基于自举算法和支持向量机的人脸检测系统

针对复杂背景下的灰度图像人脸检测存在计算量大且负检率高等问题,提出了一种有较好可用性的层级递进的人脸检测系统。系统第一部分采用扩展的Haar型特征并结合自举算法,使其分类性能要优于原始的Haar型特征。在系统的第二部分,采用从粗到细的视觉处理逻辑对图像采样,并提出了正面直立人脸的像素值的置信度的概念,且以支持向量机作为学习算法,使系统具有良好的检测性能。该系统在实际应用图像的测试中取得良好效果,具有可用性。

基于Adaboost算法的人眼状态检测

人眼检测在表情识别和人脸识别中起着非常重要的作用,作为一种预处理的手段,人眼检测和定位可以有效地提高表情识别和人脸识别的识别率。提出了一种基于Adaboost算法的实时人眼状态检测的方法。Adaboost是一个构造准确分类器的学习方法。它将一簇弱分类器通过一定的规则结合成为一个强分类器,再把这些强分类器级联成为一个快速、准确的分类器。分析和讨论训练阶段不同的人眼特征选择对最终检测的影响,并实验测试各种特征方法对特定目标的检测率,给出一个理想的分类器。

基于低分辨率图像自举和双重稀疏性字典训练的单幅图像超分辨率重构

该文结合Zeyde等人提出的低分辨率图像自举算法和双重稀疏性字典的训练方法,提出了一种新的单幅图像超分辨率重构方法。该方法在训练字典的过程中,首先对低分辨率训练样本图像采用自举算法进行超分辨率重构,然后将自举重构输出图像与低分辨率、高分辨率训练样本图像求差,并将两幅差值图像的小波分解系数作为样本数据源,训练具有双重稀疏性的字典对。文中详细讨论了结合低分辨率图像自举和双重稀疏性字典训练的单幅图像超分辨率重构算法框架,并通过实验比较证明,该文方法较其他方法具有更好的超分辨率重构效果。

复杂背景下提取人脸方法的改进

人脸检测在身份认证、人口统计、实时检测等领域都起着非常重要的作用。作为一种预处理手段,人脸检测和定位可以有效地提高表情识别和人脸识别的识别率。为此提出了一种先定位眼睛再提取人脸的改进方法,首先基于adaboost算法的级联人眼检测器检测到人眼+眉毛的侯选位置,然后根据人眼的地形特征和模板匹配准确定位人眼,最后再利用人脸的拓扑结构提取出人脸,达到有效检测人脸目的的方法。该方法很好地降低了误检率,并大大提高检测速度,同时也解决了由于眼睛和眉毛非常相似而引起的个体混淆。

基于改进BP网络的人脸检测与定位

提出了一种基于改进BP网络进行人脸检测与定位的方法,采用变步长的学习速率,在加快学习速度的同时,保证了权值的稳定性;采用加动量项的BP算法,减小了权值的振荡,且可以避免网络陷入局部最小。利用图像的灰度信息对已构建好的神经网络进行训练,然后利用已训练好的神经网络进行搜索,确定被检测的窗口是否包含人脸。实验结果表明此方法比传统的人脸检测与定位方法具有更强的鲁棒性和可扩展性,定位速度快,泛化能力显著。

中文分词模型的领域适应性方法

字标注分词方法是当前中文分词领域中一种较为有效的分词方法.但因为受制于训练语料的领域和规模,该方法在领域适应性方面效果不佳,影响了该方法在应用系统中的实际应用.在文中,作者提出使用卡方统计量以及边界熵提升未登录词的处理能力,并结合自学习和协同学习策略进一步改善字标注分词方法在领域适应性方面的性能.实验结果证实,文中提出的这些方法有效改善了分词方法的领域适应性.

基于半监督学习的中文电子病历命名实体识别

面向中文电子病历的命名实体识别(named entity recognition, NER)研究已经取得不错的成果,但其中大部分方法依赖于已标注医疗语料而无法充分利用未标注语料,且方法中构建的文本特征相对单一,无法深入获取医疗文本的特征。针对上述问题,设计了一种基于半监督学习的NER模型。首先,本模型通过构建多个特征来捕捉病历文本中的语义信息,使用基于转换器的双向编码表征(bidirectional encoder representation from transformers, BERT)训练海量的未标注数据来学习适合中文医疗领域的字向量表示,并使用双向语言模型捕捉每个字的上下文特征向量,以及使用医疗词典结合双向最大匹配算法构建文本的词典特征向量。其次,融合3种特征向量后输入由双向门控循环单元、自注意力机制和条件随机场组成的NER模型中训练。最后,NER模型通过预测未标注语料获得候选标注语料,引入自举(bootstrapping)算法筛选置信度高的候选标注语料,将其合并到初始标注语料后迭代训练NER模型。试验结果表明,本模型在自建脑血管数据集和中国知识图谱与语义计算大会(China Conference on Knowledge Graph and Semantic Computing, CCKS)发布的CCKS2017、CCKS2018数据集上的F_(1)值分别为90.16%、92.72%和90.93%,优于其他使用额外特征的NER模型和主流神经网络模型。本模型为提高中文电子病历的实体识别精度提供了一种新方法,可应用于实际工程中的NER任务。