不同累计贡献率下PDEs对CCA的影响

针对高维噪声图像(光暗、有遮挡)的分类问题,分类质量的好坏严重依赖于图像降噪方法和降维方法的选择.本文提出基于偏微分方程组(PDEs)的典型相关分析(CCA)作为联合降噪降维方法,并研究了PDEs的进化对CCA中累计贡献率的影响.分别以支持向量机(SVM)和一对余多类SVM(OVR-MSVM)为分类器,以分类精度为标准,在Extended Yale B人脸数据集和Palm-print掌纹数据集上进行了大量的实验.实验结果表明,PDEs的进化可以弱化累计贡献率的影响,甚至不用选择累积贡献率,通过不超过5次的进化即可达到同等条件下的最佳分类精度.

PDEs对RSVM中模型参数的影响

支持向量机(Support Vector Machines,SVMs)的分类结果严重受限于模型参数的选择.很多学者都在研究调参问题,但目前还没有一个行之有效的方法,常用的办法是网格搜索,一个近似选择参数的方法.以噪声(光暗,有遮挡)图像分类为背景,以正则化支持向量机(Regularized SVM,RSVM)为分类器,研究了偏微分方程组(Partial Differential Equations,PDEs)对RSVM模型中参数选择的影响.实验结果表明通过PDEs的进化可以弱化参数的影响,甚至不需要考虑调参.

PDEs对单向二维CCA的影响

累计贡献率(CCR)决定着降维子空间的维度,贡献率越高,维度越大,计算成本也越高,但对图像的识别精度来说却并不一定越好。利用单向二维典型相关分析(2D-CCA)进行图像特征抽取时面临的CCR如何选取问题,目前还没有一个有效的解决方案。偏微分方程组(PDEs)与一维典型相关分析(CCA)的算法结合并没有解决CCA存在的会破坏图像的空间结构,丢失图像的判别信息以及造成“维数灾难”等问题。为解决上述问题,提出了将PDEs与单向2D-CCA结合的一体化学习算法,着重研究了PDEs对2D-CCA中CCR的影响。在AR数据集、FRGCv数据集上的实验以及对比实验的结果表明PDEs的进化不仅可以弱化2D-CCA中CCR的选择,甚至不用考虑CCR的选择,原则上不超过5次的进化可达到最优识别精度,且识别精度明显优于基于PDEs的一维CCA算法。

基于PDEs的图像特征提取方法

针对提取图像判别信息的基于偏微分方程(partial differential equations,PDEs)的方法做了进一步研究。研究进化次数对图像特征质量的影响和压缩函数的压缩速度对图像特征质量的影响。试验结果表明:PDEs的进化可以降低遮挡的影响以及对光暗具有鲁棒性,但PDEs的进化次数以及压缩函数和压缩速度严重影响图像特征质量。