基于小样本集弱学习规则的KNN分类算法

KNN及其改进算法使用类标号已知的数据集Dl对类标号未知的数据集Du进行类别标志,如果Dl中的数据数量过少,将会影响最后的分类精度。基于小样本弱学习规则的KNN分类算法旨在提高基于小样本集的KNN算法的分类精度,它首先对Dl中的数据对象进行学习,从中选取一些数据,利用学到的标签知识对其进行类别标号,然后将其加入到Dl中;最后利用扩展后的Dl对Du中的数据对象进行类别标志。通过使用标准数据集的测试发现,该算法能够提高KNN的分类精度,取得了较满意的结果。

神经网络与弱学习机制算法在单相接地故障判断中的对比分析

为了进一步提高单相接地故障识别准确率,对比研究了基于BP神经网络与弱学习机制的单相接地故障分类算法在判断单相接地故障准确率方面的问题。根据10 kV架空线路中所采集到的监测数据,使用‘相应电场下降百分比与电流上升突变值构建的向量空间’作为训练样本。采用‘基于终端吸引子的改进的全局寻优自适应快速BP学习算法’与‘基于决策树的弱学习机制算法’,对单相接地故障识别问题进行研究,并对比了两种算法之间的性能。结论为:相比于神经网络算法,弱学习机制算法能够更好地弱化向量识别时阈值问题,从而在进行单相接地故障分类时能将准确率提高到99%以上。

基于弱学习回归树的电网基建投资模型研究

简要介绍了弱学习回归树的基本原理和神经网络在弱学习回归树中的应用。以某变电站为例进行数据仿真与算法效能评价分析,研究弱学习回归树对投资模型的支持效果。结果显示,在迭代次数、曲线估计前推周期数、分析精度等方面基于神经网络的弱学习回归树算法均优于基于聚类重构的弱学习回归树算法,表明基于神经网络的弱学习回归树算法在电网基建投资分析方面具有良好的效用。

基于异常保持的弱监督学习网络入侵检测模型

网络入侵检测系统对维护网络安全至关重要,目前针对只有较少异常标记网络数据的入侵检测场景的研究较少。基于数据的异常保持性,设计了基于异常保持的弱监督学习网络入侵检测模型WIDS-APL,该检测模型包含数据转换层、表征学习层、转换分类层和异常判别层4部分,利用一组可学习的编码器将样本映射到不同区域并压缩到超球体,利用异常样本的标签信息学习正常样本和异常样本的分类界限,得到样本的异常分数。在4个数据集上的测试结果表明了该模型的有效性和鲁棒性,相比4个主流算法,在AUC-ROC值上分别提升了4.80%,5.96%,1.58%和1.73%,在AUC-PR性能上分别提升了15.03%,2.95%,4.71%和9.23%。

弱监督学习算法下土地光学遥感图像分类

由于土地细节特征较多,类型复杂多样,图像采集难度较大,在不同的时间和区域,土地特征也会发生变化,因此土地分类过程较为复杂。针对以上问题,提出基于弱监督学习的土地光学遥感图像分类方法。利用伪中值滤波法去除光学遥感图像噪声,并通过模糊对比度增强法增强图像对比度;基于此,利用弱监督定位网络获取图像的感兴趣示例,并将子概念层引入多示例聚合网络计算感兴趣示例和标签之间的匹配分数,实现土地图像分类。实验结果表明,上述方法的土地分类准确,且Kappa系数更接近于1,说明所提方法应用性能较优。

基于组对比学习的弱监督三维点云语义分割方法

三维点云语义分割方法,是三维视觉环境感知中的重要任务,被广泛应用于自动驾驶、增强现实、机器人等领域.然而,大多数语义分割方法工作在全监督的模式下,为数据标注带来了极大的压力,为了解决对于大规模点云标注数据的依赖问题,许多工作基于有标签数据训练生成伪标签进一步迭代训练模型,但未考虑到错误伪标签累积所导致的确认偏差.针对该问题,本文提出了一种基于组对比学习的弱监督三维点云语义分割方法,在从伪标签中选择的正例组与负例组之间构造对比学习,令伪标签之间相互竞争,减少错误伪标签的梯度贡献,从而缓解确认偏差.实验结果表明,本文所提出的方法在S3DIS、ScanNetV2、Semantic3D等3个公开数据集上,相较于目前最优方法均取得了更优的精度.

采用元学习的弱监督视频异常检测方法

针对现有弱监督类异常检测方法只考虑准确性而忽略对未知场景的泛化能力,导致模型转移到新场景时性能不佳的问题,提出了一种基于元学习的弱监督视频异常检测方法。该方法的核心思想是通过元学习训练一个自适应模型,通过设计多个任务使模型快速适应新的场景。构建了一个两阶段的视频异常检测框架。在内循环阶段,通过减少任务内部损失函数提高基础检测器的检测精度;在外循环阶段,使模型适应不同任务,提高模型的内部表示能力,使其易于在新的场景中快速微调。所提出方法可在不降低已有模型准确性的前提下提高模型对未知场景的泛化能力,大幅减少模型转移新场景时的迭代次数与训练时间。在UCF-Crime数据集、XD-Violence数据集和UCSD Ped2数据集上的实验结果表明,新方法的训练迭代轮数分别降低到105、125和135。

基于弱监督学习的双分支结直肠病理图像腺体分割

现有弱监督分割方法难以获得结直肠病理图像的细粒度腺体特征,导致无法生成高质量伪标签的问题,影响腺体分割的效果。为了解决上述问题,提出一种基于弱监督学习的双分支结直肠病理图像腺体分割方法。首先,将patch级结直肠病理图像输入到第一个分支网络中,通过特征交互模块和亲和度注意力融合模块实现patch级图像的局部和全局特征的交互和融合,并获得细粒度腺体特征。然后,将图像级结直肠病理图像输入到第二个分支网络中,利用局部类激活注意力模块定位腺体位置,并获得粗粒度类激活图。最后,通过细粒度腺体特征和粗粒度类激活图,得到高质量伪标签,并在分割网络中经过跨尺度连接空间感知模块,实现腺体分割。实验结果表明,将所提方法在GlaS和CRAG两个结直肠病理图像数据集中进行实验,与其他分割方法相比取得较好的分割效果,验证所提方法的有效性。

带约束弱监督学习算法的企业专利附图高关联性自动化推荐

常规企业专利附图高关联性自动化推荐主要依托于朴素贝叶斯算法,通过构建图片推荐模型实现自动化推荐。但此方法由于缺少专利文本与附图匹配交互图的建立,导致得到的归一化折损累积增益较小,推荐效果欠佳。为此,提出基于带约束弱监督学习算法的企业专利附图高关联性自动化推荐方法。根据企业专利文本与附图之间的匹配关系,采用卷积神经网络对附图的深层次视觉特征进行识别,并设计样本采样策略,建立文本与附图匹配的交互图,结合带约束弱监督学习算法计算企业专利偏好的预测概率向量值,进而构建企业专利配图偏好模型,以此为依据,求取每个附图的综合评分,将评分最高的附图构造为推荐列表,由此实现企业专利附图高关联性自动化推荐。对比实验结果表明,所设计的方法得到的归一化折损累积增益较大,企业专利附图推荐效果较好,可以满足实际应用需求。

基于非配对图像间转化弱监督学习的输电线路检测

为了利用UAV航拍图像检测输电线路从而确保电力系统稳定运行,提出了一种基于弱监督学习和非配对图像间转化的输电线路检测方法。利用弱监督学习框架生成输电线路的定位掩码,通过引入新的并行扩展注意力(PDA)模块整合来自不同感受野的信息,从而重新校准通道重要性并提高检测精度。采用基于关联规则学习的算法生成伪线数据集,运用PDA中的注意力定位掩码(ALM)和伪线数据之间的非配对图像间转化技术构建精炼网络,从而增强输电线路的线形特性,实现了仅需图像级标签即可直接检测。实验结果表明,就F1分数而言,所提出的检测方法比目前最先进的递归噪声样本更新(RNLU)方法优越2.74%,并在消融实验中验证了精炼网络每个步骤都具有有效性。

MRI图像的弱监督学习和条件随机场分割

针对传统心脏MRI图像分割人工成本高昂、效率低下的问题,提出弱监督学习框架和条件随机场的心脏MRI图像分割方法,通过双分支的网络结构,由局部交叉熵损失监督,从已有的涂鸦标注中学习;同时,利用两个解码器的输出增强模型训练,动态混合两个分支的输出生成伪标签,获得比涂鸦标注更准确的监督信号;结合涂鸦监督和伪标签监督,对分割网络进行训练;引入条件随机场对网络输出进行后处理,利用像素间关系提高分割结果的精确性。实验结果表明该模型在相近的标注代价条件下可获得比现有弱监督方法更优的分割性能。

基于弱监督表示学习的热红外目标跟踪

由于热红外成像技术具有更强的穿透雾、霾、雨、雪的能力,在恶劣天气条件下的成像效果几乎不受影响,使得基于热红外图像的目标跟踪任务越来越被研究者重视。针对基于卷积神经网络的热红外目标跟踪算法在模型训练过程中需要的带有标签的数据不足的问题,提出了一种基于弱监督表示学习的方法,利用少量的标签数据及大量的无标签数据进行模型训练,从而用于热红外目标跟踪任务。首先,利用主动学习的指导在大量无标签的数据中挑选最具有代表性的训练样本;然后,给定每个样本序列的首帧目标的真实标签,利用基础跟踪器生成该序列中其他图像帧中目标的伪标签;之后,利用带有真实标签和伪标签的训练数据进行模型训练;最后,利用训练好的模型在热红外目标跟踪算法测试数据集上进行模型测试。实验结果表明:该方法可以在减少模型训练对标签数据需求的同时保证跟踪器的准确性。

多视野精细分析下的弱监督目标定位算法

针对多尺度目标定位精度较差,难以捕获完整目标边界的问题,设计一种多视野精细分析模块并融入通道与空间注意力机制抑制背景噪声的干扰,获取多尺度目标的高分辨率特征。利用随机特征选取模块获取特征图随机位置的组合,聚合多个位置图获取最具辨别性的位置及其它位置的信息,融合浅层生成的类激活图与聚合类激活图获取细粒度位置信息,捕获完整的目标边界。与现有的弱监督定位方法相比,在解决多尺度目标定位效果差和局部最优问题上具有一定的优势。

多元化渐进域迁移弱监督实时目标检测

针对像素级自适应较大的图像翻译偏差,特征级自适应的源偏判别风险以及弱监督学习无法兼顾检测准确性和实时性等问题,提出了多元化域移位器和伪边界框生成器以逐步调整预训练模型,在像素级与特征级渐进完成自适应的域迁移框架。通过域移位器从源域生成多样化的中间域图像调整检测模型以弥合域差距,减小图像翻译偏差。将中间域作为监督的源域,并结合目标域中的图像级标签生成伪标注图像调整检测模型以改善源偏判别性。基于SSD算法构建与域迁移框架相匹配的实时目标检测器,实现弱监督条件下的实时目标检测。在PASCAL VOC迁移至Clipart1k等数据集上的mAP优于现有方法0.4%~4.7%,检测速度为32 FPS~47 FPS,提高准确率的同时满足了实时检测的要求,具有更优越的迁移检测性能。

基于双维度增强的弱监督语义分割算法

针对全监督语义分割标注成本高的问题,提出一种仅使用低成本的图像级标签的弱监督语义分割方法。首先,将输入图片通过骨干网络进行特征提取,在网络中插入双维度增强模块把注意力扩散到不容易关注的区域。其次,利用获得的特征图和自注意力模块学习语义相似性,并利用相似性进一步扩大定位图的覆盖区域。再次,利用浅层特征中包含的低级视觉信息对背景建模,生成精细的定位图,然后构建精细定位图和初始定位图的一致性,以自监督的方式不断细化定位图。最后,经过后处理方法获得伪标签指导分割网络。算法仅使用图像级标签在Pascal Voc 2012上实现了验证集70.4%和测试集69.2%的平均交并比,相比其他自监督方法效果较优。

一种基于弱监督学习的图像镜面高光去除算法

高质量图像是计算机视觉任务的基础,但实际生活中高光的出现会覆盖物体表面的纹理和颜色信息,导致图像质量显著下降。目前用于高光去除的深度学习方法往往需要大量高光-无高光配对图像进行监督,而高光图像对应的无高光版本存在收集和处理困难的问题。本文提出一种基于弱监督学习的图像镜面高光去除算法,旨在仅使用高光图像完成训练且达到很好的高光去除效果。首先,利用稀疏非负矩阵分解(NMF)方法估计图像的高光区域,并从无高光区域裁剪出无高光的参考图像。然后,将两者输入到联合训练的高光生成、高光消除和图像重建模块,协同优化各模块功能。总体采用循环生成对抗网络(CycleGAN)架构训练网络并最终生成无高光图像。选取自然图像数据集SHIQ和LIME进行实验,实验结果表明,所提方法能够有效去除镜面高光,并且在性能上对比现有的弱监督学习方法有较大提升。

基于双重动态记忆网络的弱监督视频异常检测

视频异常检测需从整段视频中识别帧级别的异常行为。弱监督方法使用正常与异常视频,辅以视频级别标签训练模型,相比无监督视方法展现出了更优越的性能。然而,目前的弱监督视频异常检测方法无法记录视频长期模态,且部分方法为了获得更优的检测效果,利用了未来帧的信息,导致无法在线应用。为此,文中首次提出了一种基于双重动态记忆网络的弱监督视频异常检测方法,通过设计包含两个记忆模块的记忆网络来分别记录视频中长期的正常和异常模态。为了实现视频特征和记忆项的协同更新,采用读操作基于记忆模块中的记忆项对视频帧的特征进行增强,采用写操作基于视频帧特征对记忆项的内容进行更新,同时记忆项的数量在训练的过程中会动态调整从而适应不同视频监控场景的需求。在训练时,设计模态分离损失增加记忆项之间的区分度。在测试时,仅需要记忆项而不需要未来视频帧的参与,从而实现准确的在线检测。在两个公开的弱监督视频异常检测数据集上的实验结果表明,所提方法优于所有在线应用的方法,相比只能离线应用的方法也具有很强的竞争力。

利用标签相关性先验的弱监督多标签学习方法

多标签学习是一种非常重要的机器学习范式.传统的多标签学习方法是在监督或半监督的情况下设计的.通常情况下,它们需要对所有或部分数据进行准确的属于多个类别的标注.在许多实际应用中,拥有大量标注的标签信息往往难以获取,限制了多标签学习的推广和应用.与之相比,标签相关性作为一种常见的弱监督信息,它对标注信息的要求较低.如何利用标签相关性进行多标签学习,是一个重要但未研究的问题.提出了一种利用标签相关性作为先验的弱监督多标签学习方法(WSMLLC).该模型利用标签相关性对样本相似性进行了重述,能够有效地获取标签指示矩阵;同时,利用先验信息对数据的投影矩阵进行约束,并引入回归项对指示矩阵进行修正.与现有方法相比,WSMLLC模型的突出优势在于:仅提供标签相关性先验,就可以实现多标签样本的标签指派任务.在多个公开数据集上进行实验验证,实验结果表明:在标签矩阵完全缺失的情况下,WSMLLC与当前先进的多标签学习方法相比具有明显优势.

结合伪标签生成与噪声标签学习的弱监督点云分割

针对当前基于深度学习的点云分割技术对点级别标注训练数据的依赖问题,提出一种基于伪标签生成与噪声标签学习的弱监督点云分割框架.首先,利用点云具有非局部相似性的特点,基于局部-非局部图对点云数据进行建模;其次,基于关系图卷积网络,以半监督的方式为稀疏标注的点云训练集数据生成高质量的伪标签;最后,针对生成的伪标签中存在噪声标签的问题,设计一种利用含噪声标签数据准确训练现有点云分割网络的渐进式噪声鲁棒损失函数.在ShapeNet Part与S3DIS等公开点云分割数据集上的实验结果表明,该框架在推理阶段不增加模型额外运算量的情况下,当使用10%的标签时,在ShapeNet Part数据集上的分割精度与全监督方法相差0.1%;当使用1%的标签时,在S3DIS数据集上的分割精度与全监督方法相差5.2%.

基于弱监督学习的细节三维人脸重建

人脸细节特征(如皱纹、沟壑等)在表达情感信息和提高模型真实感上起着重要作用,然而目前大多数细节重建算法忽略了人脸细节的复杂特性,以单一方法提取细节,无法兼顾细节重建质量和鲁棒性。为此,本文提出了一个基于弱监督学习的重建算法,使用基于三维人脸形变模型的粗略模型和UV空间的位移贴图来表示细节人脸。为提升网络的细节提取能力,在细节生成部分将人脸细节分为表情相关细节和表情无关细节,并根据两种细节的不同特性分别设计细节生成网络。为进一步提升重建细节的质量,设计了一组针对细节重建的多层级损失函数。最后在大量无标签的二维图像中以弱监督方式学习,实现基于单张图像的细节三维人脸重建。大量实验结果表明,本文算法在鲁棒性和细节重建质量上均有较好的表现。