局部敏感的稀疏概念编码及其在图像表示中的应用

矩阵分解算法是模式识别中一种常用的图像表示方法.针对传统的矩阵分解算法不能提取数据本质结构的问题,提出一种局部敏感的稀疏概念编码的图像表示算法.在基向量学习时,利用局部敏感鉴别分析方法提取样本的几何结构和判别信息,使得学习到的基更能体现数据的高层语义结构信息;然后对每个样本在基向量上进行稀疏表示学习,得到样本的表示系数;最后对样本进行表示与分类.在COIL20和ORL数据库中的实验结果表明,与其他几种矩阵分解算法相比,文中算法聚类的准确率和互信息得到了有效的提高,验证了其有效性.

依概念编码的模式匹配技术

本文介绍一种处理自然语言的方法──依概念编码的模式匹配法。由于自然语言中的单词和语句模式均依概念进行编码，使得这种方法的适应性较强，并且模式库易于修改、扩充，因而采用这种方法的自然语言处理系统可以构建成开放式系统。

基于深度生成模型的视觉模式表示与编码

认为早期智能编码方法的性能受限于手工设计的方案,当前基于神经网络的编码方法可解释性不足,不利于后续面向人机视觉的分析与交互。受生成模型的启发,生成式编码方法通过构建生成模型来实现图像和视频的压缩和合成,获得可解释的紧凑视觉表示并生成符合图像先验分布的高视觉质量内容。其中概念图像编码与概念视频编码利用生成模型强大的样本生成能力与紧凑层次视觉表示模型,实现了编码性能更优的图像与视频编码;跨模态语义编码对图像与文本域进行跨模态转换与编码,保持可解释的同时实现上千倍的超高压缩比与令人满意的重构结果。

一种半监督人脸数据可分性特征提取方法

针对人脸数据维数高,可分性差的问题,提出一种半监督人脸数据可分性特征提取方法——SCC-LDA。SCC-LDA先采用稀疏概念编码(Sparse Concept Coding,SCC)进行非监督特征提取,以获取保留人脸数据固有空间几何结构的低维稀疏表达;然后采用线性判别分析(Linear Discriminant Analysis,LDA)在SCC子空间进行有监督特征提取,进一步提取数据的可分性特征并降维。采用K近邻(K-Nearest Neighbor,KNN)分类器和最小距离(Minimum Distance,MD)分类器验证特征提取的有效性。基于ORL和Yale数据的实验结果表明,相比SCC子空间法和LDA子空间法,SCC-LDA子空间法可显著提高识别率,并可加快人脸识别速度。