基于ISM的正则化最近点法在视频人脸识别中的应用

针对视频人脸识别中传统的图像集算法受光照、表情、姿态及遮掩等变化而影响识别性能的问题,提出了一种基于图像集匹配的正则化最近点算法。首先,将图库图像集和探针图像集建模成正则化仿射包,并利用迭代器自动确定两个图像集间的正则化最近点;然后,利用最近子空间分类器最小化正则化最近点;最后,根据正则化最近点之间的欧氏距离及结构计算RNP集之间的距离,并利用最近邻分类器完成人脸的识别。在Honda/UCSD、CMU Mobo和YouTube三大视频人脸数据库上的实验验证了本文算法的有效性及可靠性,实验结果表明,相比其它几种较为先进的图像集人脸识别算法,本文算法取得了更好的识别效果,同时,大大减少了训练及测试总完成时间。     

基于图像集匹配(ISM)的正则化最近点法在视频人脸识别中的应用

针对视频人脸识别中传统的图像集算法受光照、表情、姿态及遮掩等变化而影响识别性能的问题,提出了一种图像集匹配的正则化最近点算法。首先,将图库图像集和探针图像集建模成正则化仿射包,利用迭代器自动确定两个图像集间的正则化最近点;然后,利用最近子空间分类器最小化正则化最近点;最后,根据正则化最近点之间的欧氏距离及结构计算RNP集之间的距离,并利用最近邻分类器完成人脸识别。在Honda/UCSD、CMU Mobo和YouTube三大视频人脸数据库上的实验验证了所提算法的有效性及可靠性,实验结果表明,相比其他几种图像集人脸识别算法,所提算法取得了更好的识别效果,同时,大大减少了训练及测试总完成时间。     

基于仿射包的图像集人脸识别的鲁棒算法

针对基于仿射包的图像集人脸识别方法(AHISD)对于异常值数据的敏感性,提出了一种鲁棒性更强的方法(R1-AHISD).以仿射包模型对图像集建模,通过R1-PCA算法获得仿射子空间的正交基,进而计算定义的仿射包之间的距离,以最近邻分类器得到分类结果.在Honda/UCSD数据库上的仿真实验表明,本方法可以有效地提高识别率和对异常值数据的鲁棒性.     

基于LBP的图像集人脸识别算法

针对基于仿射包的图像集人脸识别方法(AHISD)对于离散数据的敏感性,提出了一种加入LBP的方法.通过LBP的方法对图像进行特征提取,然后再将图像集用仿射包进行建模,在此基础上,通过计算2个模型之间的距离,以达到对人脸进行鉴别和分类的效果.用LBP方法视频数据库(Honda/UCSD)给出了检测结果,有效地提高了识别率.     

基于马氏距离和模糊C均值聚类的抠图算法与应用

基于马氏距离和模糊C均值聚类算法提出了一种数字彩色图像抠图算法.该算法首先对彩色图像像素的红绿蓝三种彩色分量进行正则化处理;然后在正则化图像背景中选取适当的掩膜作为样本集,计算各像素与样本集之间的马氏距离;再利用模糊C均值聚类算法对计算出的马氏距离进行分类;最后利用填洞操作提高抠图质量.对八幅彩色数字图像进行对比实验,结果显示本算法可以自动抠图,且结果优于马氏距离算法、Grow-Cut算法和正则化线性回归算法的相应抠图效果.     

改进型稀疏表示的图像分类方法

在图像分类问题中,传统的稀疏表示算法只考虑样本整体信息,忽略样本局部结构信息;此外,稀疏表示算法要求测试样本与训练样本的人脸图像要一致对齐,当姿势与角度发生变化时分类效果明显下降.针对这些问题,提出了一种改进L2正则化稀疏表示算法.首先,通过求解最小二乘法得到稀疏系数矩阵;然后,计算样本重构残差,用稀疏度量公式量化样本之间的稀疏性;最后,在保持样本稀疏性的同时增加了样本类与类之间的局部判别信息,进而提高样本的分类性能.为了验证算法的有效性,在ORL、FERET和FEI人脸数据库与Stanford 40 Actions数据库和Caltech-UCSD Birds (CUB200-2011)数据库上进行实验.实验结果表明,该方法在不同的人脸数据库和扩展视觉数据集上取得的分类结果均优于传统稀疏表示算法及其他常用分类算法.     

基于正则化协同表示的鲁棒PCA人脸识别

针对人脸图像复杂环境变化,提出了一种基于正则化协同表示的鲁棒PCA人脸识别算法。算法首先通过协同表示计算重构样本与测试样本之间的残差,根据残差选取与测试样本临近的训练样本组成新的字典;然后在该字典上通过鲁棒PCA依次进行低秩误差分解,并计算误差矩阵的平滑性、稀疏性;最后联合协同表示的残差以及低秩分解中的平滑性和稀疏性构建判别准则进行人脸图像的分类识别;在ORL、AR等人脸库的实验表明:基于正则化协同表示的鲁棒PCA人脸识别算法不仅能够在复杂环境变化下取得良好的识别性能,而且保持了协同表示的优势,大大减少运行时间。     

基于自适应图的半监督图像分类方法

针对半监督分类模型存在的模型复杂度高、构造正则化项难度大的问题，从丰富样本特征表示的角度出发，构造了自适应图结构的融合网络模型（AGSH）。该模型在卷积神经网络模型（CNN）基础上引入了自适应图卷积神经网络（AGCN）提取CNN模型特征间的关系。对AGSH模型泛化性能的分析证明了该模型在解决半监督相关问题时的有效性。实验结果表明：融合模型在五种图像数据集上的分类精度相比于单一CNN模型分类精度均有提升。研究结论为解决小样本分类问题的建模方法提供了参考。     

基于时空信息和非负成分表示的动作识别

为充分利用时空分布信息及视觉单词间的关联信息,提出了一种新的时空非负成分表示方法(ST-NCR)用于动作识别.首先,基于视觉词袋(Bo VW)表示,利用混合高斯模型对每个视觉单词所包含的局部特征的时空位置分布进行建模,计算时空Fisher向量(STFV)来描述特征位置的时空分布;然后,利用非负矩阵分解从Bo VW表示中学习动作基元并对动作视频进行编码.为有效融合时空信息,采用基于图正则化的非负矩阵分解,并且将STFV作为图正则化项的一部分.在3个公共数据库上对该方法进行了测试,结果表明,相比于Bo VW表示和不带时空信息的非负成分表示方法,该方法能够提高动作识别率.     

基于泛化空间正则自动编码器的遥感图像识别

为了解决遥感图像中的合成孔径雷达(synthetic aperture radar,SAR)图像的样本稀缺问题,该文提出了针对这一小样本问题的泛化空间和泛化样本理论,将机器学习的分类问题转化为泛化空间中的样本密度估计问题。首先,通过研究泛化空间方法,针对有限样本的识别分类问题建立了样本密度估计模型,并从理论上验证了泛化空间方法的可行性;其次,在正则化自动编码器模型中,加入了泛化规则作为新的正则化因子对图像重构误差进行约束,针对有限样本问题建立泛化正则自动编码器(generalized autoencoders,GAE),并提出利用该算法进行图像识别的模型;最后,将该模型应用于遥感图像小样本目标识别问题中。实验结果表明:GAE在SAR图像中具有最优的小样本学习能力,在样本数量有限的情况下,该方法表现出最小的重构误差和测试错误率。在小样本输入情况下,GAE模型实现了对MSTAR图像以及船舶SAR图像的识别分类,进一步证明了该算法相比于同类算法在SAR图像小样本识别问题中更具有优势。     

基于改进ConvNeXt的COVID-19胸部图像分类

针对新型冠状病毒感染胸部 X-ray 图像分类任务数据集样本过少,现有的两阶段分类器和三阶段分类器模型对高纬度的图像特征提取效果差,模型训练慢等问题,提出一种基于 ConvNeXt 卷积神经网络改进的分类任务算法 ConvNeXt-AT。 ConvNeXt-AT 分类模型首先通过在 ConvNeXt Block 层添加混合域注意力机制 CBAM 来提高图像特征提取能力,不仅考虑了通道间的信息交互能力还考虑到了空间域上像素间的联系,得到 ConvNeXt-AT 模型;然后针对 X-ray 图片常见的泊松噪声使用全变差正则化方法对数据集进行降噪处理;最后在 COVID-19 公开的大型数据集共 21165 张图片进行对比实验。 实验结果表明,在训练数据集充分的情况下,改进的 ConvNeXt-AT 模型相较于常用分类模型 ResNet-50、MobileNet、EfficientNet 以及原 ConvNeXt-T 在准确率上分别提升了 2%、2. 7%、2. 1%、1. 9%。 最后通过 Grad-CAM 显示类激活图的图像可视化方法证明改进方法是可行的,模型具有很好的鲁棒性。     

基于低秩类间稀疏判别最小二乘回归的图像分类

在多分类任务中基于最小二乘回归(least squares regression,LSR)的分类器是有效的,但大多数现有方法因使用有限的投影而损失许多判别信息,有的算法只关注样本与目标矩阵的精确拟合而忽略了过拟合问题。为了解决这些问题并提高分类性能,本文提出了一种基于低秩类间稀疏性的判别最小二乘回归(low-rank inter-class sparsity discriminative least squares regression,LRICSDLSR)的多类图像的分类方法。在判别最小二乘回归模型中引入类间稀疏性约束,使得来自同一类的样本间隔大大减小,而来自不同类的样本的间隔增大;对由非负松弛矩阵获得的松弛标签施加低秩约束,以提高其类内紧凑性和相似性;在学习标签上引入了一个额外的正则化项,以避免过拟合问题。实验结果表明,这3个改进有助于学习明显的回归投影,从而实现更好的分类性能。     

基于SVM的高维不平衡数据集分类算法

由于数据量的不断增长,出现了大量的不平衡高维数据,传统的数据挖掘分类算法在处理这些数据时,易受到样本分布和维数的影响,存在分类性能不佳的问题.提出一种针对不平衡高维数据集的改进支持向量机(Supported Vector Machine,SVM)分类算法,首先通过核函数将数据集映射到特征空间中,再引入改进的核SMOTE(Kernel Synthetic Minority Over-sampling Technique)算法而得到正类样本,使两类样本数目平衡化;然后将维数高的数据集通过稀疏表示的方法投影到低维的空间中,实现降维;最后根据空间的距离关系来确定在输入空间中合成样本的原像,再对得到的平衡样本集通过SVM来分类,通过仿真实验验证了该算法对于高维不平衡数据集有较优的分类性能.     

一种稀疏图正则化的非负低秩矩阵分解算法

非负矩阵分解方法(non-negative matrix factorization,NMF)广泛应用于图像聚类、计算机视觉、信息检索等领域。但是,现有的NMF方法还存在一些不足之处：①NMF方法直接在高维原始图像数据集上计算它的低维表示,而实际上原始图像数据集的有效信息常常隐藏在它的低秩结构中;②NMF方法还存在对噪声敏感以及鲁棒性差的缺点。为了提高NMF算法的鲁棒性和可解释性,提出一种稀疏图正则化的非负低秩矩阵分解算法(sparse graph regularized non-negative low-rank matrix factorization,SGNLMF)。通过低秩约束和图正则化,SGNLMF算法同时利用了数据的几何信息和有效低秩结构;此外,SGNLMF算法还对基矩阵加以稀疏约束,使得其鲁棒性和可解释性均有一定的提升。还提出了一种求解SGNLMF的迭代算法,并从理论上分析了该求解算法的收敛性。通过在ORL和YaleB数据库上的实验结果表明SGNLMF算法的有效性。     

基于结构化局部约束低秩表示的人脸识别

针对传统的基于低秩表示的方法需要重新在字典矩阵上计算测试样本的表示系数,会导致计算复杂度升高,降低训练和测试样本表示系数之间的相关性等问题,提出了一种结构化局部约束低秩表示算法用于人脸识别的方法.在原始低秩表示中引入理想编码系数矩阵正则项,使训练样本的表示系数矩阵具有块对角结构;为保持数据的流形结构,引入局部约束项,使相似样本具有相似的表示系数;使用简单的线性分类器对测试样本进行分类.在AR,Extended Yale B,ORL和LFW这4个标准数据集上进行了试验结果验证.结果表明:该算法可以同时得到训练和测试样本的表示系数,对人脸图像中的遮挡、像素破坏和光照变化等具有鲁棒性.     

基于JointBoost I2C距离度量的图像分类方法

基于图像到类(I2C)距离度量的图像分类是一种新颖的方法,但其分类性能仍有待提高.为此,文中提出了一种基于JointBoost I2C距离度量的图像分类方法.首先生成原型特征集,该集合中的样本具有代表性,故计算测试图像到该原型特征集的距离更有效;然后根据JointBoost算法的思想,联合多个I2C距离度量生成一个强分类器,并将空间信息融合到强分类器中.实验结果表明,该方法在图像分类实验中具有更高的分类性能.     

基于融合分布图网络的触觉压力足迹分类方法

随着生物特征识别技术的发展,触觉压力足迹分类的研究得到越来越多的应用,而传统的分类方法比较耗费人力.针对触觉压力足迹分类,本研究提出了一种融合分布图网络的触觉压力足迹分类方法.首先通过嵌入模块提取触觉压力足迹图像的卷积特征并采用范数正则化方法得到样本相关性矩阵,再将样本与标签one-hot向量构成融合相关性矩阵,通过自...     

基于深度学习的场景遥感图像分类方法研究

为了解决场景遥感图像通常分类性能较差、分类精度不高的问题,提出一种基于改进VGG16的场景遥感图像分类方法。针对传统VGG16模型参数量庞大的问题,对通道数以及参数量进行缩减。在算法运行过程中对数据进行正则化处理,并在分类方法中加入注意力机制。通过将注意力机制与CNN模型进行结合,并对两者进行端到端的训练,提高了模型的分类性能。在不同的分类与检测数据集上进行测试,实验结果表明,在相同的参数设置下,提出的方法能明显提高对场景遥感图像分类的性能。     

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.     

基于核方法协同表示的高光谱图像分类

为进一步利用高光谱图像在同一区域内像素点的相似特性完成地物分类,提出了一种基于核方法协同表示与绝对距离融合的分类算法。通过核函数将原始数据投影到高维核空间,在特征空间中用全部训练样本表示待测样本,再计算吉洪诺夫正则化下待测像元的重构残差和每个类别表示系数绝对值向量,使用不同权重予以融合作为分类依据。在实验中使用Indian Pines和Pavia University两种高光谱图像数据对该方法进行实验验证,实验结果表明:与原协同表示(CRC)及支持向量机(SVM)相比,改进后分类算法总体分类精度和平均分类精度都有更好的表现,均达到94%以上,具有较好的鲁棒性。