语音识别样本采集注意事项研究

声纹鉴定技术是一项法庭科学的新兴技术,在实际应用中受检验对象不同状态及获取样本所使用录音设备等客观因素的影响,侦技人员提取的样本往往质量不佳,从而难以做出准确判断[1]。研究不同录音条件对声纹鉴定的影响,通过实验来总结出规律性的结论,提出语音鉴定采样工作中应特别注意的环节,能帮助侦技人员提高采集语音识别样本的水平,进而提高声纹鉴定的精准度。

基于细粒度原型网络的小样本命名实体识别方法

原型网络直接应用于小样本命名实体识别(few-shot named entity recognition,FEW-NER)时存在以下问题:非实体之间不具有较强的语义关系,对实体和非实体都采用相同的方式构造原型将会造成非实体原型不能准确表示非实体的语义特征;仅使用平均实体向量表示作为原型的计算方式将难以捕捉语义特征相差较大的同类实体.针对上述问题,提出基于细粒度原型网络的小样本命名实体识别(FEW-NER based on fine-grained prototypical networks,FNFP)方法,有助于提高小样本命名实体识别的标注效果.首先,为不同的查询集样本构造不同的非实体原型,捕捉句子中关键的非实体语义特征,得到更为细粒度的原型,提升模型对非实体的识别效果;然后,设计一个不一致性度量模块以衡量同类实体之间的不一致性,对实体与非实体采用不同的度量函数,从而减小同类样本之间的特征表示,提升原型的特征表示能力;最后,引入维特比解码器捕捉标签转换关系,优化最终的标注序列.实验结果表明,采用基于细粒度原型网络的小样本命名实体识别方法,在大规模小样本命名实体识别数据集FEW-NERD上,较基线方法获得提升;同时在跨领域数据集上验证所提方法在不同领域场景下的泛化能力.

面向小样本命名实体识别的标签语义增强原型网络

小样本命名实体识别任务旨在通过有限数量的标注样本来识别并分类文本中的实体。目前,基于两阶段的小样本命名实体识别方法存在泛化能力差和原型类别混淆等问题。为了解决这些问题,该文提出了一种利用标签语义增强实体表示的两阶段方法。具体来说,该文使用蕴含语义信息的标签名称增强实体表示,并将其应用于跨度检测和实体分类模型。在跨度检测模型中,采用注意力机制将标签语义融入到文本表示,以减少跨度检测模型泛化能力不足的问题。同时,利用增强后的实体表示构建类别原型,使得原型可以获得更丰富的特征,从而降低了原型间的混淆。实验结果表明,该文方法可以充分利用标签语义信息,并在多个基准数据集上取得了良好的性能表现。

属性蒸馏的零样本识别方法

零样本识别是计算机视觉领域最具挑战性的任务之一,其关键在于如何从已见类中学到稳定和可迁移的知识。为提高零样本识别的准确率,对零样本识别问题进行了系统研究,并利用知识蒸馏的思想,精心设计了一个简单有效的属性蒸馏分类器。它符合人类认识事物的过程,首先从Vision Transformer大模型中获得全面细致的视觉特征,再运用属性概念蒸馏出物体的属性知识,最后迁移到未见类识别任务中。公开数据集上的实验表明,该方法取得了具有竞争力的结果,其识别准确率虽略低于最新的属性引导算法,但优于其他传统方法,而且识别架构简单具有更快的处理速度。同时,研究也指出了减少属性描述的稀疏性,以及增加多视角高清图像,将有利于提高零样本识别方法的准确率。

冗余度引导掩膜重构的小样本动作识别方法

目前大多数基于度量的小样本动作识别方法都采用支持样本与询问样本对比的方式学习视频特征,然而在样本量稀少的情况下,只使用对比的方法难以充分地挖掘视频中的信息.另一方面,视频中存在大量的冗余,有效地利用而不是单纯地减少这些冗余信息,可以提升小样本动作识别模型.为此,本文提出了一种冗余度引导特征掩膜重构的方法,将原始视频特征转换为若干离散的特征块,根据每个特征块的冗余程度排序并确定其是否被掩膜替换并重构,并且基于上述操作与原型网络实现小样本动作识别,使模型充分地利用低冗余的视频特征,实现模型泛化性能的提升.实验结果表明本文提出的冗余度引导掩膜重构的方法在5-way 5-shot的实验设置下在Kinetics和something-somethingv2数据集上均优于现有的小样本动作识别方法.

语义增强的零样本甲骨文字符识别

甲骨文识别对于了解中国历史和传承中华文化都有重要的价值.目前,人工识别甲骨文需要具备丰富的专家经验并耗费大量的时间,而自动识别甲骨文的方法绝大部分受制于闭集假设,在甲骨文这种陆续发现新字符的现实场景下适用范围受限.为此,有研究者提出零样本甲骨文字符识别,其从视觉匹配的角度出发,将字模图像作为字符类别参考,通过拓片图像与字模图像的相似度匹配实现拓片图像的字符识别,然而其忽略了甲骨文拓片图像样本类内方差大的难点,仍存在因字形多变而容易匹配错误的不足.本文提出了一种两阶段的语义增强零样本甲骨文字符识别方法.第一阶段为域无关的字符语义学习阶段,通过提示学习从甲骨文拓片和字模图像中提取字符语义,解决甲骨文字符缺乏语义的问题.为应对拓片与字模之间的域差异,我们分别设置可学习的域提示信息和字符类别提示信息,通过解耦两者的语义实现更准确的特征提取.第二阶段为语义增强的字符图像视觉匹配阶段,模型通过两个分支分别提取类内共享特征和类间差异特征.第一个分支使用对比学习,将同一字符类别的不同字形视觉特征对齐到字符语义,引导模型关注类内共享特征;第二个分支使用损失函数N-Pair,增强模型对不同字符类别间差异特征的学习.在测试阶段,模型无须语义特征,通过训练中学到的类内相似性和类间差异性特征,实现更准确的拓片与字模匹配,提升零样本识别性能.我们在拓片数据集OBC306和字模数据集SOC5519上进行实验验证,实验结果表明,本文提出的方法在零样本甲骨文识别准确率比基准方法性能提升超过25%.

基于判别性特征增强的小样本细粒度图像识别

小样本细粒度图像识别是深度学习领域中一个热门的研究课题,其基本任务是在学习有限数量样本的情况下识别出某一大类下的子类别的图像。得益于卷积神经网络的快速发展,小样本细粒度图像识别在精度方面取得了显著的成果,但其性能仍受限于同一子类图像间的高方差以及不同分类任务中判别性特征的差异性。针对上述问题,提出了一种基于判别性特征增强的小样本细粒度图像识别算法(DFENet)。DFENet设计了对称注意力模块来增强类内视觉一致性学习,从而减少背景的影响,提高同类样本之间共享的特征表示的权重。此外,DFENet引入通道维度的判别性特征增强模块,利用支持集样本中同类样本内和不同类样本之间的通道关系进一步挖掘适合于当前任务的判别性特征,以提高识别准确率。在三个经典的细粒度数据集CUB-200-2011,Stanford Dogs,Stanford Cars上进行了广泛的实验。实验结果表明,该方法均取得了有竞争性的结果。

基于标签语义信息感知的少样本命名实体识别方法

在少样本命名实体识别方法中,目前广泛应用的方法是基于原型网络的两阶段模型。但是,该方法未充分利用实体标签中的语义信息,且在距离计算中过度依赖实体类型原型向量,导致模型泛化能力差。针对这些问题,提出一种基于标签语义信息感知的少样本命名实体识别方法。该方法是一种先进行实体跨度检测,再判断实体类型的两阶段方法。在构建实体类型原型向量时,将对应实体类型包含的语义信息考虑在内,通过维度转换层将其与原型向量相融合。在对新样本进行实体识别时,将实体类型的正负样本与实体类型原型向量组成实体类型三元组,依据样本到三元组的距离对其进行分类。在多个数据集上的实验结果证明,该模型的性能比以往的模型有较大的提升。

基于中心损失函数的小样本SAR图像识别方法

提出了一种基于中心损失函数的监督学习方法,用于改善小样本下的合成孔径雷达(synthetic aperture radar,SAR)图像识别性能。该方法通过学习每个类别的类别中心,并惩罚样本的深度特征与其相应类别中心之间的距离,从而提高类间分离度和类内分散度。为了验证方法的有效性,将所提方法与常见的深度学习算法在MSTAR图像识别数据集上进行比较。实验结果表示,相较于其他深度学习模型,该方法在小样本情况下有着更为卓越的图像识别性能。

小样本深度学习在目标识别分类领域的应用前景研究

近年来,深度学习技术在大数据训练模型上取得了显著成就。但由于领域的特殊性,很难获取到大量标注/无标注样本,人工标注数据会耗费大量的人力,限制了其在该领域的应用和推广。而小样本目标识别分类只需要少量的标注样本数据,即可实现在有限样本条件下对典型目标的识别分类。以目标识别分类为主要应用领域,对基于数据增强、迁移学习和度量学习3种常用的提升小样本目标识别分类性能算法的研究现状进行了介绍,并阐述了算法的优缺点。对小样本学习仍旧面临的一些挑战和未来研究方向的展望进行了梳理和总结。

基于特征解耦和开放性学习的小样本开放集识别

在小样本开放集识别任务中,有效区分闭集和开集样本是一项具有挑战性的任务,尤其在样本稀缺的情况下.现有方法在构造已知类分布边界时存在模糊性,未能很好地实现闭集和开集空间的区分.为了解决这一问题,本文提出了基于特征解耦和开放性学习的小样本开放集识别方法.其目的是通过特征解耦模块,迫使模型解耦类别性特征和开放性特征,从而扩大未知类与已知类之间的差异.为了有效实现特征解耦,引入了开放性学习损失来促进特征的开放性学习.通过结合相似度度量值和反开放性分值作为损失优化对象,更好地引导模型学习到更具区分性的特征表示.实验结果表明,本文方法在公共数据集miniImageNet和tieredImageNet上可以显著提高未知类样本的检测率,同时正确分类已知类别.

基于分层关系度量网络的单样本人脸识别

单样本训练集中的每个类只有一张样本,训练样本数量的不足将使模型得不到有效训练,使得模型无法准确提取具有类内变化的人脸面部特征,导致模型的识别率低下.针对该问题,提出了一种基于分层关系度量网络(Hierarchical Relation Measure Network,HRMN)的单样本人脸识别模型.首先,使用语义网络将训练集中人脸进行性别层次的语义划分;随后,应用小批量K均值聚类算法对所划分的第一层语义人脸特征进行分层聚类,得到具有多个不同抽象层次的分层特征树(Hierarchical Feature Tree,HFT).最后,使用所构建的多层关系度量网络计算出不同抽象层次面部特征与目标样本间的加权融合相似度,根据相似度得出目标样本的类别信息.为了验证所提算法的有效性,本文进行了大量的实验,实验结果表明,该模型优于几种近年来应用较为广泛的单样本人脸识别模型.

基于类混合高斯映射的归纳式广义零样本识别

在广义零样本识别研究中,分类器对可见类别的偏倚以及在高维向低维特征映射过程中产生的信息丢失是传统算法常见的两大问题。为了解决上述问题,基于高斯混合分布模型的思想,结合共同学习的设计理念,提出一种加权多通道结构,不仅能够通过建立通道学习速率差异化实现通道间有监督的共同学习,而且可以通过类多高斯分布的计算拟合生成特征的真实分布特性,增强网络在隐藏空间的特征映射能力。针对三个常用数据库CUB、AWA2和SUN进行测试后,实验结果表明,基于多通道和生成对抗网络建立的类混合高斯映射网络模型针对上述三个数据库调和指标H分别提高了1.4、1.56和0.47,验证了这种加权多通道结构实现的类混合高斯映射模型在广义零样本图像识别领域的有效性。

支持向量机在小样本识别中的应用

针对癌症细胞诊断过程中样本采集困难 ,数目偏少的实际情况 ,在癌症的早期诊断中引入了一种新的模式识别方法———支持向量机 该方法基于统计学习理论的原理 ,较好地解决了小样本的学习分类问题 ,通过对具有不同性状的癌前增生细胞进行分类识别验证 ,支持向量机取得了较传统分类方法更好的识别效果 .

基于更新样本智能识别算法的自适应集成建模

选择表征建模对象特性漂移的新样本对软测量模型进行自适应更新,能够降低模型复杂度和运行消耗,提高模型可解释性和预测精度.针对新样本近似线性依靠程度(Approximate linear dependence,ALD)和预测误差(Prediction error,PE)等指标只能片面反映建模对象的漂移程度,领域专家结合具体工业过程需要依据上述指标和自身积累经验进行更新样本的有效识别等问题,本文提出了基于更新样本智能识别算法的自适应集成建模策略.首先,基于历史数据离线建立基于改进随机向量泛函连接网络(Improved random vector functional-link networks,IRVFL)的选择性集成模型;然后,基于集成子模型对新样本进行预测输出后采用在线自适应加权算法(On-line adaptive weighting fusion,OLAWF)对集成子模型权重进行更新,实现在线测量阶段对建模对象特性变化的动态自适应;接着基于领域专家知识构建模糊推理模型对新样本相对ALD(Relative ALD,RALD)值和相对PE(Relative PE,RPE)值进行融合,实现更新样本智能识别,构建新的建模样本库;最后实现集成模型的在线自适应更新.采用合成数据仿真验证了所提算法的合理性和有效性.

一种新的基于粗糙集的动态样本识别算法

样本识别是知识获取的最终应用体现,是数据挖掘研究中的一个重要内容.现有的数据挖掘算法众多,如何才能选择到一个泛化能力较强、识别率较高的最优算法成为研究的重点.文中利用粗糙集能处理不完整、不精确数据的优势,结合支持向量机、决策树方法,通过分析数据的特征,提出利用样本对规则集的覆盖度和设置一个相关阈值来进行最优分类方法的动态选择.在第一时间为样本选择到相对较优的分类算法.仿真实验验证了算法的有效性.

基于元学习的雷达小样本目标识别方法及改进

基于深度学习的雷达目标识别方法近年来获得较大关注,但实战中存在时效性约束和资源限制,小样本识别难题大大限制其在实际识别任务中的性能。针对这一问题,本文基于元学习算法,通过从多个相关任务中学习到的元知识改善新任务的性能,引入迁移学习思想,提出一种改进的小样本学习方法,并通过详细的性能对比实验分析了该方法的应用边界条件。基于实测高分辨距离像数据的实验结果表明,元学习方法在历史积累样本所含目标类别较多,与目标任务相关度较大的极小样本情况下,性能优势才突出,所提方法可显著提升其综合识别性能。

语义自编码结合关系网络的零样本图像识别算法

为了解决零样本图像识别中传统模型容易出现投影域移位问题以及提高距离相似度度量的鲁棒性,提出关系网络改进语义自编码器的零样本识别算法.基于语义自编码器构建图像视觉特征和语义向量之间的特征映射,并将重构向量与对应向量真值进行级联后送入神经网络,最终利用输出的标量给出预测类别.实验表明,相比传统距离度量方法,文中算法在AWA、CUB和Image Net-2数据集上的识别率均有所提高,在某些数据集上语义-视觉的投影效果优于反向投影.

基于去冗余特征和语义关系约束的零样本属性识别

基于生成式的零样本识别方法在生成特征时受冗余信息和域偏移的影响,识别精度不佳.针对此问题,文中提出基于去冗余特征和语义关系约束的零样本属性识别方法.首先,将视觉特征映射到一个新的特征空间,通过互相关信息对视觉特征进行去冗余处理,在去除冗余视觉特征的同时保留类别的相关性,由于在识别过程中减少冗余信息的干扰,从而提高零样本识别的精度.然后,利用可见类和不可见类之间的语义关系建立知识迁移模型,并引入语义关系约束损失,约束知识迁移的过程,使生成器生成的视觉特征更能反映可见类和不可见类之间语义关系,缓解两者之间的域偏移问题.最后,引入循环一致性结构,使生成的伪特征更接近真实特征.在数据集上的实验证实文中方法提高零样本识别任务的精度,并具有较优的泛化性能.

深度子空间联合稀疏表示单样本人脸识别算法

针对人脸识别中小样本数据集缺少分布信息难以获得鲁棒图像表示问题,提出深度子空间联合稀疏表示单样本人脸识别算法。首先,使用深度加权子空间构建抽象特征描述网络,获得单样本人脸深层抽象描述子。进而利用样本类间差异信息,引入邻域排斥度量学习实现低维度有鉴别力特征提取。最后基于协同表示分类器完成模式分类。在FERET、ORL、Multi_PIE等数据库上验证本文算法在单样本人脸识别问题上的有效性,鉴于深度子空间强大的特征描述能力,即使训练样本集很小,依然可以保证训练样本能够紧凑的表示有变化的测试样本。