基于多层次稀疏编码预测蛋白质亚细胞定位

文中提出了一种简单有效的蛋白质亚细胞区间定位预测方法,为进一步了解蛋白质的功能和性质提供理论基础。运用稀疏编码,结合氨基酸组成信息提取蛋白质序列特征,基于不同字典大小对得到的特征进行多层次池化整合,并送入支持向量机进行分类。经Jackknife检验,在数据集ZD98、CH317和Gram1253上的预测成功率分别达到95.9%、93.4%和94.7%。实验证明基于多层次稀疏编码的分类预测算法能显著提高蛋白质亚细胞区间定位的预测精度。

基于时空稀疏编码的动态人脸识别

随着视频监控在生活中的普及及身份认证在安防领域的发展需求,基于动态视频序列的人脸识别需求越来越大。分析现有的主流人脸识别算法的特点,结合推广到三维立体空间的稀疏编码,提出了一种改进的人脸序列特征提取方法。该算法通过滑窗的方法将视频序列切分成固长的若干子序列,将每个子序列看成一个三维立方像素块,并将该立方块可重叠地切分成若干标准大小的小块,用K-SVD算法制作字典,求得稀疏系数作为特征。鉴于稀疏编码特征维度太高,用Pooling池化按照多种层次来整合特征,获得最终使用的特征矩阵。该特征鉴别力较高,使用传统的SVM分类器即可取得state-of-the-art的结果。实验表明,在包含40个人的数据集上,以总样本的10%作为训练集时,可获得95.6%的平均正确率。