结合特征融合和任务分组的人脸属性识别

针对现有人脸属性识别模型存在的特征提取不足、划分属性组时未充分考虑属性相关性强弱等问题,为了实现对多个人脸属性的同时识别,建立一种结合特征融合和任务分组的人脸属性识别模型。在参数共享部分,通过多尺度特征融合模块将不同尺度的特征进行融合增强特征相关性,同时设计基于中心核对齐和谱聚类的属性分组策略进行属性识别,通过中心核对齐方法度量属性的相关程度,并以此为基础使用谱聚类算法得到属性的合理分组,使同一组内的属性相关性尽可能大,提高属性识别准确率。在分支部分,使用注意力机制加强对目标区域的关注,并通过不确定性加权方法表示任务间的相对难度,自动调整每组任务损失之间的相对权重,进一步优化模型性能。在CelebA公开数据集上的实验结果表明,所提模型的分类准确率相较于MOON、GNAS和DMM-CNN模型提升了0.78、0.09和0.02个百分点,参数量仅为上述对比模型的1.10%、17.08%和0.37%。

基于中心核对齐模糊SVM的中文农业文本分类

提出一种基于中心核对齐的模糊支持向量机(Centered kernel alignment-based fuzzy support vector machine,CKA-FSVM)算法并应用于中文农业文本分类.首先通过爬虫技术获取2246个中文农业文本并进行数据预处理,然后进行文本向量化和特征处理,最后构建分类器模型,实现中文农业文本的自动分类.实验结果显示CKA-FSVM算法在中文农业文本分类上的平均准确率为91.69%,平均F1值为94.96%,比5个对比算法中的最好结果分别提升了0.04和0.24个百分点,表明该模型在中文农业文本分类领域具有较好的性能.

基于加权马氏距离的模糊多核支持向量机

模糊支持向量机通过引入模糊隶属度有效区分不同样本的重要程度,降低了传统支持向量机对噪声数据的敏感性。针对基于欧氏距离设计的隶属度函数忽略了样本的总体分布,且未考虑样本特征重要性的区分,提出了一种基于加权马氏距离的模糊支持向量机方法。首先应用Relief-F算法计算样本特征权重,然后基于该权重计算样本距其类中心的加权马氏距离,最后根据该距离值度量样本隶属度。在此基础上,考虑到核函数及其核参数难以确定,将模糊支持向量机与多核学习方法相结合,提出基于加权马氏距离的模糊多核支持向量机,采用加权求和形式构建多核,并遵循中心核对齐原则确定每个核的权重。该方法不仅降低了弱相关特征对分类效果的影响,而且使数据表达更加全面准确。实验结果表明,基于加权马氏距离的模糊支持向量机的分类精度高于基于欧氏距离和基于马氏距离的模糊支持向量机,且基于加权马氏距离的模糊多核支持向量机的分类性能较单核模型更优。

基于中心核对齐的多核单类支持向量机

多核学习(MKL)方法在分类及回归任务中均取得了优于单核学习方法的性能,但传统的MKL方法均用于处理两类或多类分类问题。为了使MKL方法适用于处理单类分类(OCC)问题,提出了基于中心核对齐(CKA)的单类支持向量机(OCSVM)。首先利用CKA计算每个核矩阵的权重,然后将所得权重用作线性组合系数,进而将不同类型的核函数加以线性组合以构造组合核函数,最后将组合核函数引入到传统OCSVM中代替单个核函数。该方法既能避免核函数的选取问题,又能提高泛化性能和抗噪声能力。在20个UCI基准数据集上与其他五种相关方法进行了实验比较,结果表明该方法在13个数据集上的几何均值(g-mean)均高于其他对比方法,而传统的单核OCSVM仅在2个数据集上的效果较好,局部多核单类支持向量机(LMKOCSVM)和基于核目标对齐的多核单类支持向量机(KTAMKOCSVM)在5个数据集上的分类效果较好。因此,通过实验比较充分验证了所提方法的有效性。