基于String Kernel和KPCA的负实例语法特征提取算法

提出通过String Kernel方法把负实例语法数据库中的负实例转化成核矩阵,再用Kernel Principal Component Analysis(KPCA)对转换的核矩阵进行特征提取,进而可将原始负实例数据库按照这些特征分成多个容量较小的特征表。通过构造负实例特征索引表设计了一个分类器,待检查的句子通过此分类器被分配到某个负实例特征表里进行匹配搜索,而此特征表的特征属性数和记录数要远远小于原始负实例数据库中的相应数目,从而大大提高了检查的速度,同时不影响语法检查的精度。通过比较测试,可看出提出的方法在保证语法检查精确度的同时有更快的速度。

String核负实例语法特征提取算法

通过String核方法把语法数据库中的负实例转化成核矩阵,采用Kmeans聚类算法对核矩阵进行聚类,将原始负实例数据库分成多个容量较小的特征数据表,使大规模O(n3)核矩阵转换为n/s×O(s3)(s<<n)矩阵,以减少运算量。分析语法检查精度随Kmeans聚类参数的变化规律。实验结果表明,该算法在不降低语法检查精度的前提下提高了语法检查速度。

基于多样性图像和实例增强的域适应行人搜索

传统全监督行人搜索方法大多仅适用于同一数据域,在未知数据域上泛化力不足。近来研究人员开始探索域适应行人搜索,旨在提升模型在未知目标域的泛化力,需要解决的主要问题是域对齐和可靠正负实例样本生成。基于此,提出基于多样性图像和实例增强的域适应行人搜索方法,从图像和实例多样性增强的角度出发,更好地实现域对齐和可靠样本生成。该方法包含两个新模块:源域图像增强模块和负实例增强的重识别学习模块。源域图像增强模块仅丰富源域图像数据的多样性,进而提高对目标域的域适应力。在负实例增强的重识别学习模块中,引入多样性负实例挖掘模块从目标域和源域挖掘丰富的负实例样本,提高对重识别特征的可判别性。所提模块仅用于训练阶段,不增加测试阶段推理时间。在行人搜索数据集CUHK-SYSU和PRW上进行实验,验证了所提方法的有效性。其中,在PRW测试集上,所提方法取得了40.8%的平均精度均值(mAP),比现有域适应方法 DAPS提高了6.1百分点。