期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
8
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于距离特征和聚类损失的深度学习虹膜识别
1
作者
孙洁
赵世鹏
+1 位作者
苗盛
郝思媛
《计算机仿真》
北大核心
2023年第8期245-248,472,共5页
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...
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。
展开更多
关键词
虹膜识别
距离特征
卷积神经网络
聚类损失
下载PDF
职称材料
基于特征聚类对群三元组损失的车辆再识别
被引量:
1
2
作者
吴燕雄
蔡建羡
滕云田
《电子学报》
EI
CAS
CSCD
北大核心
2020年第12期2444-2452,共9页
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...
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.
展开更多
关键词
车辆再识别
视觉特征
特征
聚
类
对群
损失
三元组
损失
下载PDF
职称材料
基于局部结构保留的级联子空间深度聚类
被引量:
1
3
作者
熊李艳
朱宁
《计算机应用研究》
CSCD
北大核心
2020年第8期2358-2361,共4页
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...
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。
展开更多
关键词
高维数据
聚
类
自编码器
聚类损失
重构
损失
下载PDF
职称材料
深度聚类算法研究综述
被引量:
13
4
作者
姬强
孙艳丰
+1 位作者
胡永利
尹宝才
《北京工业大学学报》
CAS
CSCD
北大核心
2021年第8期912-924,共13页
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...
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.
展开更多
关键词
聚
类
深度学习
特征学习
神经网络结构
聚类损失
网络辅助
损失
下载PDF
职称材料
加权PageRank改进地标表示的自编码谱聚类算法
被引量:
2
5
作者
储德润
周治平
《智能系统学报》
CSCD
北大核心
2020年第2期302-309,共8页
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...
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。
展开更多
关键词
机器学习
数据挖掘
聚
类
分析
地标点
聚
类
谱
聚
类
加权PageRank
自动编码器
聚类损失
下载PDF
职称材料
一种MFSK信号分类及码速率估计方法
6
作者
魏振华
曾兴雯
《无线电通信技术》
2006年第5期56-58,共3页
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...
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。
展开更多
关键词
HILBERT变换
经验模式分解
模式
聚
类
聚类损失
多进制频移键控信号
下载PDF
职称材料
基于全局特征拼接的行人重识别算法研究
被引量:
7
7
作者
熊炜
杨荻椿
+3 位作者
熊子婕
童磊
李利荣
王娟
《计算机应用研究》
CSCD
北大核心
2021年第1期316-320,共5页
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...
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%。
展开更多
关键词
行人重识别
全局特征拼接
聚类损失
标签平滑
损失
下载PDF
职称材料
双端可共享网络的多模态行人重识别方法
被引量:
1
8
作者
罗琪
焦明海
《计算机工程与应用》
CSCD
北大核心
2022年第13期235-240,共6页
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...
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。
展开更多
关键词
多模态行人重识别
卷积神经网络
聚类损失
下载PDF
职称材料
题名
基于距离特征和聚类损失的深度学习虹膜识别
1
作者
孙洁
赵世鹏
苗盛
郝思媛
机构
青岛理工大学信息与控制工程学院
出处
《计算机仿真》
北大核心
2023年第8期245-248,472,共5页
基金
国家自然科学基金项目(62171247)。
文摘
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。
关键词
虹膜识别
距离特征
卷积神经网络
聚类损失
Keywords
Iris recognition
Distance feature
Convolutional neural network
Clusteringloss
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
TP317.4 [自动化与计算机技术—计算机软件与理论]
下载PDF
职称材料
题名
基于特征聚类对群三元组损失的车辆再识别
被引量:
1
2
作者
吴燕雄
蔡建羡
滕云田
机构
防灾科技学院电子科学与控制工程学院
中国地震局地球物理研究所
出处
《电子学报》
EI
CAS
CSCD
北大核心
2020年第12期2444-2452,共9页
基金
防灾科技学院教学研究与教育改革项目(No.JY2016B10)
河北省高等学校科学技术研究重点项目(No.ZD2018304)
+1 种基金
中央高校基本科研业务费(No.ZY20180111)
国家重点研发计划项目(No.2018YFC1503801)。
文摘
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.
关键词
车辆再识别
视觉特征
特征
聚
类
对群
损失
三元组
损失
Keywords
vehicle re-identification
visual appearance
coupled feature clusters loss
triple loss
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于局部结构保留的级联子空间深度聚类
被引量:
1
3
作者
熊李艳
朱宁
机构
华东交通大学信息工程学院
出处
《计算机应用研究》
CSCD
北大核心
2020年第8期2358-2361,共4页
基金
国家自然科学基金资助项目(61562027)
江西省自然科学基金资助项目(20181BAB202024)。
文摘
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。
关键词
高维数据
聚
类
自编码器
聚类损失
重构
损失
Keywords
high-dimensional data clustering
AutoEncoder
clustering loss
reconstruction loss
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
深度聚类算法研究综述
被引量:
13
4
作者
姬强
孙艳丰
胡永利
尹宝才
机构
北京工业大学信息学部多媒体与智能软件技术北京市重点实验室
出处
《北京工业大学学报》
CAS
CSCD
北大核心
2021年第8期912-924,共13页
基金
国家自然科学基金资助项目(61772048)。
文摘
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.
关键词
聚
类
深度学习
特征学习
神经网络结构
聚类损失
网络辅助
损失
Keywords
clustering
deep learning
feature learning
neural network architecture
clustering loss
network-assisted loss
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
加权PageRank改进地标表示的自编码谱聚类算法
被引量:
2
5
作者
储德润
周治平
机构
江南大学物联网技术应用教育部工程研究中心
出处
《智能系统学报》
CSCD
北大核心
2020年第2期302-309,共8页
文摘
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。
关键词
机器学习
数据挖掘
聚
类
分析
地标点
聚
类
谱
聚
类
加权PageRank
自动编码器
聚类损失
Keywords
machine learning
data mining
cluster analysis
landmark spectral clustering
spectral clustering
weighted pagerank
autoencoder
clustering loss
分类号
TP18 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
一种MFSK信号分类及码速率估计方法
6
作者
魏振华
曾兴雯
机构
西安电子科技大学通信工程学院
出处
《无线电通信技术》
2006年第5期56-58,共3页
文摘
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。
关键词
HILBERT变换
经验模式分解
模式
聚
类
聚类损失
多进制频移键控信号
Keywords
Hilbert transformation
empirical mode decomposition
mode classification
cluster loss
MFSK signals
分类号
TN911.72 [电子电信—通信与信息系统]
下载PDF
职称材料
题名
基于全局特征拼接的行人重识别算法研究
被引量:
7
7
作者
熊炜
杨荻椿
熊子婕
童磊
李利荣
王娟
机构
湖北工业大学电气与电子工程学院
美国南卡罗来纳大学计算机科学与工程系
出处
《计算机应用研究》
CSCD
北大核心
2021年第1期316-320,共5页
基金
国家留学基金资助项目(201808420418)
国家自然科学基金资助项目(61571182,61601177)
湖北省自然科学基金资助项目(2019CFB530)。
文摘
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%。
关键词
行人重识别
全局特征拼接
聚类损失
标签平滑
损失
Keywords
person re-identification(ReID)
global feature stitching
cluster loss
label smoothing loss
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
双端可共享网络的多模态行人重识别方法
被引量:
1
8
作者
罗琪
焦明海
机构
东北大学计算机科学与工程学院
出处
《计算机工程与应用》
CSCD
北大核心
2022年第13期235-240,共6页
基金
国家重点研发计划课题(2018YFB1702003)
国家自然科学基金联合基金(U1908212)。
文摘
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。
关键词
多模态行人重识别
卷积神经网络
聚类损失
Keywords
multimodal person re-identification
convolutional neural network
cluster loss
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于距离特征和聚类损失的深度学习虹膜识别
孙洁
赵世鹏
苗盛
郝思媛
《计算机仿真》
北大核心
2023
0
下载PDF
职称材料
2
基于特征聚类对群三元组损失的车辆再识别
吴燕雄
蔡建羡
滕云田
《电子学报》
EI
CAS
CSCD
北大核心
2020
1
下载PDF
职称材料
3
基于局部结构保留的级联子空间深度聚类
熊李艳
朱宁
《计算机应用研究》
CSCD
北大核心
2020
1
下载PDF
职称材料
4
深度聚类算法研究综述
姬强
孙艳丰
胡永利
尹宝才
《北京工业大学学报》
CAS
CSCD
北大核心
2021
13
下载PDF
职称材料
5
加权PageRank改进地标表示的自编码谱聚类算法
储德润
周治平
《智能系统学报》
CSCD
北大核心
2020
2
下载PDF
职称材料
6
一种MFSK信号分类及码速率估计方法
魏振华
曾兴雯
《无线电通信技术》
2006
0
下载PDF
职称材料
7
基于全局特征拼接的行人重识别算法研究
熊炜
杨荻椿
熊子婕
童磊
李利荣
王娟
《计算机应用研究》
CSCD
北大核心
2021
7
下载PDF
职称材料
8
双端可共享网络的多模态行人重识别方法
罗琪
焦明海
《计算机工程与应用》
CSCD
北大核心
2022
1
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部