基于全局约束的局部融合线性嵌入算法的轴承故障诊断

提出一种基于全局约束的局部融合线性嵌入方法,该方法首先在原始空间对数据进行低秩约束,捕捉数据的全局子空间结构,同时去除数据噪声;其次分别在低秩子空间和原始空间中挖掘数据的两种几何结构;然后,通过重构误差评估两种结构的重要性,实现两种结构的线性融合;最后,构建数据的低维重构函数,完成数据显著特征的提取。在标准的轴承数据集与实验室采集的数据集上进行验证,结果表明:所提方法能够很好地利用数据的全局信息以及局部重构信息,更具鲁棒性,故障识别率也得到了相应的提高。

Combining Local Scoring and Global Aggregation to Rank Entities for Deep Web Queries

With the rapid growth of Web databases, it is necessary to extract and integrate large-scale data available in Deep Web automatically. But current Web search engines conduct page-level ranking, which are becoming inadequate for entity-oriented vertical search. In this paper, we present an entity-level ranking mechanism called LG-ERM for Deep Web queries based on local scoring and global aggregation. Unlike traditional approaches, LG-ERM considers more rank influencing factors including the uncertainty of entity extraction, the style information of the entities and the importance of the Web sources, as well as the entity relationship. By combining local scoring and global aggregation in ranking, the query result can be more accurate and effective to meet users＇ needs. The experiments demonstrate the feasibility and effectiveness of the key techniques of LG-ERM.

细粒度民族服饰图像检索的全局-局部特征提取方法

民族服饰图像具有不同民族风格的服装款式、配饰和图案,导致民族服饰图像细粒度检索准确率较低.因此,文中提出细粒度民族服饰图像检索的全局-局部特征提取方法.首先,基于自定义的民族服饰语义标注,对输入图像进行区域检测,分别获得前景、款式、图案和配饰图像.然后在全卷积网络结构的基础上构建多分支的全局-局部特征提取模型,对不同区域的服饰图像进行特征提取,分别获得全局、款式、图案和配饰的卷积特征.最后,先对全局特征进行相似性度量,得到初步检索结果,再使用Top-50检索结果的局部特征与查询图像的局部特征进行重排序,优化排序并输出最终的检索结果.在构建的民族服饰图像数据集上的实验表明,文中方法有效提高民族服饰图像检索的准确率.

基于对比度优化流形排序的显著目标检测算法

现有的基于背景先验的显著性算法模型中存在先验区域选取不合理的问题,导致计算出的前景区域不准确,影响最终结果。针对该问题提出了基于对比度优化流形排序的显著目标检测算法。利用图像边界信息找出背景先验,设计出采用显著期望、局部对比度以及全局对比度三个指标来衡量先验质量的算法,并根据先验质量设计带权加法,代替简单乘法融合显著先验,从而使显著先验更加准确。从先验中提取显著区域时,更改了选取阈值的策略,更合理地选取出前景区域,再利用流形排序得到显著性图,从而使显著性检测结果更加准确。实验结果表明,与同类算法相比,所提算法突出显著区域,减少噪声,更符合人类视觉感知,并在处理时间上领先于深度学习方法。

融合整体与局部特征的低秩松弛协作表示

目前的人脸识别算法经常忽视训练过程中噪声的影响,训练数据受到污染时识别性能会明显下降.针对该问题,提出了融合整体与局部特征的低秩松弛协作表示的人脸识别算法.通过低秩分解抑制训练样本的稀疏噪声,得到更加有效的人脸信息.利用松弛协作表示得到判别性更强的编码系数,增强人脸识别系统的判别性.为进一步提高识别率,提取局部特征的同时引入整体特征,运用整体特征和局部特征共同表示人脸图像.实验结果表明,尽管训练过程、测试过程都受到噪声污染,提出的算法对有光照、遮挡及表情变化的正面人脸图像的识别具有很好的鲁棒性,比现有的识别算法拥有更高的识别率.

冒泡择优遗传算法

为快速地寻求复杂多峰函数的全局极值点，提出一种冒泡择优遗传算法。它以冒泡的形式让每一代种群中的最优的个体参加列队竞争，以成为局部最优或全局最优。对于达到局部极值的个体，进行湮灭操作，重新进行进化与列队竞争。该算法能自动保持种群多样性且易于实现。实验结果表明，该算法对于求解多峰函数优化的问题十分有效，通常都能找到全部全局最优解。

基于整体和非局部低秩分解的视频脉冲噪声去除方法

视频存在着整体关联性和基于图像块的非局部关联性。针对现有的视频恢复方法仅仅利用一种尺度的关联性质,从而限制了算法恢复性能的问题,通过考虑这两种低秩性质,提出了基于整体关联性和非局部关联性的视频恢复算法。首先,利用视频帧的整体关联性把被噪声污染的视频分解为整体低秩成分和稀疏余项成分。然后,对于余项视频部分其相邻帧存在非局部关联性,利用基于k维树的非局部技术组成低秩图像块组,并通过低秩分解模型去除图像块噪声。最后,整合整体低秩部分与处理后的余项部分,从而得到准确的视频恢复结果。在去除视频中脉冲噪声的实验中,所提算法与联合稀疏与低秩分解算法相比平均峰值信噪比(PSNR)提高了1.3 dB,与鲁棒时空分解算法相比PSNR提高了2 dB。实验结果表明了所提算法的有效性和优越性。

基于非局部全变差模型和全局非零局部秩惩罚的图像去模糊

图像成像及分析模块是未来汽车应用系统中的重要组成部分,清晰的图像为后续的智能控制提供可靠保证。然而,由于成像设备自身硬件的问题,使得图像出现模糊等问题。因此,为了能够从降质图像中复原出高质量的清晰图像,并为后续的处理带来便利,本文提出一种基于非局部全变差模型和全局非零局部秩惩罚的图像去模糊方法。非局部全变差模型主要用于恢复图像中的纹理细节,而非零局部秩惩罚则主要用于约束图像的边缘,达到锐化边缘的目的。本文所提出的方法在模拟图像和真实模糊图像的去模糊上都取得了很好的效果。