基于距离特征和聚类损失的深度学习虹膜识别

深度学习已广泛应用于虹膜识别,但使用交叉熵损失训练的深度网络对距离特征不敏感,同类特征较分散,于是提出一种基于距离特征与聚类损失的深度学习虹膜识别方法。对虹膜图像预处理后,从每类虹膜图像中随机选择一幅作为模板,利用卷积神经网络(CNN)提取其特征;然后,将模板特征作为各类虹膜的特征聚类中心,计算样本特征和各聚类中心间欧式距离的倒数,排列成一组距离特征向量;最后,取这些距离特征和样本特征的乘积,经余弦标准化后作为识别特征。另外,将样本特征与对应聚类中心的距离引入损失函数,形成聚类损失,用于深度网络的训练。在CASIA-IrisV4中的CASIA-Iris-Twins和CASIA-Iris-Lamp数据集上进行实验,实验表明:上述方法有良好的虹膜匹配性能和识别性能。

基于特征聚类对群三元组损失的车辆再识别

车辆再识别旨在从多个摄像机拍摄的图像中识别出同一车辆.本文提出了一种对群三元组损失函数,以特征中心点替代均值,并将对群思想和三元组损失相结合,优化了困难样本的识别.车辆再识别过程中,对群损失函数的训练过程扩大了样本规模,增加了计算量,且传统对群损失函数无法准确处理困难正样本.为此,提出了一种特征聚类对群三元组损失函数.本方法采用正样本特征聚类中心并改进了三元组损失函数的设计,从而优化了对群损失函数.在不扩增输入样本数量的同时提升了算法处理困难样本的能力.实验表明,与主流车辆再识别算法相比,本方法可有效提升车辆再识别的准确率.

基于局部结构保留的级联子空间深度聚类

针对高维数据聚类的问题,许多有效的方法已经被提出,级联的子空间聚类算法CSC就是一种有效的解决法案。但是CSC算法定义的聚类损失可能破坏特征空间,从而取得非代表性的无意义特征,进而损害聚类性能。为了解决这一问题,提出了一种结合自编码器保留数据结构的改进算法。具体地说,使用聚类损失作为引导,分散特征空间数据点,同时采用一种欠完备的自动编码器作为重构损失,约束操作和维护数据生成分布的局部结构。将两者结合,共同优化聚类标签的分配,学习适合聚类的局部结构保留特征。使用自适应矩估计(Adam)和小批量随机梯度下降(mini-batch SGD)两种优化方法调整模型参数。在多个数据集上,使用聚类结果准确率(ACC)、标准互信息(NMI)和调整rand指数(ARI)三个评价指标验证了该算法的有效性和优越性。

深度聚类算法研究综述

聚类分析是挖掘数据内在结构的关键技术,在大数据时代,人们面对的数据通常具有规模大、维度高、结构复杂等特点,直接应用传统聚类算法往往会失效.深度学习凭借层次化非线性映射能力使得大规模深度特征提取成为可能,因此基于深度学习的聚类(深度聚类)算法迅速成为无监督学习领域的研究热点.该文旨在对深度聚类的研究现状进行归纳和总结.首先,从神经网络结构、聚类损失和网络辅助损失3个角度介绍深度聚类的相关概念;然后,根据网络的结构特点对现有的深度聚类算法进行分类,并分别对每类方法的优势和劣势进行分析和阐述;最后,提出好的深度聚类算法应具备的三要素:模型的可扩展性、损失函数的鲁棒性和特征空间的平滑性,并从这3个方面分别阐述未来可能的研究方向.

加权PageRank改进地标表示的自编码谱聚类算法

针对传统谱聚类算法在处理大规模数据集时,聚类精度低并且存在相似度矩阵存储开销大和拉普拉斯矩阵特征分解计算复杂度高的问题。提出了一种加权PageRank改进地标表示的自编码谱聚类算法,首先选取数据亲和图中权重最高的节点作为地标点,以选定的地标点与其他数据点之间的相似关系来逼近相似度矩阵作为叠加自动编码器的输入。然后利用聚类损失同时更新自动编码器和聚类中心的参数,从而实现可扩展和精确的聚类。实验表明,在几种典型的数据集上,所提算法与地标点谱聚类算法和深度谱聚类算法相比具有更好的聚类性能。

一种MFSK信号分类及码速率估计方法

将经验模式分解(EMD)运用到多进制频移键控信号的分析中,选取分解后主分量的瞬时频率作为分类特征,运用无监督聚类算法求取最佳聚类数作为信号的载频个数。用时频曲线的Haar小波变换估计码元宽度,理论分析和仿真实验表明证明了该方法的可行性。

基于全局特征拼接的行人重识别算法研究

针对目前行人重识别出现网络模型复杂化、识别率低的问题,提出一种基于全局特征拼接的行人重识别算法。首先利用卷积神经网络(CNN)提取全局特征;然后把不同卷积层提取的特征进行拼接,使特征信息互补;最后将拼接后的特征再次进行卷积处理,获得高表征能力的特征。网络训练时,采用聚类损失函数和标签平滑损失函数联合训练,同时引入了随机擦除和减小池化步长的训练技巧。在Market1501、DukeMTMC-reID、CUHK03和MSMT17数据集上进行了实验验证,实验表明所提算法具有良好性能,其中在Market1501上,Rank-1、mAP分别达到了95.9%和94.6%。

双端可共享网络的多模态行人重识别方法

针对多模态行人重识别中存在较大的类内差异和模态差异的问题,提出了一种使用双端共享网络的多模态行人重识别方法。通过裁剪和填充对不同模态的图片进行数据处理;将Resnet50的后4个卷积层中嵌入非局部注意力块,使用改进的Resnet50作为骨干网络分别对不同模态的图片进行特征提取,再将不同的特征输入共享网络;最后使用基于类内距离和模态差异的聚类损失对模型进行训练。实验结果表明,使用非局部注意力块和聚类损失的模型准确率有所提升,且模型更具有鲁棒性。