小样本下基于改进度量学习的轨面状态识别

为解决小样本下轨面状态识别过程中存在的关键特征信息提取不充分、区分度信息易丢失的问题,提出一种基于改进度量学习的轨面状态识别方法。该方法在特征提取网络部分引入金字塔拆分注意力机制,实现特征图空间信息多尺度提取、跨维度通道注意力与空间注意力特征交互,以解决轨面状态样本少导致的关键特征信息提取不充分的问题。利用深度局部拼接符对查询集与各类支撑集特征图进行局部特征两两拼接,代替传统度量学习的全局特征拼接,筛选背景等干扰信息,较大程度地保留有显著区分度的特征信息。在自建小样本轨面状态数据集上进行性能验证,并与常规小样本学习方法进行对比实验,实验结果表明,本文方法能够有效识别轨面状态,识别准确率、精度、召回率、F1值分别达到97.96%、98.61%、98.07%、98.34%,相比于性能较好的小样本学习方法 DN4网络,各项指标分别提升了5.75个百分点、5.83个百分点、5.95个百分点、5.89个百分点。

基于元度量学习的小样本输电线路图像部件缺陷分类方法

对巡检图像缺陷准确分类是输电线路自动巡检领域中的关键技术之一。针对因缺陷类别图片数量少而导致传统深度学习方法容易出现过拟合与精度低的问题,提出了一种基于元度量学习的小样本输电线路图像部件缺陷分类方法。首先,搭建了基于小样本学习的图像分类网络,采用基于深度残差结构的卷积层来增强网络特征表达能力。然后,在度量模块中引入基于皮尔森相似度的k-近邻算法与局部特征描述符重加权机制,以提高网络分类能力。最后,为验证所提方法的有效性,利用巡检图像构成的数据集对本文方法和其他基于元度量学习的小样本分类方法进行实验对比分析。结果表明:该文提出的方法在分类性能上有明显优势。同时,本文算法的平均准确率在每类缺陷的测试样本仅有15张图片的情况下达到80.24%。

基于融合距离的极化SAR图像非局部均值滤波

在极化合成孔径雷达(synthetic aperture radar,SAR)图像降噪领域,常见的非局部均值滤波仅依靠像素间的统计距离进行相似性度量,忽略了像素点的空间信息。本文结合极化SAR数据统计特性和图像空间特征作为像素间的相似性度量,提出了一种利用融合距离来计算相邻窗口权重的方法——基于融合距离的非局部均值滤波器。融合距离的引入使得滤波器能够更全面的评估像素间的相似性,从而得到更合适的像素权重。此外,本方法还引进变异系数对邻域窗口的权重进行评估,通过该参数可以控制滤波的程度。在多幅极化SAR图像上的实验结果表明,所提出的滤波器能够在有效抑制斑点噪声的同时保留较为完整的图像边缘信息和极化散射特性。

基于正余弦分解的两分段自适应非局部均值滤波方法

为解决包裹相位图中存留的散斑噪声问题,文中提出了一种基于正余弦分解的两分段自适应非局部均值滤波方法。该方法通过两次改进衰减参数的大小和相似性度量的方式实现了算法的自适应化。利用该方法对包裹相位图的正余弦分量去噪,去噪后利用反正切运算获取干净的包裹相位,对该相位进行解包裹运算。实验和仿真结果表明,所提方法既有效去除了包裹相位图中的噪声,也保留了相位图中的边缘信息。相比于分别使用SCA(Sine Cosine Algorithm)方法和BM3D(Block-Matching and 3D filtering)方法,通过所提方法去噪后的图像等效视数(Equivalent Number of Looks,ENL)最大,散斑抑制指数(Speckle Suppression Index,SSI)最小,且均方误差提升了约两倍,说明所提方法有效去除了包裹相位中的噪声,提高了相位解包裹的精度。

基于局部密度自适应度量的粗糙K-means聚类算法

通过引入上、下近似的思想,粗糙K-means已成为一种处理聚类边界模糊问题的有效算法,粗糙模糊K-means、模糊粗糙K-means等作为粗糙K-means的衍生算法,进一步对聚类边界对象的不确定性进行了细化描述,改善了聚类的效果。然而,这些算法在中心均值迭代计算时没有充分考虑各簇的数据对象与均值中心的距离、邻近范围的数据分布疏密程度等因素对聚类精度的影响。针对这一问题提出了一种局部密度自适应度量的方法来描述簇内数据对象的空间特征,给出了一种基于局部密度自适应度量的粗糙K-means聚类算法,并通过实例计算分析验证了算法的有效性。

基于Minkowski测度的风险度量

将基于Minkowski测度的半范数作为风险度量,发现其涵盖了损失期望值、绝对离差、绝对半离差,下偏矩、(α,t)模型、ES等常见的风险度量方法,并且该风险度量方法满足正齐次性、次可加性和协调性公理。因此,它是一种好的风险度量方法。

局部对偶平坦的Randers度量

研究Randers度量F=α+β(其中α是黎曼度量,β是1-形式)的局部对偶平坦问题.得到了当α是局部射影平坦时F是局部对偶平坦的充要条件.

基于局部线性度量的模糊建模

提出了一种高木－关野模糊逻辑系统的学习算法，该算法的核心是基于数据样本局部线性度量的聚类，它可以有效地确定规则数以及相应模糊逻辑系统的参数初值．通过对系统的参数进行优化，可以很好的描述输入输出变量间的关系．仿真实验说明了该方法的优越性．

基于局部自相似性的图像质量度量

使用图像所包含的一种更本质和深层的特征———局部自相似性,并结合人眼观察图像时注意力由中央向周围递减这一特性,提出了一种基于局部自相似性的图像质量度量方法。通过与已有方法的对比实验表明,该方法能对不同类型的失真图像进行更有效的评判,评价结果能够更好地符合人眼主观视觉特性。

局部可分度量空间的紧复盖紧映象

给出了局部可分度量空间的紧复盖紧映象的刻画．

颜色度量因子耦合局部特征聚类的图像复制-粘贴篡改检测算法

针对当前较多图像复制-粘贴篡改检测算法主要依靠图像的灰度信息来检测图像特征,没有考虑图像的色彩特征,使其存在误检与漏检的不足,引入余弦调制高斯滤波(cosine modulated Gaussian,CMG),设计了基于颜色度量因子与局部特征聚类的图像复制-粘贴篡改检测算法。利用CMG来求取图像的尺度响应值,并通过极值计算来提取图像的候选特征点;再利用像素点的光谱反射模型来建立颜色度量因子,从候选特征点中确定图像的鲁棒特征点。构建特征点的邻域圆,并求取该圆域中的四元数指数矩(quaternion exponent moments,QEM),从而得到相应的特征向量;利用特征向量来计算特征点间的欧氏距离,完成图像的特征匹配。最后,利用匹配点对的R、G、B值,形成特征点的局部特征,实现图像特征的聚类,准确定位复制-粘贴伪造内容。仿真结果显示,较当前的复制-粘贴伪造检测方法而言,对于简单的复制-粘贴篡改和复杂组合篡改,所提方法都具备更高的检测精度与鲁棒性。

匹配于进化种群的局部网络图度量

为了分析匹配于进化种群的贝叶斯网络结构 ,给出了用于刻画局部贝叶斯网络度量的有关表示。依据贝叶斯狄利克雷度量 ,对于贝叶斯网络图中的 3个顶点 (对应于染色体的某 3个基因位置 ) ,研究了 3个顶点无连接、其中只有两个顶点存在有向连接、及 3个顶点存在两条有向边时的度量值关系。揭示了局部贝叶斯网络结构的固有特性 ,为进一步研究进化算法的种群结构提供了一条可行的途径。

关于局部对偶平坦且具有迷向S-曲率的Matsumoto度量(英文)

找到了一些方程去刻画局部对偶平坦的Matsumoto度量F=α2/α-β,其中α=aijyiyj,β=biyi.同时对局部对偶平坦且具有迷向S-曲率的Matsumoto度量进行了分类.

周期点集的局部度量稳定性

给出了紧致度量空间上连续自映射的周期点集具有局部度量稳定性的必要条件和充分条件 .

局部可分度量空间的强序列覆盖cs映像

借用序列的cs网构造适当的Ponomarev系以研究局部可分度量空间的映像,给出了局部可分度量空间的强序列覆盖cs映像和局部可分度量空间的商强序列覆盖cs映像的内在刻画,同时还将得到拓扑空间是局部可分度量空间强序列覆盖cs映像的一个较为简洁方便的充分条件.

核映射和Rank-Order距离的局部保持投影相似性度量方法

针对近红外光谱高维、高冗余、非线性和小样本等特点导致光谱相似性度量时出现的“维度灾难”,提出一种基于核映射和rank-order距离的局部保持投影(KRLPP)算法。首先将光谱数据经过核变换映射到更高维空间,有效保证了流形结构的非线性特征。然后改进局部保持投影(LPP)算法对数据进行降维操作,将rank-order距离替代传统的欧氏距离或测地线距离,通过共享邻近点的信息,得到更加准确的局部邻域关系。最后在低维空间通过距离的计算实现光谱的度量。该方法不仅有效解决了高维空间存在的“距离失效”问题,同时还提高了相似性度量结果的精度。为了验证KRLPP算法的有效性,首先根据降维前后数据集信息残差的变化确定了最佳参数近邻点的个数k和降维后的维数d。其次,从光谱降维投影效果和模型分类效果两个角度与PCA,LPP和INLPP算法进行了对比,结果表明KRLPP算法对于烟叶的部位有较好的区分能力,降维效果以及对于不同部位的正确识别率明显优于PCA,LPP和INLPP。最后,从某品牌卷烟叶组配方中选取了5个代表性烟叶作为目标烟叶,分别采用PCA,LPP和KRLPP方法从300个用于配方维护的烟叶样品中为每个目标烟叶寻找相似烟叶,并从化学成分和感官评价两方面对替换前后的烟叶及叶组配方进行了评价分析。其中LPP和KRLPP用于降维的参数选择保持一致,PCA选择前6个主成分。结果表明,由KRLPP选出的替换烟叶与替换配方在总糖、还原糖、总烟碱、总氮等化学成分以及香气、烟气、口感等感官指标上较PCA、LPP方法差异最小,相似性度量准确度最高。该方法可应用于配方产品替换原料的查找,辅助企业实现产品质量的维护。

联合增强局部最大发生特征和k-KISSME度量学习的行人再识别

行人再识别是一种在监控视频中自动搜索行人的重要技术,该技术包含特征表示和度量学习2部分。有效的特征表示应对光线和视角变化具有鲁棒性,具有判别性的度量学习能够提高行人图像的匹配精度。但是,现有的特征大多都是基于局部特征表示或者全局特征表示,没有很好的集成行人外观的精细细节和整体外观信息且度量学习通常是在线性特征空间进行,不能高效地利用特征空间中的非线性结构。针对该问题,设计了一种增强局部最大发生的有效特征表示(eLOMO)方法,可以实现行人图像精细细节和整体外观信息的融合,满足人类视觉识别机制;并提出一种被核化的KISSME度量学习(k-KISSME)方法,其计算简单、高效,只需要对2个逆协方差矩阵进行估计。此外,为了处理光线和视角变化,应用了Retinex变换和尺度不变纹理描述符。实验表明该方法具有丰富和完整的行人特征表示能力,与现有主流方法相比提高了行人再识别的识别率。

对称正定流形上参数矩阵度量的局部线性嵌入算法

现有的局部线性嵌入算法大部分假设原始数据集位于欧氏空间,但现实中几乎所有的原始空间都是非欧氏空间。针对欧氏空间无法有效地描述数据的非线性结构,影响局部线性嵌入算法的特征提取的性能问题,提出了一种对称正定流形上参数矩阵度量的局部线性嵌入算法。首先在对称正定流形上寻找一个合适的度量方法来提高该算法的性能,引入了一种高效的黎曼空间度量学习方法,通过学习得到的参数矩阵将原始流形变换到新的易区分的流形上。再利用局部线性嵌入算法挖掘显著特征。最后,通过在多个轴承数据集上的实验结果验证方法的高效性。

局部可分度量空间的CS映像

借助不同的序列覆盖映射探讨局部可分度量空间的cs映像,并通过构造恰当的Ponomarev系以寻求局部可分度量空间的1序列覆盖cs映像和2序列覆盖cs映像的内在刻画,从而使得局部可分度量空间的cs映像的研究更加完善。

基于局部结构因子耦合双重度量规则的图像修复算法

为了解决当前较多图像修复算法主要依靠置信度以及数据项来确定修复顺序,而忽略了待修复块的结构连续性,易导致修复的图像中存在不连续以及模糊等不良效应。对此,提出了一种基于局部结构因子耦合双重度量规则的图像修复算法。首先,通过像素点的方向导数构造了局部结构因子,利用局部结构因子以及置信度项建立了优先权度量函数,选取优先修复块。然后,通过像素点的二元函数构造了视觉优化模型,用于对样本块的尺寸进行自适应的调节。最后,利用图像块中像素值构造距离度量模型,通过图像块的灰度值构造相似度度量模型,将距离度量模型与相似度度量模型进行联合,建立双重度量规则,以距离度量值以及相似度度量为双重条件,搜索最佳匹配块。仿真实验结果显示,与当前图像修复算法相比,修复算法具有更高的修复质量与效率。