一种受限非负矩阵分解方法

提出一种获取潜在语义的受限非负矩阵分解方法.通过在非负矩阵分解方法的目标函数上增加3个约束条件来定义受限非负矩阵分解方法的目标函数,给出求解受限非负矩阵分解方法目标函数的迭代规则,并证明迭代规则的收敛性.与非负矩阵分解方法相比,受限非负矩阵分解方法能获取尽可能正交的潜在语义.实验表明,受限非负矩阵分解方法在信息检索上的精度优于非负矩阵分解方法.     

基于非负矩阵分解最小二乘的多视角行人分类算法

针对不同视角的行人样本具有较大的类内差异性,造成多视角行人识别错误率较高的问题,提出一种基于非负矩阵分解最小二乘的多视角行人分类算法.采用非负矩阵分解的方法对多视角的行人样本图像进行子空间分解,提取基向量;引入协同表示的方法并在最小二乘约束下,对子空间进行稀疏表示获得稀疏分解系数;利用近邻子空间方法对分解系数进行分类.基于自行构建的多视角行人数据库进行对比实验,结果表明该算法的准确性和有效性优于其他方法.     

基于类别信息和稀疏表示的非负矩阵分解

非负矩阵分解通过分解得到基矩阵对于非负的矩阵线性表示,该方法已经在模式识别、信息检索、计算机视觉中得到了广泛的应用.对于模式识别问题,基本的非负矩阵分解方法并没有考虑样本的类别信息;除此之外,稀疏表示用于模式识别问题会有更高的识别率.所以提出基于类别信息和稀疏表示的非负矩阵分解用于研究模式识别问题,并且在ORL和YALE人脸库上进行数值实验,实验结果此方法具有更高的识别率.     

基于局部非负矩阵分解的人脸识别

提出了一种基于局部非负矩阵分解的人脸识别方法,以单个人的训练样本集获取其人脸特征子空间,将识别图像向每一个特征子空间中进行映射及重构,在子空间内实现人脸识别。ORL标准人脸库进行的计算机仿真证实了该方法的有效性。     

图约束的半监督对抗跨模态检索方法研究

跨模态检索是指给定一种模态的查询词,返回与之语义相关的其他模态关联词的一种检索方法。现有工作主要集中监督式跨模态检索方法研究,而实际应用中样本标签少,样本标签获取成本高。为此,提出一种图约束的半监督对抗跨模态检索方法(SS-ACMR)。该方法通过对无标签样本建立图作为约束条件来学习公共子空间表示。具体而言,在对抗学习框架下:1)对无标签样本,根据样本之间欧式距离构建图,希望相似样本的公共子空间表示是相似的; 2)对有标签样本使用传统的对抗跨模态检索方法进行学习; 3)无标签样本和有标签样本在对抗学习框架下共同学习公共子空间的表示。Wikipedia数据集和NUSWIDE-10k数据集上的实验结果表明:本文的方法得到了和现有监督跨模态检索方法相当的检索结果,远好于现有半监督跨模态检索方法。     

基于非负矩阵分解的相关反馈图像检索算法

提出了一种新的基于非负矩阵分解(NMF)的相关反馈检索算法．在每次反馈过程中,由用户标记与查询图像相似的正例样本的特征向量构成样本矩阵,进行NMF分解,得到NMF的基矩阵和样本的系数矩阵,然后根据分解所得的模型进行检索．由于NMF在一定程度上勾勒出了相关图像在基矩阵所代表的空间中的分布,因而可以有效地提高检索的查准率．使用由500幅图像组成的图像库进行实验,通过与特征加权以及支撑向量机相关反馈方法的比较表明,该方法通过交互的NMF相关反馈,确实能使图像检索的查准率得到较大的提高．     

基于表示学习的跨模态检索方法研究进展

多模态数据的急剧增长带来了跨模态检索的应用需求,促进了对跨模态检索方法的研究。本文追溯该领域最新进展,跟踪并深入研究国内外基于表示学习的跨模态检索方法,对跨模态检索问题进行定义并梳理该领域常用技术方法、主流模型、常用数据集、评价方法和面临的主要挑战。主要从统计相关分析、图正则化和度量学习3方面介绍基于表示学习跨模态检索方法,并分析其优缺点。为了分析上述方法的优劣性,实验分别在4个数据集上复现14种方法进行对比评价。实验结果表明：基于统计相关分析方法训练效率较高且易于实施;基于图正则化方法通过挖掘模态内和模态间的相似性,实现语义关联;基于度量学习方法是在公共子空间中尽可能保留数据语义相似/不相似的信息。本文介绍基于表示学习的跨模态检索方法的研究现状,为跨模态检索方法研究提供参考。     

基于表示学习的跨模态检索方法研究进展

多模态数据的急剧增长带来了跨模态检索的应用需求,促进了对跨模态检索方法的研究。本文追溯该领域最新进展,跟踪并深入研究国内外基于表示学习的跨模态检索方法,对跨模态检索问题进行定义并梳理该领域常用技术方法、主流模型、常用数据集、评价方法和面临的主要挑战。主要从统计相关分析、图正则化和度量学习3方面介绍基于表示学习跨模态检索方法,并分析其优缺点。为了分析上述方法的优劣性,实验分别在4个数据集上复现14种方法进行对比评价。实验结果表明：基于统计相关分析方法训练效率较高且易于实施;基于图正则化方法通过挖掘模态内和模态间的相似性,实现语义关联;基于度量学习方法是在公共子空间中尽可能保留数据语义相似/不相似的信息。本文介绍基于表示学习的跨模态检索方法的研究现状,为跨模态检索方法研究提供参考。     

基于NMF图像摘要的Web商品图像检索

提出了一种基于非负矩阵分解图像摘要的图像检索方法.算法首先进行平滑、边框裁剪等图像正规化处理,然后利用非负矩阵分解其灰度图像得到特征系数矩阵,再将其量化构造图像摘要,最后基于最短图像摘要的汉明距离进行图像相似性检索.实验分析结果表明,该摘要对图像多类修改均表现出良好健壮性,查全率和查准率都较基于颜色直方图和基于SIFT特征的方法有较大提高,可较好地满足Web商品图像检索要求.     

基于矩阵型惯性投影神经网络的非负矩阵分解算法

提出一种基于矩阵型神经动力学优化的非负矩阵分解算法.将矩阵非负分解优化问题首先转换为两个矩阵变量凸优化子问题，针对其子问题分别提出矩阵型惯性投影神经网络；然后，采用交替迭代方案寻找矩阵非负分解优化问题的解.理论分析证明了矩阵型惯性投影神经网络能收敛于矩阵变量凸优化子问题的最优解，并且基于矩阵型神经网络的交替迭代算法可以收敛到矩阵非负分解优化问题的偏最优解.最后，所提出的基于矩阵型神经网络的交替迭代算法被有效地应用于人脸识别.     

一种标签嵌入子空间的跨模态离散哈希学习

针对有监督的跨模态哈希检索存在计算成本高及准确度不高的问题,提出了一种标签嵌入子空间的跨模态离散哈希学习方法,将数据信息和标签信息同时嵌入到公共子空间中,通过以带标签信息的语义特征逼近公共子空间、并生成低松弛的离散哈希码,降低了计算成本,快速生成了具有丰富语义的公共子空间.经3个标准数据集对比实验,结果表明其准确率均优于被比较的方法.     

基于批损失的跨模态检索

针对跨模态检索中成对或三元组样本的方法构造了高度冗余且信息量少的样本对问题,提出了基于批损失的跨模态检索方法(BLCMR):首先,引入批损失,考虑了嵌入样本的相似性,有效地保持了跨模态样本的不变性;然后,引入迭代方法来修正预测的类别标签,有效地区分了样本的语义类别信息. 在3个公开的数据集(Wikipedia、Pascal Sentence和NUS-WIDE-10k)上的实验结果表明:BLCMR方法能够拉近跨模态样本间的距离,有效地提升最终的跨模态检索精度.     

基于稀疏性约束非负矩阵分解的人脸年龄估计方法

基于人脸图像的年龄自动估计已经成为当前人脸识别领域的一个重要研究方向。首先通过非负矩阵分解(non-negative matrix factorization,NMF)算法对基矩阵或系数矩阵进行稀疏性约束,用形成的更具有局部表达能力的子空间对人脸图像数据进行表示。然后使用径向基函数神经网络进行训练和测试,提取包含在大多数人脸图像上的年龄信息来进行年龄估计。实验结果表明,具有稀疏性约束的非负矩阵分解算法对年龄估计问题具有良好的应用效果。     

基于特征增强的对抗哈希跨模态检索

在跨模态检索任务中，哈希方法由于其检索效率高效、储存成本低廉而被广泛应用。但是，这些方法很少关注如何去弥补主体网络将高维特征转换为哈希码的过程中所丢失的特征信息。为解决这些问题，本文提出了一种特征增强对抗跨模态哈希（Feature Boosting Adversarial Hashing for Cross-Modal，FBAH）方法。FBAH方法将子空间学习与对抗学习相结合，来减少不同模态数据的差异性。另外，构造一种类残差模块，它可以将筛选出具有区别性的特征绕过主体网络直接输入到哈希空间进行特征增强。这样，生成的哈希码能够具有更多的原始特征信息。最后，通过带有分支网络的线性分类器在标签空间进行两种方式的预测，并最小化与真实标签的差距来保证语义的不变性。本文选择两个跨模态检索任务中常用的大型数据集进行大量实验，结果表明FBAH方法的性能优于目前7种较为先进的跨模态哈希方法。     

广义LDL^T分解法

就具有对称不定系数矩阵的线性方程组，提出广义ＬＤＬＴ分解法．该方法具有ＬＤＬＴ分解法的优点，故运算量比广义Ｃｈｏｌｅｓｋｙ分解法少．     

改进的NSCT与NMF结合的图像融合方法

基于人类视觉系统和源图像特性,对基于非下采样Contourlet变换与非负矩阵分解(NMF)图像融合算法进行了改进。在非负矩阵分解过程中,适当地选取特征空间的维数能够获得原始数据的局部特征,低频部分使用非负矩阵分解的方法进行融合,高频部分使用活性测度和一致性验证的方法进行融合。实验结果表明,该算法具有较强的鲁棒性,融合图像边缘的清晰度和连续性也较理想。     

基于多模态共享网络的自监督语音-人脸跨模态关联学习方法

现有的语音-人脸跨模态关联学习方法在语义关联和监督信息方面仍然面临挑战,尚未充分考虑语音与人脸之间的语义信息交互。为解决这些问题,提出一种基于多模态共享网络的自监督关联学习方法。首先,将语音和人脸模态的特征映射到单位球面,构建一个公共的特征空间;接着,通过多模态共享网络的残差块来挖掘复杂的非线性数据关系,并利用其中权重共享的全连接层来增强语音与人脸特征向量之间的关联性;最后,使用K均值聚类算法生成的伪标签作为监督信号来指导度量学习,从而完成4种跨模态关联学习任务。实验结果表明,本文提出的方法在语音-人脸跨模态验证、匹配和检索任务上均取得了良好的效果,多项评价指标相较于现有基线方法提升1%～4%的准确率。     

基于潜在因子多样性的非负矩阵分解协同过滤模型

基于非负矩阵分解的协同过滤模型在高维稀疏数据的预测和填补上十分有效，该模型具有推荐个性化、有效利用其他相似用户回馈信息的优点，但也存在预测精度较低等不足。针对用户或项目在不同情景下的评分差异性，提出了一种改进的基于潜在因子多样性的非负矩阵分解的协同过滤模型。该模型充分考虑在不同情境下，用户和项目潜在特征矩阵的多样性，在模型的训练中，采用了单元素非负乘法更新规则和交替方向法，保证了目标矩阵的非负性，且提高了模型的收敛率。在真实的工业数据集上的实验结果表明，相比于经典的非负矩阵分解模型，该模型的预测精度有了明显提高。     

对称不定矩阵的校正分解

在分析对称正定矩阵的校正分解算法的基础上，提出了解决对称不定矩阵的校正分解算法，一对称不定矩阵的Bunch-Parlett分解需要0(n^3)次运算，而根据对称不定矩阵的Bunch-Parlett分解得到的Bunch-Parlett校正分解算法仅需0(n^2）次运算，数值结果也比较稳定。