具有融合罚约束的低秩结构化稀疏表示目标跟踪算法

现有的低秩稀疏表示目标跟踪算法在目标突然运动和严重遮挡等情况下,经常出现跟踪漂移现象.为此,提出一种具有融合罚约束的低秩结构化稀疏表示目标跟踪算法.首先,利用混合L1;2范数稀疏表示候选粒子的局部斑块,增强对斑块间结构信息的描述,从而保护候选粒子间及其局部斑块间空间布局结构以解决遮挡问题;然后,借鉴融合Lasso模型的建模思想,在目标表观模型中引入融合罚项,约束稀疏系数差分的绝对值,以保证表示系数稀疏性的同时,使其连续性差异亦稀疏,从而限制表示系数轮廓具有平滑性,易于获取跳跃信息,适应目标的突然运动;最后,利用核范数低秩约束目标表观的时域相关性,以适应目标的外观变化.实验结果表明,所提出的算法能够适应复杂场景下的跟踪任务,特别是在目标形变、遮挡、突然运动等情况下具有更好的适应性.

基于融合Lasso的非参数加性分位数回归模型

加性分位数回归为非线性关系的建模提供一种灵活、鲁棒的方法.拟合加性分位数模型的方法通常使用样条函数逼近分量,但需要先验的选择节点,计算速度较慢,并不适合大规模数据问题.因此文中提出基于融合Lasso的非参数加性分位数回归模型(Nonparametric Additive Quantile Regression Model Based on Fused Lasso,AQFL),是在融合Lasso罚和l_(2)罚之间折衷的可对加性分位数回归模型进行估计和变量选择的模型.融合Lasso罚使模型能快速计算,并在局部进行自适应,从而实现对所需分位数甚至极端分位数的预测.同时结合l_(2)罚,在高维数据中将对响应影响较小的协变量函数值压缩为零,实现变量的选择.此外,文中给出保证收敛到全局最优的块坐标ADMM算法(Block Coordinate Alternating Direction Method of Multipliers,BC-ADMM),证明AQFL的预测一致性.在合成数据和碎猪肉数据上的实验表明AQFL在预测准确性和鲁棒性等方面较优.

基于优化和两阶段筛选的时间序列Shapelets提取研究

与基于全局特征的时间序列分类方法相比,基于shapelets的分类方法在可解释性和分类速度方面更具优势。针对现有的优化模型学习到的shapelets判别力不足以及shapelets候选数量太多等问题,提出了基于优化和两阶段筛选的时间序列shapelets提取算法。首先对时间序列取样,结合极值点和序列趋势对取样的时间序列进行分组,根据分组结果对稀疏组Lasso正则器的每项赋予权重,并在加权稀疏组Lasso的每一组中都使用融合罚正则项来保证解的相邻位置平坦变化,将多项稀疏正则项作为正则器与局部线性判别分析相结合来构建目标函数。然后,建立一个两阶段的筛选框架来度量组的稀疏性,从而快速地找到对分类起决定性作用的关键组。最后仅使用一组关键组来提取shapelets用于时间序列的分类,缩小了shapelets的规模。在28个时间序列数据集上进行了大量实验,实验结果表明,与现有的基于shapelets的提取方法相比,所提方法不仅能显著提高分类精度,具有较高的时间效率,而且能够在一定程度上缩小shapelets的规模。