如何降低高维数据的维数而不损失原有数据的内在信息是机器学习和数据挖掘领域中的热点问题.本文在图嵌入框架的基础上提出一种新的降维分析算法IKLDA(improved kernel Linear discriminant analysis),不仅使得隐藏在图像的信息能被区...如何降低高维数据的维数而不损失原有数据的内在信息是机器学习和数据挖掘领域中的热点问题.本文在图嵌入框架的基础上提出一种新的降维分析算法IKLDA(improved kernel Linear discriminant analysis),不仅使得隐藏在图像的信息能被区分出来,而且大大降低了数据的维数,理论分析及实验结果表明IKLDA的降维隐写分析是有效的,比其它传统降维方法效果要好,并且进一步推进了数据挖掘可视化方法在隐写分析的应用.展开更多
卷积神经网络作为深度学习的重要分支,在图像识别、图像分类等方面有广泛的应用,其中快速特征嵌入卷积神经网络框架(convolutional architecture for fast feature embedding,Caffe)是目前炙手可热的深度学习工具.针对固定群体中的目标...卷积神经网络作为深度学习的重要分支,在图像识别、图像分类等方面有广泛的应用,其中快速特征嵌入卷积神经网络框架(convolutional architecture for fast feature embedding,Caffe)是目前炙手可热的深度学习工具.针对固定群体中的目标人物,提出一种基于卷积神经网络的分类方法,该方法不依赖于人脸图像集,而是通过摄像头采集视频,并利用直方图的归一化互相关方法从视频中截取训练图片,再通过Caffe产生训练模型,并将个体目标图片在模型中进行匹配,达到在固定人物群体中对个体目标进行分类的目的.实验结果表明,利用前期的训练模型可对固定群体中的个体目标进行准确匹配.展开更多
文摘如何降低高维数据的维数而不损失原有数据的内在信息是机器学习和数据挖掘领域中的热点问题.本文在图嵌入框架的基础上提出一种新的降维分析算法IKLDA(improved kernel Linear discriminant analysis),不仅使得隐藏在图像的信息能被区分出来,而且大大降低了数据的维数,理论分析及实验结果表明IKLDA的降维隐写分析是有效的,比其它传统降维方法效果要好,并且进一步推进了数据挖掘可视化方法在隐写分析的应用.
文摘卷积神经网络作为深度学习的重要分支,在图像识别、图像分类等方面有广泛的应用,其中快速特征嵌入卷积神经网络框架(convolutional architecture for fast feature embedding,Caffe)是目前炙手可热的深度学习工具.针对固定群体中的目标人物,提出一种基于卷积神经网络的分类方法,该方法不依赖于人脸图像集,而是通过摄像头采集视频,并利用直方图的归一化互相关方法从视频中截取训练图片,再通过Caffe产生训练模型,并将个体目标图片在模型中进行匹配,达到在固定人物群体中对个体目标进行分类的目的.实验结果表明,利用前期的训练模型可对固定群体中的个体目标进行准确匹配.