基于局部加权的Citation-kNN算法

Citation-kNN算法对传统的kNN算法进行了改进,使其可以应用于多示例学习问题,但其0-1决策方式具有一定的局限性,没有充分考虑样本的分布情况。为解决该问题,该文提出局部加权的Citation-kNN算法,综合考虑样本的分布情况,提出基于样本距离加权、基于样本离散度加权的方法,并对各种组合情况进行了实验。在标准数据集MUSK和乳腺超声图像数据库上的实验结果表明,该文提出的方法与Citation-kNN相比,性能有明显提高,并具有良好的适应性。

Citation-KNN算法改进及其应用

在多示例学习中,有许多属性相对于我们发现目标函数来说是无关的,而且就Citation-KNN算法而言,该算法对维度灾难的问题是十分敏感的,由此本文提出了一种基于特征选择的FS-Citation-KNN算法,该算法不仅考虑了特征选择的问题,还考虑到对于待测包其近邻的距离对于分类的影响。从实验的结果可以看出,加入特征选择机制的Citation-KNN算法的性能得到了显著的提高。

基于骨架模型的人体动作识别方法

深度传感器以其高性价比特性越来越受到研究人员的青睐,结合姿态估计算法来自动识别人体动作,是当前计算机视觉领域中的研究热点之一。本文构建骨架序列模型作为人体姿态描述器,提出一种基于Citation-KNN算法的动作分类框架,可以有效应对类内差异和类间相似问题。此外,对于调节噪声和时间不一致的容忍度来说,该方法亦提供了一个有效途径。仿真实验证明了该方法在两个动作识别数据集上能取得非常好的效果。

基于特征选择的多示例学习算法研究

在多示例学习中,对于发现目标函数来说有许多属性是没有作用的,Citation-KNN算法对维度灾难的问题非常敏感,本文介绍的基于特征选择的FS-Citation-KNN算法不仅考虑到对于待测包其近邻的距离对于分类的影响,而且考虑了特征选择的问题。测试结果表明,Citation-KNN算法加入特征选择机制之后性能得到了很大得提高。