一种融合隐藏语义的人体行为表示方法

人体行为识别是计算机视觉研究的热门领域之一,提出了一种基于隐藏语义的人体行为算法,采取人体骨骼点的三维数据进行处理后构成数据序列,将该数据序列作为分析人体行为的主语义的同时,分析人体行为细节信息在时空特性上的变化作为隐藏语义,然后将二者融合作为人体行为表示.最后使用改进的类均值核主成分分析算法对行为表示数据进行处理,并用支持向量机进行分类.将提出的方法在UTKinect、Florence和MSR Action 3D数据集上进行验证,实验结果证明了所提方法的有效性和普适性.

基于弱监督学习和隐藏语义分析的卷积神经网络重构

针对使用含较少神经元的较简单模型对特定目标进行识别和检测问题,提出了一种从卷积神经网络中寻找到对应的关键神经元,并重构神经网络,实现定制优化的方法。为了避免由个人经验引入的偏差,在模型预训练和隐藏语义学习中既不使用带有部件标注或属性标注的数据集,也不使用任何语义模型假设,仅使用对象级别的标注进行弱监督学习。进一步,通过挖掘神经元高强度激活状态与不同类别输入图像之间的关联分析与可视化分析,实现了中间层神经元的隐藏语义分析。在此基础上,通过关键神经元的组合以及对特征生成后继网络结构重组,实现了针对特定任务的模型定制优化。在VOC数据集上,对Inception V3模型检测飞机和鸟类分别进行了不同复杂程度的定制优化和性能分析对比实验。实验结果展示了通过筛选6～8个关键神经元可以在大幅降低运算复杂度的情况下,保持近似的目标识别和检测性能。

一种改进的无线信道中压缩视频码流的错误隐藏算法

无线信道传输环境不稳定,容易产生随机和突发误码,这对码流相关性很强的压缩视频信号将产生很恶劣的影响,并将在解码端扩散.本文分析了传统错误隐藏算法的原理和局限性,针对信源语义错误隐藏技术计算量大、可能不能得到目标片的缺点,提出一种新的算法,根据无线信道误码的特点,产生与信道情况相关的候选片,利用压缩感知技术的模糊匹配特性,用解析方式得到目标片,并可在此基础上对信道恶劣的情况提出重传建议,计算简单,客观恢复质量较好.

基于混合主题模型的文本蕴涵识别

分析识别文本蕴涵的主流方法,并基于文本T和假设H可以从潜在混合主题中生成的猜想,提出一个混合主题模型来识别文本蕴涵,描述一个在混合主题模型上生成文本的概率模型。该模型把文本T和假设H看成是同一语义的不同表达,表示为多模式的数据,若文本T和假设H有蕴涵关系,则它们有相似的主题分布,共享混合词汇表和主题。设计mix LDA和LDA模型的对比实验,并对RTE-8任务进行测试,通过支持向量机对得到的句子相似度和其他词法句法特征进行分类。实验结果表明,基于混合主题模型的文本蕴涵识别具有较高的准确率。