结合L1图模型和局部保持投影特征的SAR变形目标识别方法

局部保持投影(LPP)是一种能描述数据实际分布的流形学习算法,可以有效地捕获数据的局部信息。针对高精度SAR变形目标识别问题,文中提出一种结合L1图模型和LPP的SAR变形目标识别算法。考虑到稀疏描述具有判别力且对噪声具有鲁棒性的优点,构建L1图模型捕获样本之间的局部结构。此外,还采用一种正则化方法有效地解决了LPP算法中存在的矩阵奇异性问题。

基于L1图的联合稀疏鲁棒判别回归

常用的回归模型因基于L2范数而对异常数据较为敏感,且算法得到的投影数量受到样本类别数的限制。为解决这些问题,提出了一种基于L1图的联合稀疏鲁棒判别回归模型。基于稀疏表示构造L1图,这样可自适应地寻找数据的近邻,并保留数据的局部几何结构;模型利用L2,1范数表示损失函数并将L1图融入其中以增强算法的鲁棒性,而L2,1范数惩罚项能保证联合稀疏性和有效特征提取的鲁棒性;最后采用交替迭代方法去求解该模型。在含有异常值的人脸库上进行实验,说明算法在有效降维的同时能进一步提高判别能力。

非负l^1图及其在谱聚类中的应用

信息图的构造对许多机器学习任务来说是至关重要的。基于稀疏表示理论,提出了一种有向非负l1图。在构造此图的过程中,先将每个样例表示成其他样例的非负线性组合,再通过求解l1最小化问题来同时获得近邻样例和对应的相似度。最后将基于非负l1图的谱聚类方法应用于手写字符的聚类问题。与基于l1图的谱聚类方法相比,所提方法具有较好的聚类性能和较低的计算复杂度。

自适应多视角学习及其在图像分类中的应用

针对现有多视角学习算法在构建近邻图时缺乏数据自适应性问题,提出一种自适应多视角学习(AMVL)算法。该算法首先利用L1范数具有自动数据样本选择的特性,对不同视角分别构建有向的L1图;然后根据得到的L1图,最小化各个视角下的低维重建误差;最后对不同视角间进行多视角全局坐标对齐,得到自适应多视角学习算法的目标函数。此外,还提出一种迭代优化求解方法来对所提目标函数进行优化求解。将该算法应用到图像分类问题,在Corel5K和NUS-WIDE-OBJECT两个公共图像数据集上与现有算法进行对比。实验结果表明:所提方法在这两个数据集上可以分别提高最高5%和2%的分类准确率;优化求解算法可以保证在100次迭代内收敛;算法所得到的近邻数目具有数据自适应性。

树、单圈图及其线图的l1-嵌入性

l1-图是一个能规模嵌入到超立方体中的图,研究了树、单圈图及其线图的l1-嵌入性.证明了树、单圈图与它们的线图同时都是l1-图.

基于半监督协同训练的无人机对地目标跟踪

由于目标小、可区分性差,无人机对地目标跟踪较传统视频目标跟踪更容易丢失目标,提出一种基于l_1图半监督协同训练的目标跟踪算法。算法首先提取样本的颜色和纹理特征构建两个充分冗余的视图,再以基于l_1图的半监督学习算法取代传统协同训练中的监督学习方法构建单视图中的分类器,提高有限标记样本条件下的分类正确率,然后通过基于负类学习的协同训练算法协同更新两个视图的分类器,最后根据不同视图的相似度分布熵融合各分类器的分类结果实现目标跟踪。实验结果表明,该算法能够有效提高分类器的判别能力,具有良好的跟踪性能。

鲁棒的半监督多标签特征选择方法

针对现有的半监督多标签特征选择方法利用l2-范数建立谱图易受到噪声影响的问题,文中提出一种鲁棒的半监督多标签特征选择方法,利用全局线性回归函数建立多标签特征选择模型,结合l1图获取局部描述信息提高模型准确度,引入l2,1约束提升特征之间可区分度和回归分析的稳定性,避免噪声干扰。在4种开源数据集上借助多种性能评价标准验证所提出方法,结果表明:本文方法能有效提高分类模型的准确性和对外界噪声的抗干扰性。