基于弱匹配典型相关性分析的阿尔茨海默病识别

目的为了增强阿尔茨海默病(AD)的识别能力。方法该文采用多模态异构生物标志物数据在统计意义上潜在的相关性,利用互补原理,最大化不同模态数据之间的相关性,并在典型相关性分析的基础上,引入流形正则化技术提出了弱匹配典型相关性分析算法。结果解决了弱匹配多模态数据相关性建模问题。结论多模态异构生物标志物数据融合方法的预测性能优于单模态,能对AD的发病和病理研究提供更准确的信息。

基于弱匹配概率典型相关性分析的图像自动标注

针对弱匹配多模态数据的相关性建模问题,提出了一种弱匹配概率典型相关性分析模型(semi-paired probabilistic CCA,简称Semi PCCA).Semi PCCA模型关注于各模态内部的全局结构,模型参数的估计受到了未匹配样本的影响,而未匹配样本则揭示了各模态样本空间的全局结构.在人工弱匹配多模态数据集上的实验结果表明,Semi PCCA可以有效地解决传统CCA(canonical correlation analysis)和PCCA(probabilistic CCA)在匹配样本不足的情况下出现的过拟合问题,取得了较好的效果.提出了一种基于Semi PCCA的图像自动标注方法.该方法基于关联建模的思想,同时使用标注图像及其关键词和未标注图像学习视觉模态和文本模态之间的关联,从而能够更准确地对未知图像进行标注.