深度掩膜布朗距离协方差小样本分类方法

针对小样本学习中,布朗距离协方差通过改善特征嵌入提升分类精度,但未聚焦分类中样本相关性特征的问题,提出了深度掩膜布朗距离协方差方法。该方法通过每对查询集与支持集之间的高维语意关系,生成查询引导掩膜,并将掩膜后的布朗距离协方差矩阵用作图像特征表示。分别在5way-1shot和5way-5shot情形下,对CUB-200-211、Mini-ImageNet及Tiered-ImageNet数据集进行评估验证,实验表明,深度掩膜布朗距离协方差方法取得了更优的分类精度。

基于距离协方差的二维列联表的独立性检验

通过引入虚拟向量,将二维列联表的独立性检验转换为两个虚拟向量的独立性检验,文章基于这两个虚拟向量的距离协方差导出了一种新的独立性检验方法,相比传统的卡方检验,新方法不受列联表各单元格频数的影响,且在二维列联表退化为2×2四格表时新方法等价于卡方检验.数值模拟进一步说明了新方法克服了传统的列联表独立性卡方检验的局限性,实例验证了新方法的实用性.

应用Log-协方差矩阵距离的实验鼠行为分类方法

实验鼠行为分类在神经科学、生物科学、药物开发等领域的研究中十分重要.针对行为分析中实验鼠肢体短小,提取相关信息困难问题,应用实验鼠轮廓抽取特征,进行实验鼠的行为分类.首先从视频每一帧图像中分割出实验鼠轮廓,并提取轮廓中心从八个方向上到轮廓边缘的距离以及轮廓区域的两个主分量,组成一个10维向量作为特征向量,最后应用协方差距离进行分类.实验结果显示,分类正确率达87.6%.

基于协方差距离和粒子群优化的模糊C均值改进算法在医学影像图像处理中的应用研究

目的:提出一种基于协方差距离和粒子群优化的模糊C均值(FCM)改进算法,以获得高质量和高精度的医学影像分割图像。方法:采用空间信息和协方差距离构建像素隶属度函数;采用粒子群优化算法计算目标函数参数;采用自动阈值法检测错误分类像素,调整区域边界;根据改进的FCM算法进行图像分割。选用人工合成图像和临床实例图像进行仿真试验,图像分割定量评价指标为假阴性率、假阳性率和分割错误率。结果:FCM改进算法获得的分割图像噪点最少,不同类区域边界清晰可辨。图像分割定量评价中,FCM改进算法获得的平均假阴性率为0.89%~4.31%,假阳性率为5.37%~26.88%,错误率为1.78%~6.31%,均低于其他算法。结论:FCM改进算法能有效克服标准FCM算法局限性,获得高质量和高精度的医学影像分割图像,具有较高的临床应用价值。

一种距离特征融合的机械三维模型检索方法

三维模型检索技术可提高产品设计效率,减少设计时间。针对形状分布算法(D2)只适用于全局特征检索而对局部特征描述不足的缺点,文中提出一种融合局部特征和全局特征的三维模型检索方法。首先,运用蒙特卡洛算法在模型表面随机取点,计算随机点对间的D2距离和协方差距离,然后联合统计两种特征距离的分布概率,形成距离分布矩阵。最后采用Manhattan距离度量距离分布矩阵的相似性。实验结果表明,该算法可实现机械三维模型检索,检索性能明显优于两种经典算法。

注意力集合表示的多尺度度量小样本图像分类

目的在图像分类中,通常先用深度网络提取特征,再基于这些特征进行分类,小样本图像分类也遵循此原则。但在特征提取为向量的过程中,信息丢失是一个常见问题,这可能导致模型遗漏关键的类别信息。为构建更丰富、更全面的特征表示,提出了基于基类的丰富表示特征提取器(rich representation feature extractor,RireFeat)。方法RireFeat通过在特征提取网络中构建不同层级间的基于注意力机制的信息流通渠道,使得被忽略的类别强相关信息重新出现在新提取的特征表示中,从而根据重要性有效地利用图像信息以构建全面的特征表示。同时,为了增强模型的判别能力,从多个尺度对特征进行度量,构建基于对比学习和深度布朗距离协方差的损失函数,拉近类别强相关特征向量之间的距离,同时使不同类别特征向量距离更远。结果为了验证所提特征提取器的有效性,在标准的小样本数据集MiniImagenet、TierdeImageNet和CUB(caltech-ucsd birds-200-2011)上进行了1-shot和5-shot的分类训练。实验结果显示,在MiniImageNet数据集上RireFeat在基于卷积的骨干网络中于1-shot和5-shot情况下分别比集合特征提取器(set-feature extractor,SetFeat)取得精度高出0.64%和1.10%。基于ResNet12(residual net⁃work)的结构中于1-shot和5-shot情况下分别比SetFeat精度高出1.51%和1.46%。CUB数据集在基于卷积的骨干网络中分别于1-shot和5-shot情况下提供比SetFeat高0.03%和0.61%的增益。在基于ResNet12的结构中于1-shot和5-shot情况下比SetFeat精度提高了0.66%和0.75%。在TieredImageNet评估中,基于卷积的骨干网络结构中于1-shot和5-shot情况下比SetFeat精度提高了0.21%和0.38%。结论所提出的RireFeat特征提取器能够有效地提高模型的分类性能,并且具有很好的泛化能力。

函数型数据独立性的检验

本文提出了一个可以用于函数型数据独立性检验的方法,该方法可以把函数型数据独立性的检验转化为向量型数据独立性的检验。为此所有适用于向量型数据独立性检验的方法都可以通过本文的方法用于函数型数据独立性的检验。该检验方法操作简单,而且在检验函数型数据的独立性时有更多选择。模拟显示,在某些情形下,用本文方法选择合适的独立性检验工具,相比选择那些只适合函数型数据的独立性检验方法,比如,距离协方差和球协方差,可以显著提高检验的功效。文中还给出了一个实例分析展示了所提出的检验方法在实际中的应用。