融合语义差别和流型学习的偏标记学习方法

偏标记学习是一种重要的弱监督学习框架。在偏标记学习中,每个实例与一组候选标记相关联,它的真实标记隐藏在候选标记集合中,且在学习过程中不可获知。为了消除候选标记对学习过程的影响,提出了一种融合实例语义差别最大化和流型学习的偏标记学习方法(partial label learning by semantic difference and manifold learning, PL-SDML)。该方法是一个两阶段的方法:在训练阶段,基于实例的语义差别最大化准则和流型学习方法为训练实例生成标记置信度;在预测阶段,使用基于最近邻投票的方法为未知实例预测标记类别。在四组人工改造的UCI数据集中,在平均70%的情况下优于其他对比算法。在四组真实偏标记数据集中,相比其他对比算法,取得了0.3%~13.8%的性能提升。

基于流型学习的地面结霜现象检测

针对日常地面气象观测中近地面结霜现象仍需要依靠人工观测来完成的问题,提出了一种基于计算机视觉的结霜现象自动化观测方法。在实时检测中,首先,结合人工标记获取的离线结霜图像样本和实时获取的图像样本构造k近邻图模型;其次,以结霜图像样本为查询节点并通过流型学习方法在图模型上对实时图像样本进行排序,进而获取候选结霜区域;最后,根据结霜和非结霜图像样本在线训练支持向量机(SVM)分类器并对候选结霜区域进行二次判定。在标准化气象观测站实施的实验结果显示,对比同期人工观测记录,该算法对结霜现象的检测正确率达到了87%,具有潜在的业务化前景。

基于图的特征选择算法在阿兹海默症诊断问题研究

针对神经性疾病难以确诊的问题,提出了一种基于图的特征选择方法,过滤掉不相干的特征,从而方便并且准确地对疾病患者进行诊断。算法首先基于先验知识定义了两种基本关系(特征关系和样本关系);然后将这两种关系嵌入到一个由最小二次损失函数和l2-范数正则化因子组成的多任务学习框架中进行特征选择;最后,将约简得到的降维矩阵送入支持向量机(SVM)中对阿兹海默症患者进行确诊。通过对Alzheimer’s disease neuroimaging initiative(ANDI)的研究数据集进行实验得知,提出算法的分类效果均优于一般常用分类算法,如K最近邻法(KNN)、支持向量机(SVM)等。提出的算法通过考虑特征选择和引入两种数据的内在关系,有效提高了阿兹海默疾病诊断的正确率。

基于位图的点集表面表示及其渲染

提出了一种基于位图的点集表面表示形式:先对点集表面进行参数化,然后在参数域上进行曲面重构和重采样得到基于二维数组的点集表面表示。采用了切空间对齐的方法得到点集表面的参数坐标,该方法能寻找出点集代表的流型所在的二维参数空间,并在参数化过程中较好地保留了原曲面的尺度信息。位图形式表示点集表面具有数据结构简单和便于随机访问的优点。提出了基于位图表示形式的点渲染方法,该方法采用双线性插值来实现视角依赖的点集表面的重采样,解决了点渲染中采样点不足的问题。

基于双邻接图正交近邻保持投影的人脸识别算法

正交保持投影(ONPP)是经典的图嵌入降维技术,已经成功地应用到人脸识别中,其保持了高维数据的局部性和整体几何结构。监督的ONPP通过建立同类邻接图来最小化同类局部重构误差,寻找最优的低维嵌入,但是其只使用了类内信息,这会导致异类数据点间的结构不够明显。因此,提出了基于双邻接图的正交近邻保持投影(DAGONPP)算法。通过建立同类邻接图与异类邻接图,在数据嵌入低维空间后同类近邻重构误差尽量小,异类近邻重构误差更加明显。在ORL,Yale,YaleB和PIE人脸库上的实验结果表明,与其他经典算法相比,所提方法有效提高了分类能力。