基于深度学习多任务与标签分布的年龄估计研究

人脸通常受环境、习惯、基因、性别、种族等内外因素共同影响,因而准确的面部年龄估计是一个很具挑战性的课题。鉴于此,提出一种基于性别辅助任务的双分支年龄估计模型CUT-ResNet50,将标签分布学习应用于年龄估计,探究性别因素对年龄估计任务的影响。通过将共享参数层提取的低级特征输入到性别网络分支以提取性别特征后,再与共享参数层的低级特征融合,作为年龄网络分支的输入。引入标签分布学习,利用数据集相邻样本信息生成年龄的分布信息,减少人脸样本分布不均衡对年龄估计性能的影响,并重新训练双分支年龄估计模型。在公开的MORPH-II数据集与UTKFace数据集上,MAE分别达2.1和4.1,这表明添加了性别辅助任务的多任务学习与标签分布学习可以提升年龄估计准确度,从而证明了新设计模型的有效性。

基于多峰标签分布学习的多任务年龄估计方法

针对面部年龄估计中标签序数信息和类间相关性提取难的问题,提出一种多峰分布(MPD)年龄编码,并基于该年龄编码构建了一个多任务年龄估计方法MPDNet(MPD Network)。首先,利用MPD将年龄标签转化为年龄分布,以提取年龄标签间的相关信息,构建年龄老化趋势的阶段性;然后,采用一个轻量级网络进行多阶段的特征提取,并对提取的特征分别进行标签分布学习(LDL)和回归学习;最后,共享两个学习任务的输出,并在训练过程中通过反向传播互相优化,避免传统标签分布学习中对分布结果直接进行回归导致的误差传播。在MORPHⅡ数据集上的实验结果表明,MPDNet的平均绝对误差(MAE)达到2.67,与基于VGGNets(Visual Geometry Group Networks)构建的DEX(Deep EXpectation)、RankingCNN(Ranking Convolutional Neural Network)等方法相当,而参数仅为VGGNets的1/788.6;而且MPDNet也优于同体量的C3AE(extremely Compact yet efficient Cascade Context-based Age Estimation model)、SSR-Net(Soft Stagewise Regression Network)等方法。MPDNet能够较好地利用年龄标签间丰富的相关信息来提取更具判别力的年龄特征,提高年龄估计任务的预测精度。

社交博客标签分布的布拉德福定律验证分析

布拉德福定律是定量测定学科间联系程度和描述相关论文在所载期刊中的数量分布的重要经验法则,已有研究表明该经验法则依然适用于解读网络学术资源的分布,但较少关联到社交博客标签。为此,以2013-2016Meta Filter music版块标签资源为分析单元,描述标签频次及类别分布特征,求解标签频次分布曲线拟合方程;三等分标签词集合,利用积分函数获取高频、中频和低频区间的边界,并证明各区间标签类别分布服从布拉德福定律;证实标签关联用户和资源在各区间的均衡分布,对比验证不同语义环境下标签布氏分布的稳定性,相关研究可用于社交博客核心节点群的发现与预测。

基于标签分布构造的异构数据集年龄估算

现有年龄估算方法的性能度量主要是基于训练集与测试集独立同分布的假设。为了能更好地符合实际场景以及更好地评估年龄估算方法的泛化性能,提出一种异构数据集评估协议,即在年龄估算时更关注训练集与测试集具有的不同分布和特征情况。此外,为了提高基于卷积神经网络的年龄估算方法的拟合能力,在充分考虑相邻年龄特性的基础上,通过将年龄估算问题建模为基于高斯模型的标签分布学习,提出一种新颖的损失函数。理论分析与实验结果皆说明本文方法的有效性与鲁棒性。

融合标签结构依赖性的标签分布学习

针对现有标签分布学习(Label Distribution Learning,LDL)算法较少考虑标签间关联性的问题,提出一种融合结构化标签依赖性的LDL算法.算法分为扩展、学习和恢复三个阶段:在扩展阶段,结合成对标签之间的关联性,构建结构化标签依赖性;在学习阶段,结合该依赖性,构建学习框架;在恢复阶段,利用最小二乘法求解超定方程组以预测标签分布.与七种常用的标签分布学习算法相比,在八个开放数据集上进行实验,提出的算法在Euclidean距离、Sørensen距离、Squardχ2距离、Kullback‐Leibler散度、Intersection相似度和Fidelity相似度六个主流评估指标上明显占优.

基于标签分布学习的视频摘要算法

针对现有监督视频摘要算法中存在的模型训练复杂问题,提出一种新的基于标签分布学习(LDL)的视频摘要算法,采用非参数监督学习的方式生成视频摘要,利用标签传递的方法将摘要结构从带有注释的视频转移到相同类型的测试视频中.首先提取视频的卷积神经网络特征和颜色特征,将两者融合后进行降维得到特征矩阵;然后将特征矩阵与训练样本的标签分布一起输入到LDL模型中;最后根据模型输出的标签分布选取关键帧,生成视频摘要.在基准数据集上与其他算法的实验表明,该算法生成的摘要与用户创建的摘要一致性很高,明显优于其他算法.

基于标签分布学习的三维手部姿态估计

快速、可靠的手部姿态估计在人机交互等领域有着广泛的应用。为了解决光照强度变化、自身遮挡以及姿态变化幅度较大等情况对手部姿态估计的影响,提出了一种基于标签分布学习的深度网络结构。该网络将手部点云作为输入数据,首先通过最远点采样和定向边界框(OBB)对点云数据进行归一化处理,然后采用PointNet++提取手部点云数据特征。为了应对点云数据与手部关节点之间的高度非线性关系,通过标签分布学习网络预测手部关节点的位置信息。与传统的基于深度图的方法相比,该方法能够高效地提取高鉴别力的手部几何特征,并且计算复杂度较低、精确度较高。为了验证提出的手部姿态估计网络的有效性,在公共数据集MSRA上进行了一系列测试。实验结果表明,该网络估计出的手部关节点位置的平均误差为8.43 mm,平均每帧的处理时间为12.8 ms,而且姿态估计的误差相较于3D CNN算法降低了11.82%,相较于Hand PointNet算法降低了0.83%。

基于数据驱动的标签分布方法的面部表情分析

现有的大多数面部表情识别方法都是假定样本中每个人脸表情对应单一的情绪,而后作为分类问题进行解决。但是在实际情况中,一个人脸表情往往是多种不同基础情绪的混合体。因此,具有相似表情的样本在基础情绪层面存在一定的相关性,这种相关性也通常会导致样本的表情标签呈现多样性。也就是说,每个样本的表情状况与潜在的情绪标签分布相关联。为此,提出了一种通过数据进行自适应学习潜在标签分布的方法,不需要任何预先假设的标签分布形式,便可得到每个表情与其相应的多个情绪的关联情况。该方法可得到每个表情所包含情绪的特定描述度以及表情图像到情绪分布的映射。实验结果表明,该方法在表情识别上具有较高准确率,且能够有效地解决人脸表情的分析问题。

基于标签分布学习的眼部情绪识别

眼部情绪识别指的是仅从眼部区域的情绪特征识别用户的情绪状态,分析出用户佩戴智能头盔的情景下被遮挡的真实情绪。为了改善眼部区域情绪信息量少、标签歧义性所带来的识别准确度低和识别效率低的问题,本文提出一种用于识别眼部情绪的神经网络模型。该模型包含情绪标签分布生成网络和轻量级的眼部情绪识别网络两个模块。情绪标签分布生成网络会生成眼部图像的情绪分布标签,用于辅助眼部情绪识别网络的参数训练。眼部情绪识别网络包含基于注意力机制的全局特征增强模块以及局部特征增强模块,能够从信息量少的眼部图像推理出用户情绪类别。同时,为了评估网络模型性能,我们构建了2个数据集,分别是REED (Realistic Eye Emotion Datasets)和EMUG (Eye-Multimedia Understanding Group)。实验结果表明,在REED和EMUG数据集的四分类的平均准确率分别达到68.5%和80.9%,七分类的平均准确率分别达到62.0%和68.1%。同时,虽然本文模型的参数量远小于其他网络模型,但是识别效率也要优于其他模型。

三角距离相关性的标签分布学习

针对标签相关性的表征问题,提出一种基于三角距离相关性的标签分布学习算法。首先,构建距离映射矩阵,描述标签分布和特征矩阵之间的映射关系。其次,设计新的三角距离,以表征标签之间的相关性。最后,结合标签相关性,设计基于Kullback-Leibler散度的目标函数。在8个数据集上的实验结果表明,与8种主流算法相比,本文提出的算法在6个准确性指标上占优势。

基于多变量标签分布的连续型姿态估计方法

人脸的头部姿态往往指示并传达着丰富的信息,准确估计头部姿态角度在人脸识别、表情识别等领域有重要作用。针对获得的人脸真实姿态角度往往存在一定的偏差且只包含有限个离散角度等问题,文中提出了一种基于多变量标签分布的连续型姿态估计方法。在训练阶段,对不同姿态角度,通过训练获得离散情况下的多变量标签分布;在测试阶段,采用正交多项式拟合的思想,将离散的分布拟合成连续的分布,计算分布的最大值所对应的标签作为最终的输出结果。文中在Pointing’04公开库上进行了测试,利用文中方法,在正交多项式拟合后,估计出的人脸的姿态角不再局限于训练集中的一些角度,而是有更多连续的值,所得的估计姿态角更接近于真实角度。实验结果表明,文中方法能够预测出更多的人脸姿态角度,并且预测更稳定。

基于标签分布学习森林的电价概率预测

智能电网环境下,实时电价对用户用电模式的影响较大,为了提高考虑电力负荷的实时电价预测的精度,更好地反映电价的不确定性,提出一种基于标签分布学习的线性函数与可微决策森林组合的短期电价概率预测方法。利用线性函数将历史电价序列、负荷序列与时刻点变换为一组新的特征,然后根据索引函数将其随机映射到可微决策树分裂节点上,经概率分裂函数划分到左右子树,最终得到未来时刻电价的概率密度函数。在新加坡电力市场的短期电价数据集上的实证研究表明,基于标签分布学习森林的电价概率预测模型比分位数回归、核密度估计方法获得了更好地电价预测性能。

渐近真值的标签分布表情识别算法

歧义表情是表情识别中的常见现象,由于歧义表情的存在,表情识别的效果严重受限,主要的原因是数据的单标签无法有效的描述其中复杂的感情倾向,因而标签分布学习是解决该问题的一个可能的方向。针对表情分类中单标签信息量不足的问题,提出了一种渐近真值的标签分布表情识别算法。在不引入额外信息的前提下,充分利用数据库的原本信息完成标签分布的生成和利用。首先,在数据训练时,利用单标签学习,收集数据整体分布的均值;然后,在数据批次的粒度上,逐步逼近数据标签真值;最后,利用生成的数据标签分布重新训练整个网络模型。实验结果表明,该方法对网络模型的精度提升有明显的作用,在与先进算法的对比中也有一定的竞争力。

考虑训练样本分布不均衡的超短期风电功率概率预测

提出一种考虑训练样本分布不均衡的超短期风电概率预测方法。首先构建深度信念混合密度网络,通过深度信念网络独特的预训练和微调机制提取输入变量的隐特征,利用Beta混合概率分布的有界性准确表征风电预测功率的概率分布,实现隐特征与预测功率概率分布参数之间的非线性映射;然后引入训练样本分布平滑策略,其中特征分布平滑技术用于校准输入特征,标签分布平滑技术用于对各样本误差赋予差异化权重,从输入和输出两方面改善训练样本分布不均衡现象对预测结果的不利影响。实际算例结果表明,与常见风电功率概率预测模型相比,所提模型在点预测和概率预测方面均能获得较高的预测精度,尤其能有效提高低密度样本区域的预测精度。

标签不均匀分布场景中的RFID标签防碰撞方法

为解决标签不均匀场景的标签丢失问题,提出了一种可以应用在标签不均匀分布场景的基于排队论的标签漏读预警RFID防碰撞方法。该方法估算抵达阅读器识别区域内的标签数,通过分析标签的抵达率和阅读器的平均服务率,判断系统是否稳定。当系统不稳定时,通过提示使用者停止运动,减少标签丢失现象的发生。仿真实验的结果显示,该方法在标签不均匀分布的场景中有效地减少了标签丢失,提高了系统性能。

基于VGGNet和标签分布学习的航拍目标分类方法

输电线路航拍图像具有分辨率低、背景复杂、伪目标多等特点,使得传统图像特征描述法在解决航拍图像目标分类时效果不佳。标签分布学习(label distribution learning,LDL)算法能有效解决图像特征与标签分布的映射问题。该文提出一种基于VGG网络(visual geometry group net,VGGNet)深度神经网络和客观量化标签分布学习的航拍图像目标分类方法,将基于VGGNet提取的深度特征和客观标签量化相结合,完成测试图像的标签分布预测。在相同的客观量化标签分布学习分类器参数设置下,基于VGGNet提取的深度特征对输电线路航拍图像中绝缘子、杆塔和输电线分类的错误率分别为30.3%、33.0%和37.6%,均低于基于传统特征的分类错误率。试验结果表明,基于VGGNet提取的深度特征和客观量化标签分布学习方法能更好地解决航拍图像中目标分类问题。

融合标签局部相关性的标签分布学习

提出了一种融合标签局部相关性的标签分布学习(label distribution learning,LDL)算法,该算法分为3个阶段。初始预测阶段构建多层神经网络模型,将样本的原始特征作为输入、初始预测的标签分布作为输出;局部矫正阶段首先利用k⁃means聚类算法获得不同类所描述的局部信息,然后针对不同类计算对应的协方差矩阵,利用该矩阵来矫正初始预测的标签分布,获得每个类对应的矫正标签分布;标签融合阶段对矫正后的标签分布进行加权,再与初始预测的标签分布进行融合,得到最终的预测分布。在8个公开数据集上与9种常用的LDL算法进行对比实验,结果表明本文的算法能较好地描述标签局部相关性,在多个主流评估指标上排名靠前。

标签分布熵正则的模糊C均值平衡聚类方法

许多应用场景要求每个类别的数量相对平衡,而传统模糊C均值(FCM)聚类算法无法实现此功能.为此,利用标签信息构造标签分布熵评价聚类的平衡度,然后将标签分布熵、模糊隶属度矩阵与标签矩阵之间的平方损失同时引入到传统FCM中,进而提出一种标签分布熵正则的模糊C均值平衡聚类方法(FCMLDE).同时,利用迭代方法和增广拉格朗日乘数法设计该模型的优化算法.最后,利用6个真实数据集进行聚类实验,结果表明,所提方法在聚类性能和平衡性能上均具有很好的优势.

基于多尺度特征融合的图片情感分布学习

视觉情感分析旨在分析人们对视觉刺激的情感反映,近年来受到了共享平台和网络社交等多媒体视觉数据相关领域的关注.传统的图片情感分析侧重于单标签的情感分类,忽略了图片表达的情感的复杂性和图像潜在的情绪分布信息,不能体现出图片所表达的不同情绪之间的相关性.针对以上问题,首先采用ViT和ResNet网络进行全局和局部融合的多尺度情感特征提取,通过主导情绪分类和标签分布学习进行图片情感识别,充分表征图片的复杂情感.在公开的Flickr_LDL数据集和Twitter_LDL数据集上取得了显著的效果,证明了提出方法的有效性.

流数据环境下基于k集合覆盖的分布式标签共现算法

通过分析集值属性的标签共现频率,可以挖掘频繁模式以及进行异常的检测。为了提高标签共现计算的性能,提出了一种流数据环境下基于k集合覆盖的分布式标签共现算法。采用多集合的容斥原理对标签共现问题进行了分析,并提出了一种分布式标签共现计算流程;通过引入信息检索中的倒排索引对标签及其出处进行索引,基于k集合覆盖的思想将整个倒排索引划分到多个分布式从节点上,并根据流数据的变化动态地更新每个从节点的局部索引,在对所有从节点的结果进行汇聚后得到最终结果。实验表明,提出的基于k集合覆盖的分布式标签共现算法与其他算法相比较,不仅具有较低的平均更新时间,而且使用更少的索引副本,因而更适用于大规模流数据的标签共现计算。