表格单元格分类的端到端不完全监督方法

大数据时代下,爆炸式增长的非结构化数据中蕴含着大量有价值的信息,对其进行识别和提取变得越发重要。表格是典型的高价值密度非结构化数据,为了识别表格的功能结构,并提高模型的通用性和结果的易用性,针对表格单元格分类提出一个端到端不完全监督方法。设计了基于视觉可见的特征选取方案来提高通用性,提出基于规则的自动修正算法用于改善单元格分类的效果,让用户对结果进行再次修正并将结果作为额外的训练数据参与模型训练来提高模型不同场景下的适应性。最后将方法实现为端到端工具,在提高便捷性的同时使得修正后的数据可直接导出用于下游任务。实验结果表明,提出的方法在多个指标上对比基线方法均有提升,同时在一定程度上提高了结果的易用性。

联合可靠实例挖掘和特征优化的无监督行人重识别

针对无监督行人重识别方法的伪标签中包含大量噪声的问题,提出一种联合可靠实例挖掘和特征优化的行人重识别方法.首先设计一种衡量伪标签可靠度的指标,利用不同参数下DBSCAN聚类结果的稳定性衡量伪标签的质量;然后提出可靠实例挖掘策略进行伪标签去噪,伪标签可靠度大于预设阈值的实例保留其原伪标签,反之则修正其伪标签;再提出融合全局和局部特征的二重动量更新策略,每个batch对涉及的样本进行即时特征更新,每个epoch对存储字典中所有样本特征进行更新;最后利用统一对比损失对骨干神经网络进行训练优化.在2个大型公共数据集Market-1501和DukeMTMC-reID上的实验结果表明,mAP分别达到77.9%和67.4%,Rank-1分别达到90.2%和88.2%.

一种基于支撑向量机的遥感影像不完全监督分类新方法

不完全监督分类是研究在只有目标类训练样本的情况下如何准确地将目标类从数据集中提取出来。在许多遥感应用问题中,往往只需要从遥感影像中提取某一类地物。如果分类过程中只要选取目标类训练样本,将节省在训练样本选取过程中的大量人力物力。因此不完全监督分类是一个值得研究的遥感分类问题。提出了一种基于加权无标识样本支撑向量机(WUS-SVM),并在其基础发展出一种不完全监督分类方法。该方法分3个步骤:(1)在影像中随机选取一定量的无标识样本,将它们作为具有不同权重的非目标类训练样本;(2)用目标类的训练样本和加权无标识训练样本一起训练WUS-SVM,得到初步的分类器;(3)利用初步的分类器确定无标识样本的类别,并与原目标类训练样本一起再次训练SVM得到最终的分类器。通过对模拟数据和遥感影像的分类试验初步证明了该分类方法的有效性。

参数字典稀疏表示的完全无监督域适应

无监督域适应(unsupervised domain adaptation,UDA)针对的是源域有标记而目标域无标记的学习问题,其目的是利用从标记大样本源域中所学"知识"来促进无标记小样本目标域的学习性能。但现实中也往往存在样本无标记的源域,形成了所谓的完全无监督域适应。该问题给域适应学习带来了严峻的挑战。受先前提出的软大间隔聚类学习(soft large margin clustering,SLMC)启发,提出了一种参数迁移方法——参数字典稀疏表示的完全无监督的域适应方法(whole UDA,WUDA)。SLMC采用分类学习思想在输出(标记)空间中实现给定数据的聚类,在这种实现原理的启发下,从参数(决策函数的权重矩阵)公共字典的角度,在源域和目标域的权重间进行互适应参数字典学习实现知识迁移,同时引入l_(2,1)范数来约束字典系数矩阵,使得各域权重可从公共字典中自适应地选择,从而实现域适应学习。最后,在相关数据集上的实验显示了WUDA在聚类性能上的显著有效性。

非对称信息条件下政府对互补性研发合作体的激励工具选择

基于信息不对称条件,通过引入社会扭曲成本与社会收益变量,解释了合作体成员可能出现的搭便车行为,并构建了互补性研发体成员在政府不同激励工具下的决策模型。分析表明,对于互补性研发合作体的激励,政府不完全监督是最优的政策选择。

深度学习在微创手术视频分析中的应用研究综述

深度学习理论在微创手术视频分析中的应用日趋广泛,在微创手术工具检测与跟踪、微创手术工具存在检测和微创手术流程识别等领域已取得令人瞩目的成果。从长远来看,对微创手术视频内容进行细致分析,不但可以自动识别正在进行的微创手术任务,而且可以用来提醒临床医生注意可能出现的并发症。近年来,随着技术的不断发展,深度学习在微创手术视频分析中的应用已取得很大的进展。首先系统阐述微创手术视频分析的意义、难点和相关技术内容,重点介绍深度学习算法的优势;然后总结近年来深度学习在微创手术工具检测与跟踪、微创手术工具存在检测及微创手术流程识别等领域取得的研究成果,在微创手术视频分析的不同领域基于算法特点进行分类总结,并对不同算法进行比较评价;最后,对微创手术视频分析未来的发展方向进行展望。

基于深度学习的微创手术工具检测与跟踪研究综述

基于深度学习的微创手术工具检测与跟踪技术在微创外科手术中的应用是目前的一个研究热点。本文首先对微创手术工具检测与跟踪的相关技术内容进行系统阐述,主要介绍了基于深度学习算法的优势。然后,本文概述了基于完全监督的深度神经网络手术工具检测与跟踪算法以及新兴的基于弱监督的深度神经网络手术工具检测与跟踪的算法,重点归纳了基于深度卷积神经网络及递归神经网络的几种典型算法框架及其流程图,以便相关领域的科研工作者更系统地了解目前研究进展,同时可为微创外科手术医生选择导航技术时提供参考。最后,本文为基于深度学习的微创手术工具检测与跟踪技术的进一步研究提供了一个大致的方向。