一种基于近邻保留的相关反馈图像检索算法

图像检索中很多时候会出现相关反馈提供的标注样本数不足,从而导致监督学习方法面临过适应问题的困扰。提出一种能有效使用未标记数据的半监督新型算法:近邻保留回归算法,它通过使已标记数据的观测误差函数最小化,来选择综合性能最好的回归函数,以兼顾图像的语义特征及图像空间的几何结构,并解决过适应问题。实验结果证明,算法能有效提高图像检索系统的性能。

基于近邻保留PNMF特征提取的高光谱图像分类

通过对投影非负矩阵分解(PNMF)增加近邻保留假设,提出了一种新的高光谱图像线性特征提取方法———近邻保留投影非负矩阵分解(NPPNMF)。NPPNMF保留了高光谱数据在低维特征空间中的局部几何结构,克服了PNMF基于Euclidean的缺点。根据在构造k近邻图时是否使用训练样本的类标签信息决定了NPPNMF既可以是无监督的特征提取方法,也可以是有监督的特征提取方法,从而提高了PNMF算法的鉴别力。理论证明和高光谱图像数据的分类结果表明了该方法的有效性及应用潜力。

结合成对约束的近邻稀疏保留投影算法

稀疏保持投影算法是一种无监督的全局线性降维方法,无法应对训练样本不足及类内样本间差异过大的情况。针对该问题,提出一种结合成对约束机制的近邻稀疏保留投影算法。利用近邻样本求取稀疏系数以保留局部结构信息,引入成对约束监督的思想,利用样本类别指导稀疏重构过程,最后定义能最大限度保留稀疏系数中蕴含的类别信息的低维子空间。将该算法用于人脸识别,实验结果证明了算法在识别率以及运行时间上的有效性和可行性。

基于实体不可知表示学习的知识图谱嵌入

针对知识图谱嵌入(KGE)引发的参数存储效率低下的问题,本研究提出了一种创新的实体不可知表示学习方法。传统的知识图谱嵌入技术通过为知识图谱中的各个元素(涵盖实体和关系)分配特定的嵌入(即向量化表达),将其映射至连续的向量空间。然而,这种方法导致了嵌入参数随着知识图谱规模的扩大而呈现线性增长的趋势。在此基础上,我们提出了名为实体不可知表示学习(EARL)的模型。该模型仅学习一小部分实体的嵌入,这些实体被称为保留实体。为了获取完整实体集的嵌入,我们巧妙地结合关系、K近邻保留实体以及多跳邻居中的信息,以编码这些保留实体的独特特征。通过学习通用且实体不可知的编码器,我们将这些特征高效地转换为实体的嵌入。相较于传统的知识图谱嵌入技术,这种创新方法使得我们提出的EARL模型在保持高效的同时,具有更少的参数量,从而展现出更高的静态性。实验结果充分验证了EARL在链路预测任务上的卓越性能,并且在参数效率方面展现出显著优势,进一步凸显了其在减少参数使用方面的有效性。

基于彩色人脸图像的信息融合与识别方法

图像的彩色信息进行图像识别并有效地降低因利用颜色信息所带来的计算量大幅增加问题,提出了一种基于彩色图像的监督近邻保留嵌套的人脸识别方法,通过对图像的彩色信息进行信息融合并利用监督近邻保留嵌套算法来提高人脸识别的效率。首先,采用Gabor变换分别对彩色图像的每个彩色分量图提取Gabor特征;然后采用典型相关分析对所提取的Gabor特征进行特征融合,并采用监督近邻保留嵌套算法对高维彩色图像特征进行降维;最后,采用最近邻分类器对图像进行分类。实验基于XM2VTS和FRAV2D彩色人脸数据库,采用主成分分析、线性判别分析以及监督近邻保留嵌套对基于灰度图像的Gabor特征和基于彩色信息融合的Gabor特征进行降维,其结果说明多信通彩色图像融合技术与监督近邻保留嵌套结合的方法可以显著提高识别系统性能。