决策信息系统,将约简的多层面局部差异特征空间送入集成分类器;基于语义熵测度指标实时评测相似青梅品级的不确定认知结果,自寻优交替调节认知精度、网络层级和中和因子。3 000幅相似青梅图像的平均识别率为98. 26%,表明方法可以有效认知相似青梅品级,为后续在线分拣系统提供理论支持。

稀疏特征空间嵌入正则化:鲁棒的半监督学习框架

在机器学习领域,半监督学习作为一种有力工具吸引了越来越多的关注,其利用少量带标签数据和大量无标签数据进行有效学习,其中基于图的半监督学习方法因其优雅的数学形式和良好的学习性能而引起更广泛的研究.针对现有基于图的半监督学习方法所存在的模型参数敏感和数据判别信息不充分等问题,提出一种稀疏特征空间嵌入正则化(Sparse Feature Space embedding Regularization,SFSR)半监督学习框架,其主要思想为:首先分别将原始数据嵌入到线性特征空间,然后利用特征空间嵌入投影点集来稀疏重构原始数据,随后在由原始数据线性张成的标签空间通过保留这种稀疏表示关系来构建一个Laplacian正则化项,或称SFSR,最后提出一个鲁棒的基于SFSR的半监督学习框架,在几个实际基准数据库上的综合实验结果证实了所提框架的鲁棒有效性.

基于语义角色向量的半监督情感分类方法

情感特征的稀疏性和标注语料的规模受限是影响情感分析方法准确性和推广能力的两个重要难点。区别于基于共现或者句法信息的向量抽取方法 ,定义了一种基于语义角色的情感特征向量,该向量所含特征与预设主题具有真实的语义相关性,同时实现了一种基于规则的向量抽取方法。在基础上,将该向量引入基于图的半监督学习模型,提出了基于有效角色向量的文本相似度度量方式。实验基于在线旅游评论库对比评估了本文的半监督学习模型与传统的监督学习模型以及三种相似度计算方式,结果显示在小规模标注语料上获取了较大的性能提升。

最小代价路径标签传播算法

现有的半监督分类方法由于时间复杂度较高等原因无法用于稍大规模的图像分类.该文根据聚类假设,通过寻找标签在图中进行传播的最主要路径,即最小代价路径,提出了最小代价路径标签传播算法(Minimum Cost Path Label Propagation,MCPLP).该算法通过变形的最小生成树得到无标记样本到标记样本间的最小代价路径,使标记沿着节点间代价最小的路径传播来实现分类,每个节点仅需被传播一次就能得到它们的标记.同时发现本文算法以及其他这类基于图的标签传播半监督分类方法由于构建的稀疏图存在图的连通性问题,导致可能出现标签不能被传播到所有节点,即存在数据不能被分类的情况.我们研究了图的双向不连通问题和图的单向不连通问题(非对称图),提出构建稀疏对称矩阵增强图的连通性以及对未分类数据进行再次分类的方法,解决由连通性带来的数据不能被全部分类的问题.分析及实验结果表明提出的MCPLP算法不仅具有较低的时间复杂度,而且有较高的分类正确率.通过对大规模图像的分类实验,验证了MCPLP算法同样适合于大规模的图像数据分类.

可能性聚类假设的多模适应学习方法

基于图的半监督学习(GSSL)凭借其直观性和良好的学习性能,在机器学习领域吸引了越来越多的关注。然而,通过分析发现,现有基于图的半监督学习方法存在对噪声、异常数据的鲁棒性不够好以及较敏感的问题。此外,该方法具有较好性能的前提是训练数据与测试数据为独立同分布(IID),导致在实际应用中存在一定的局限性。为解决上述问题,在某个再生核Hilbert空间,在充分考虑最小化噪声、异常数据影响的基础上,结合不同数据分布特点,基于结构风险最小化模型,提出一种基于可能性聚类假设的多模型适应学习方法(MA-PCA)。其主要思想为:通过模糊熵减弱噪声、异常数据对方法所带来的负面影响;综合考虑训练数据与测试数据在独立同分布和在独立不同分布时进行有效的多模适应学习,弱化训练数据和测试数据的独立同分布约束条件亦具有较好性能;给出了算法实现及其收敛性定理。在多个真实视觉数据集上分别进行了大量实验并进行深入分析,证实了所提方法具有优越的或可比较的鲁棒性和泛化性能。