潜在多步马尔可夫概率的鲁棒无监督特征选择

无监督特征选择是机器学习和数据挖掘中的一种重要的降维技术。然而当前的无监督特征选择方法侧重于从数据的邻接矩阵中学习数据的流形结构,忽视非邻接数据对之间的关联。其次这些方法都假设数据实例具有独立同一性,但现实中的数据样本其来源是不同的,这样的假设就不成立。此外,在原始数据空间中特征重要性的衡量会受到数据和特征中的噪声影响。基于以上问题,本文提出了潜在多步马尔可夫概率的鲁棒无监督特征选择方法(unsupervised feature selection via multi-step Markov probability and latent representation,MMLRL),其思想是通过最大多步马尔可夫转移概率学习数据流形结构,然后通过对称非负矩阵分解模型学习数据的潜在表示,最后在数据的潜在表示空间中选择特征。同时在6个不同类型的数据集上验证了所提出算法的有效性。

一种基于空间一致性降元的高光谱图像非监督分类

为了提高分类精度和边缘辨识性,该文引入图像空间一致性降元(pixels reduction with spatialcoherence property,PRSCP)及线性回归分析,提出了一种基于空间一致性降元的非监督分类。该方法从像元光谱相似性出发,利用像元最小关联窗口合并相邻相似像元为像块完成降元。使用线性关系建模像块内像元的光谱向量,并利用F检验判断像块数据的线性显著性。利用一元线性回归(one dimensional linear regression,ODLR)估计出像块的基准向量,根据基准向量合并相似(同类)像块完成分类。利用AVIRIS数据评估了该方法性能,实验结果表明:与K-MEANS和ISODATA方法相比,该方法精度高、边缘辨识度好及鲁棒性强。

细节特征保持的三维面部表情迁移方法

在三维面部表情迁移中,针对保持目标模型丰富的细节信息以使生成的新表情真实自然,以及减少表情迁移的学习训练时间这2个热点问题,提出一种细节特征保持的三维面部表情迁移方法.首先提取三维面部模型的细节特征,获得滤掉细节后的基本表情;然后利用改进的有参无监督回归方法将源模型的基本表情传递给目标模型;最后利用提出的细节特征向量调整策略对具有源基本表情的目标模型进行细节恢复.在Windows 10系统的Matlab中,以重建精度和训练时间为评价指标,对COMA等三维面部数据集进行视觉对比和定量分析实验.结果表明,与非线性联合学习方法相比,该方法在将源模型的表情无损迁移到目标模型的同时,很好地保持了目标模型自身的个性细节特征,使生成的表情真实自然;有效地提高了面部表情迁移的训练速度.