多数据集深度学习模型的修图处理识别

图像处理软件的飞速发展,带动了移动应用领域一大批修图、美化应用的兴起。但是修图、美化软件的快速发展和普及也带来了一些社会问题和安全问题,如网恋对象严重失真,摄影作品造假等。针对手机中的修图处理APP软件,提出一种基于多数据集特征学习的神经网络模型,并给出其网络拓扑结构。区别于传统的多个神经网络并行操作,提出的网络模型具有共享模型参数的特征,能同时对多个特征数据集进行深度学习,使检测程序具备多特征识别能力。此外,还提出了一种针对多任务网络模型的损失函数,以增强深度特征学习的能力。实验结果表明,提出方法的准确率较传统方法有较大提升,同时泛化性能优越,能识别出经过多种美图、修图软件修复过的图像。

广义多线性混合效应模型

为了解决多数据集间联合特征提取时数据分布多样、集间相关性结构复杂和共享特征方法多样的问题,本文提出了广义多线性混合效应模型。作为一种非监督多数据集特征提取方法,本算法可挖掘多个数据集之间的共享信息,实现对多数据集全局、局部和个体特征的提取。本算法利用了传统的广义线性模型,使其可以处理不同分布的张量数据集;并提出了一种基于超图的关系模型。该模型利用关系矩阵可以实现对数据集间相关结构的建模;通过提出辅助模式的概念,实现了特征的自动归类。数值实验结果表明:利用本算法提取的特征不仅反映了多数据集间的共同与个体信息,并且在人脸识别和推荐系统等问题中性能优于传统算法。