一种基于最小距离和稀疏图正则约束的非负矩阵解混算法

针对非负矩阵解混模型存在容易陷入局部极小值、受噪声影响较大以及混合像元中存在“异物同谱”端元的情况下解混精度较低等问题,为此,本文提出了一种基于最小距离和稀疏图正则约束的非负矩阵分解算法(DLGNMF)。该算法将空间信息与光谱信息相结合,在目标函数中引入单形体距离最小化约束作为端元的约束条件,弥补解混过程中高光谱数据空间几何特性的缺失,将稀疏约束和图正则化约束作为丰度的约束条件,保证了高光谱图像中端元分布的全局稀疏性与局部相似性,更好的改善了非负矩阵模型存在的问题,提高了解混的精度。

基于IOMSD曲线匹配的反射对称性检测

在曲线匹配的基础上提出一种新的图像反射对称性检测算法。使用亮度序均值标准差描述子进行曲线匹配,获取单幅图像中的对称曲线对。对对称曲线对上的各点进行梯度对称性度量,确定对称曲线对上的梯度对称点对。使用最小距离约束获取对称曲线对上的最佳对称点对,计算该点对连线的中点。获取图像中所有对称曲线对上最佳对称点对的中点,使用Hough变换实现图像反射对称轴的检测。实验结果表明,在图像亮度变化、对比度变化、噪声污染及旋转情况下,该算法均能够准确地定位图像的对称轴,并成功用于倒影图像的对称性检测。

基于句法结构迁移和领域融合的跨领域情感分类

用于文本情感分析的深度学习模型如递归神经网络等参数较多,因此需要大量高质量标记训练数据对模型进行训练和优化。在实际应用中,特定领域难以获取高质量带情感标签评论数据。在跨领域文本情感分类任务中,针对不同领域数据分布差异性,提出了基于句法结构迁移和领域融合的跨领域文本情感分类方法,可以解决特定领域对带标签数据依赖问题。句法结构迁移方面,将依存语法特征加入到递归神经网络中,设计了一种可迁移的依存句法递归神经网络模型,通过句法结构迁移有效地迁移跨领域结构信息,为情感迁移提供支撑。领域融合方面,在传统的最大均值差异领域度量方法上细化了跨领域同类别距离度量信息。通过约束源领域和目标领域的分布,可以保证2个领域距离在学习过程中尽可能减小,有效地提取领域通用特征。实验结果表明,该方法比已有方法有效提高了跨领域情感分类准确率。