利用Gabor小波变换解决人脸识别中的小样本问题

提出了一种在人脸识别中解决小样本问题的新算法。通过把人脸图像经过Gabor小波变换后得到的每个图像都看成是独立的样本,大大增加了每一类人脸样本的样本数,解决了人脸识别中的小样本问题。专门针对人脸特征向量组,设计了使用白化变换后余弦距离测度的最近邻分类器来进行分类判决。在FERET人脸库中,对该方法与直接PCA方法进行了实验比较,结果表明,新方法的平均正确识别率可以达到97%,比直接PCA方法具有更好的识别性能。

一种适用于小样本问题的基于边界的特征提取算法

特征提取技术是模式识别领域进行数据降维和强化判别信息的有效方法．线性判别分析是监督特征提取方法的典型代表,获得广泛应用,但受到小样本问题的制约．对此提出一种适用于小样本问题的基于边界的特征提取算法．算法利用高维数据小样本情况下线性可分概率增加以及其低维投影趋于正态分布的特点,定义了新的类别边界,不但考虑了由线性判别分析提出的类内、类间离散度,也兼顾各类别的方差差异性．通过极大化该边界获得最优投影向量,同时避免因类内离散度矩阵奇异导致的小样本问题．进一步将算法推广到多类问题．高光谱数据特征提取与分类实验表明,算法在小样本情况下对于两类和多类问题均具有良好的推广性能,优于多种线性判别分析的改进算法,并且在样本较多时也取得了满意结果．

使用稀疏加权平均脸及对称脸解决单样本问题

在人脸识别中,传统有效的鉴别分析方法需要更多样本评估类内散度信息。由于人脸的单样本问题,导致某些经典的方法如Fisherface和Eigenface等失效,解决的方法通常是生成各种虚拟样本来扩充训练集以实施这些算法。针对这个问题,根据人脸的对称相似理论,人脸样本的相关变化信息可以从它的对称脸上提取,提出组合原始训练样本及它的虚拟平均脸、对称脸作为训练样本集,应用稀疏理论进行加权积分融合,分两步进行识别的方法,并在ORL和FERET人脸数据库做了对比实验。实验结果表明,该方法比现有一些突出效果人脸识别方法更好,并具有一定的鲁棒性。

两样本问题中的非参数检验

两样本问题是检验理论的中心问题,大多数两样本问题的非参数检验理论都是在较强的条件下进行讨论.作者就连续条件下的参数与非参数两样本问题作了简要论述,并就总体分布在更为广泛的条件下对两样本问题中的打“结”现象进行了阐述,论证了“结”的大样本性质。

适用于小样本问题的有监督边界检测方法

针对自然图像纹理复杂的特点,提出了一种多种信息融合的有监督边界检测方法。首先,该方法在小样本的情况下,通过快速生成纹理基元特征来引入纹理信息;然后,根据图像中每个像素邻域内的灰度分布和纹理基元分布的差异来计算灰度梯度和纹理梯度,并在此基础上构造出二维的梯度特征向量;接着,用有监督的分类器进行分类,自适应地检测出初始的边缘点;最后,设计一个边界定位函数确定最终的边缘点,实现边界检测。实验结果表明,该算法运算速度较快,所检测的边界效果好。

基于双曲余弦矩阵鉴别分析的小样本问题研究

线性判别分析(LDA)是模式识别领域的一个经典方法,但是LDA难以克服小样本问题。针对LDA的小样本问题,提出一种双曲余弦矩阵鉴别分析方法(HCDA)。该方法首先给出了双曲余弦矩阵函数的定义及其特征系统,再利用双曲余弦矩阵函数特征系统的特点,将其引入Fisher准则中进行特征提取。HCDA有两方面的优势:a)避免了小样本问题,可以提取更多的鉴别信息;b) HCDA方法隐含了一个非线性映射。该映射具有扩大样本间距离的作用,并且对不同类别样本间距离的扩大尺度要大于同类别样本间距离的扩大尺度,从而更有利于模式分类。在手写数字库、手写字母图像库和Georgia Tech人脸图像库上的实验结果表明,相对于具有代表性的解决LDA小样本问题的方法,HCDA具有更好的识别性能。

估计的Chernoff比较及其在两样本问题中的应用

本文的主要目的是要揭示这样一个事实，即在比较估计方法时，强收敛速率准则在某种意义下是不合理的。在特定的精度要求范围内，一个在强收敛速率准则意义下坏的估计可能是一个很好的估计，反之亦然。基于这一思想，我们定义了在一个水平集上的Ｃｈｅｒｎｏｆｆ渐近相对优效性。我们所使用的方法是借助于估计的大偏差结果。然后我们将我们的理论方法用于两样本位置估计问题中。对于两样本问题中飘移参数的两个特殊估计，我们推导出了它们的大偏差结果和它们的Ｃｈｅｒｎｏｆｆ渐近相对优效性。具体例子表明它们的Ｃｈｅｒｎｏｆｆ渐近相对优效性可以是在一个水平集上大于１而在别一个水平集上小于１。数值模拟结果很好地支持了我们的理论。

粒子群算法优化的广义回归神经网络求解流形学习样本外点问题

目前流形学习已成功应用于降维和数据可视化领域,但在监督分类中的应用效果并不理想,解决好样本外点问题对其应用效果至关重要。基于此,采用粒子群算法优化广义回归神经网络计算测试样本的低维嵌入,获得的结果可直接用于分类。借助粒子群算法的全局搜索能力对处理样本外点问题具有较好的预测性能;在使用糖尿病、虹膜和声呐三个公开数据集的实验中,粒子群算法优化广义回归神经网络的分类总体精度分别为77.63%、100%和88.89%,优于其他8种分类方法,表明该算法可行、有效;同时,该算法能显著降低数据复杂度,提高了预测、模式分类和机器学习的准确性。

小样本问题下的铣削表面粗糙度测量

基于机器视觉的粗糙度测量方法大多是根据粗糙度关联指标建立预测模型,或者利用深度学习网络建立无指标预测模型,而这两类方法均存在着不足。一方面,人工设计指标的计算过程复杂,不利于在线检测。另一方面,深度学习模型则严重依赖大数据,数据量不足难以训练出有效的模型。针对以上问题,本文提出一种基于图神经网络的铣削表面粗糙度测量方法。该方法在训练阶段获取了自主学习的能力,而后仅需要少量铣削样本就能够完成铣削工件的粗糙度测量。试验结果表明,本文方法在铣削工件的粗糙度测量上不仅能够自动提取特征,而且表现出了较高的精度和良好的光照环境鲁棒性。

基于点集匹配的缺陷样本图像生成方法

针对工业缺陷检测中存在的由产品次品率过低、产品迭代更新过快、缺陷种类难以覆盖全部以及缺陷样本高质量标注难度较高导致的小样本问题,使用基于点集匹配的缺陷样本图像生成方法来对缺陷数据进行扩充。将缺陷部位从多特征角度进行变换,使用单张样本进行扩充得到不同特征的缺陷图像,解决小样本条件下深度学习方法难以生成高质量缺陷图像的问题。通过图像评估与实验验证,该方法生成的图像具有更好的视觉效果,并且对缺陷与分割模型有着高效的提升。该方法可应用于样本较少的深度学习模型训练过程中,达到扩充样本提高训练效果的目的。

浅谈笔迹鉴定样本存在的问题及解决方法

中国文化源远流长,博大精深,目前可查的文字就有五万余个,且在笔画、形态等方面相对复杂,不同的人所书写的文字风格各有不同,这为笔迹鉴定提供了有效的参考依据。不过在实际的笔迹鉴定的过程中还存在着有待解决的问题,想要实现鉴定水平的有效提升,就必须在这一方面投入更多的时间和精力。基于此,文章将对笔迹鉴定样本存在的问题及其解决展开研究。

小样本情况下Fisher线性鉴别分析的理论及其验证

线性鉴别分析是特征抽取中最为经典和广泛使用的方法之一。近几年,在小样本情况下如何抽取F isher最优鉴别特征一直是许多研究者关心的问题。本文应用投影变换和同构变换的原理,从理论上解决了小样本情况下最优鉴别矢量的求解问题,即最优鉴别矢量可在一个低维空间里求得;给出了特征抽取模型,并给出求解模型的PPCA+LDA算法;在ORL人脸库3种分辨率灰度图像上进行实验。实验结果表明,PPCA+LDA算法抽取的鉴别向量有较强的特征抽取能力,在普通的最小距离分类器下能达到较高的正确识别率,而且识别结果十分稳定。

采用虚拟训练样本优化正则化判别分析

在模式特征子空间中选取一组标准正交向量,使用这组向量可以生成大量的虚拟训练样本,从而实现对协方差矩阵的优化.在ORL人脸库上的实验表明,优化后协方差矩阵的特征值均显著变大,使该矩阵的逆阵稳定性得到了提高.利用优化的协方差矩阵对正则化判别分析方法进行优化,其模式分类正确率有显著提高.

一种基于KCCA的小样本脸像鉴别方法

基于典型相关分析和Fisher线性鉴别分析的等价性,提出了利用核典型相关分析来抽取小样本人脸图像的非线性鉴别特征,并用其进行脸像鉴别.这样得到的非线性特征本质上等价于核Fisher非线性最佳鉴别特征.基于ORL库的实验表明,对小样本人脸图像,KCCA可以得到和广义鉴别分析近似的识别性能,其所得非线性特征明显优于FLDA的线性鉴别特征.

采用虚拟训练样本的二次判别分析方法

小样本问题会造成各类协方差矩阵的奇异性和不稳定性.本文采用对训练样本进行扰动的方法来生成虚拟训练样本,利用这些虚拟训练样奉克服了各类协方差矩阵的奇异性问题,从而可以直接使用二次判别分析(Quadratic discriminant analysis,QDA)方法.本文方法克服了正则化判别分析(Regularized discriminant analysis,RDA)需要进行参数优化的问题.实验结果表明,QDA的模式识别率优于参数最优化时RDA算法的识别率.

二维典型相关分析在小样本图像识别上的应用

针对传统典型相关分析(Canonical Correlation Analysis,CCA)的图像识别中出现的小样本(Small Sample Size,SSS)问题,提出二维典型相关分析(Two-Dimensional CCA,2DCCA)。首先阐述了2DCCA方法的基本原理并给出了类成员关系矩阵的构造方法,推导出了类成员关系协方差矩阵广义逆的解析解。其次,从理论上证明了2DCCA方法对于解决小样本问题的有效性。最后,利用人脸识别实验来测试该方法的性能,实验结果表明,2DCCA方法有效地解决了图像识别中常见的小样本问题,并且能取得较其他几种基于CCA的人脸识别方法更优的识别结果。

基于两空间线性鉴别分析的小样本人脸识别

指出了线性鉴别分析及其几种改进方法在处理小样本人脸识别问题时存在的不足,提出了一种基于两空间线性鉴别分析的小样本人脸识别方法。首先将样本投影到总体散布矩阵的非零空间中进行分析;进而将类内散布矩阵分成零空间和非零空间进行鉴别向量确定和鉴别特征提取,最后将得到的两种鉴别特征融合,从而使用最近邻法进行分类。实验结果表明,在进行小样本的人脸识别时,该方法的识别效果优于其他线性方法。

小训练样本的人脸识别研究

人脸识别问题在很多情况下都会面临小训练样本的问题,在训练样本数量远小于数据维数的情形下许多人脸识别方法都会遇到困难。本文分析了造成小样本问题的原因,从虚拟样本扩充、数据降维以及算法优化等不同方面总结了解决方法,并对不同方法进行了简要评价,对解决小样本问题的未来发展方向进行了展望。

基于虚拟样本的加权稀疏表示人脸识别研究

实际的人脸识别系统常常会面临小样本问题，为了提高在小样本情况下人脸识别的分类正确率，提出一种基于虚拟样本的高斯加权稀疏表示的人脸识别方法。该方法首先利用人脸的对称性来构造虚拟训练样本，扩充训练样本集；然后，对每个测试样本，利用高斯核距离度量该测试样本和各个训练样本的相似性关系，并将该高斯核距离作为训练样本的权值来形成加权的训练样本集：最后，利用稀疏表示方法进行人脸的识别分类。实验结果比较分析表明，该方法在小样本情况下可以获得更好的识别效果。