基于标签深度分析的音乐自动标注算法

尽管深度神经网络算法在标签自动标注领域已取得一定的成果,但对于包含大量噪声标签的真实音乐数据集仍存在自动标注效果差的问题.为此,文中通过对音乐标签进行表示学习,挖掘音乐标签与音频特征之间的潜在关系,提出了基于标签深度分析的音乐自动标注算法.该算法先通过多层级卷积网络提取音频特征,再通过音乐标签向量的表示学习来降低噪声数据对音乐自动标注网络的不良影响.在真实音乐标注数据集上的实验结果表明,该算法能取得更高的平均受试者特征曲线下面积,标注效果优于其他自动标注算法.     

脑-机接口系统的类协同式半监督学习

针对如何提高有标签样本不足时的分类精度问题。提出脑-机接口系统(BCI)的类协同半监督学习算法(LCTSSL),采用有监督和无监督两种算法提取双特征训练双分类器协同扩充有标签样本集。在训练前后阶段设置不同置信度度量,选择两分类器分类结果一样的高置信度样本进行标记,保持每类每次新标记样本数目一样,提高有标样本集的可信度及识别系统的鲁棒性。迭代更新两分类器、有监督提取系统及相应特征,充分利用新标签信息。最后利用BCI竞赛2005的数据I证明LCTSSL算法的有效性。     

基于伪标签-1D DenseNet-KNN的光伏阵列开集复合故障诊断方法

提出了一种基于伪标签-1D DenseNet-KNN的光伏阵列故障诊断方法,实现在少标签样本下的光伏阵列复合故障开集识别。首先,分析了各种常见单一故障及灰尘覆盖下复合故障的I-V曲线特性。然后,为了克服常规的半监督机器学习算法需手动提取数据特征,采用一种伪标签与1D DenseNet相结合的半监督方法自动提取特征。最后,将对训练数据提取的特征、训练数据预测的标签及测试样本提取的特征输入K最近邻（KNN）算法进行开集复合故障诊断。实验表明,该方法不仅能准确分类各种已知类样本,而且能识别出未知类别故障,并且模型的训练仅需少量标签数据。     

基于支持向量机的高光谱遥感影像道路提取

为了从高光谱遥感影像中高精度提取各种线形道路,提出了基于支持向量机（SVM）的道路特征快速提取算法,首先利用PCA对高光谱影像进行合理压缩,由SVM模式识别理论推导出该算法具有快速精确提取道路网信息的能力,针对高光谱遥感影像高信息量和道路网复杂度高的特点,提出基于1Vm（一对多算法）的多种道路SVM一次性高精度提取的多分类策略,在提高精度的同时,兼顾了道路特征识别的效率。研究结果表明：SVM对线状道路模式判别能力比常规方法有更强的优势,对小样本的道路识别效果更加明显,从遥感影像中不仅能准确地辨别出道路的线形特征,还能识别出其材质和类型;该算法能同时识别出多种道路,执行效率更高。     

基于模糊粗糙集的半监督影像分类算法

针对影像分类中少量标记样本问题,提出了基于模糊粗糙集的影像半监督分类算法.首先,通过模糊粗糙集对数据的粗糙性与模糊性进行建模,采用归一化的模糊互信息来度量特征与类别信息的相关性,并利用模糊上下近似度量样本的类别隶属度;然后,结合归一化的模糊互信息改进正则化框架下的特征评价方法,在谱图分析的半监督特征选择框架下实现特征优选;其次,结合近邻约束提高模糊上下近似预测样本类别的准确性,设计基于模糊粗糙集的约束自学习,选择信息量大的未标记样本更新训练样本集;最后,利用新的样本集训练分类器,完成影像分类任务.多组实验表明所提算法能够在少量标记样本的条件下有效提高影像的分类精度.     

基于LPA和Tri-Training的半监督文本倾向性分类

提出了一种基于LPA和Tri-Training算法的半监督文本倾向性分类框架.通过LPA对初始样本进行快速分类,获得更多可信的有标签数据,优化分类框架的训练过程.引入Tri-Training算法,提高分类框架的泛化能力和可用性.实验结果表明,在不同标注比例的样本集上,该框架都有较好的分类性能,相较有监督学习算法和单一的半监督算法提高了分类精度,并有较强的鲁棒性,为解决有标签样本比例较少情况下的文本倾向性分类提供了一个新的思路.     

基于不确定抽样的半监督城市土地功能分类方法

为提高分类准确率, 解决城市区域社会功能标签分类难的问题, 提出了一种基于不确定抽样选择策略的半监督城市土地功能分类方法。该算法从轨迹数据中提取城市区域的特征向量, 只需对少量区域进行标签, 根据不确定抽样的主动学习选择策略, 从未标注训练样本中选取具有较多信息的数据, 利用半监督学习算法进行标注, 得到新的标注训练样本添加到训练集, 反复迭代后得到分类结果。实验结果表明, 该方法对不同社会功能的城市区域分类准确率可达90. 2%, 与传统方法相比分类准确率高, 减少了大量标注工作, 在少数标签数据上仍有较好的分类效果。     

基于字典学习的传统民族服饰多标签标注算法

为了实现对传统民族服饰图像文化内涵的自动挖掘,提出了基于字典学习的传统民族服饰图像多标签标注算法.该算法在原有相似系数结构不相关字典学习方法基础上,对重建系数判别能力进一步增强,实现多标签标注任务.首先,利用支持向量机(SVM)算法对重建系数进行线性分类;接着,为每一类别构建一个字典,同时对SVM分类错误的样本进行惩罚;然后,将字典与重建系数不断迭代求解;最后,利用测试样本重建误差和重建系数在分类器中的分类效果完成标签预测.实验结果证明了该方法性能上有所提升,并且在不同数据上的结果更加稳定.     

结合局部全局一致性和支持向量机的半监督分类方法

半监督分类方法通过提取无标签样本的信息,结合有限的有标签样本,克服了高光谱图像准确地物标签样本不足的问题,有效提高了图像的分类精度。局部全局一致性算法是一种基于图的标签传递半监督分类方法,具有性能良好,易于求解以及能够有效反映所有样本间关系的优点,但是其分类结果极不稳定,不利于实际应用。支持向量机是高光谱图像的分类领域应用最广的监督分类方法,拥有较强的鲁棒性,但是由于高光谱图像中有标签的样本不一定能够代表该类地物的全部特征,其分类结果也有可能出现波动性较大的问题,分类精度不理想。因此本文提出了一种结合局部全局一致性和支持向量机的半监督分类算法,通过迭代不断提取两种算法中分类结果相同的部分扩充有标签样本集,然后通过支持向量机进行分类,大幅度提高了分类精度和稳定度。     

基于PPYOLOE的师生互助训练半监督目标检测网络

随着深度学习技术的发展,基于卷积神经网络的目标检测技术成为当前计算机视觉领域的研究热点之一.目前主流的目标检测算法依赖于监督学习方式,需要在大量有标注图像数据上训练网络,然而,无标签的数据易于获取,而有标签的数据收集起来通常很困难,标注也耗时和耗力．为了解决数据标注难以获取的问题,提出了教师学生互助训练的半监督目标检测(PPYOLOE-SSOD)算法．首先,同时训练一个学生模型和逐渐改进的教师模型,使用教师模型筛选高质量伪标签,将伪标签作为未标注图像的回归目标,指导学生模型训练,挖掘未标注图像的知识信息,为了减小参数传递的不稳定性,每次迭代学生模型使用指数移动平均方法更新教师模型参数;此外,引入不同种类的半监督数据增强方法来增强网络的抗干扰能力;最后,针对无标注数据的学习,新增无监督学习分支,使用密集学习方式对模型预测得到的特征进行处理,通过对教师模型预测的分类特征排序,自动选择高质量特征作为教师模型生成的伪标签,从而避免了繁琐的伪标签后处理,提升网络的精度和训练速度．在MSCOCO数据集上,通过使用半监督学习方法,PPYOLOE在1%、5%、10%的标注数据集上分别得到了1.4%、1...     

基于NSCT与形状特征的遥感影像道路提取

提出一种基于非抽样Contourlet变换（NSCT）与形状特征的遥感影像道路提取算法.首先对图像进行非抽样Contourlet变换,得到不同尺度、不同方向上的变换系数,对变换系数进行增强处理并通过反变换得到增强图像;然后对增强图像进行分割处理,利用道路形状特征对分割结果进行道路提取;最后利用光谱特征对提取的道路进行判断,并利用形态学方法对道路网进行规整.对比实验结果表明：该算法取得了较好的高分辨率遥感影像道路提取效果.     

基于非抽样Contourlet变换的遥感影像道路提取

提出一种基于非抽样Contourlet变换的遥感影像道路提取算法.该算法首先对图像进行非抽样Contourlet变换得到不同尺度不同方向上的变换系数,再通过给定窗口大小分别计算各个尺度各个方向上的变换系数模在窗口内的局部最大值,然后比较各尺度在同一方向和同一窗口位置上系数模的最大值,取值最大的点作为特征点;同时利用自适应阈值对各个尺度各个方向上的系数模值进行二值化,消除小于一定面积的区域,筛选出特征点位于提取区域内的点;最后以筛选出的特征点为种子点,对道路进行Snake跟踪.实验结果表明:该文算法在道路提取的精确度、完整性方面比小波变换好.     

一种高分辨率遥感影像道路提取方法

文章采用了基于核的Fisher线性判别特征分类和形状特征相结合的方法进行道路提取.首先,对标记的样本进行色彩信息的抽取;其次,利用基于核的FLD根据抽取的信息对遥感影像进行特征训练分类,将影像分为道路和非道路两类;接着利用道路的形状特征去除误提的信息;最后利用形态学对道路网进行优化处理.实验证明,本方法可以实现具有颜色信息的遥感影像道路的提取.     

面向对象的遥感影像水体信息提取

基于面向对象的遥感影像分析方法,在不同尺度分割遥感影像的基础上,根据影像对象的特征,如亮度、光谱、归一化植被指数(NDVI)、面积和上下文等信息,对水体信息进行了提取和分类.结果显示:与传统的基于像元的分类方法相比,面向对象的遥感影像信息提取方法具有很好的效果,同时也提高了信息提取的精度.     

基于改进自适应阈值局部三值模式的遥感图像分类

遥感图像背景复杂,存在光照变化和噪声干扰,导致图像分类准确率不高。针对该问题,在计算邻域像素离散度的基础上,通过对其施加不同权重以细化阈值范围,提出一种改进的自适应阈值局部三值模式(ATLTP)纹理特征提取算法,以提高遥感图像分类精度。首先,对原始遥感图像进行灰度拉伸预处理以增强图像对比度;然后,采用改进自适应阈值局部三值模式提取遥感图像的纹理特征;最后,利用支持向量机对遥感图像进行分类。在标准遥感图像数据集中稀疏建筑物和密集建筑物分类的实验结果表明:采用改进后的局部三值模式纹理特征对遥感图像进行分类的性能要优于传统的局部三值模式,验证了改进算法的有效性。     

基于均值漂移的海岛(礁)岸线快速提取

为了解决海岛(礁)岸线提取的自动化问题,提高海岛(礁)岸线提取的速度与精度,提出了基于均值漂移的海岛(礁)岸线快速提取方法。首先在保证影像整体轮廓的同时构建低分辨率影像,从而缩短算法的运行时间;然后利用均值漂移技术进行高斯低通滤波处理,提高算法的抗噪性;最后通过区域增长法自动选择种子点,结合区域合并差异性度量准则实现对遥感影像的形状和颜色的识别,从而完成对海岸线的自动提取。使用该方法对海岛(礁)影像进行了海岛(礁)岸线提取实验,实验结果表明,该算法能够实现所有岛礁岸线的自动提取,相比于通过人工方式,提取时间从729s缩短为3s,极大地缩短岸线提取的时间,同时能较好地满足成图效果。     

多源遥感数据在植被覆盖区的水体信息提取

针对单一遥感影像难以准确提取南方植被覆盖区水体信息的问题,提出了先对光学影像进行混合像元分解,消除植被干扰,增强水体信息,再联合雷达影像的多源遥感数据提取方法。以地物类型丰富,水体发育的湖南衡阳地区为研究对象,选择Landsat8光学影像和PALSAR雷达影像为主要数据源,先利用混合像元分解模型从Landsat8光学影像提取出植被信息,对水体光谱进行重建,再综合去除植被的Landsat8影像的光谱信息和PALSAR影像的纹理信息进行面向对象的多源遥感水体信息提取,并与单源影像的水体信息提取结果进行对比。结果表明,该方法进行水体信息提取的精度更高,尤其在水陆过渡带,能够较好地去除植被干扰,提取被覆盖的水体信息,在南方植被覆盖区水体信息定量提取上具有很好的效果和潜力。     

基于最优尺度模型的建筑物信息提取

建筑物信息在数字城市建设过程中具有十分重要的意义和作用,从高分辨率遥感影像中提取建筑物信息已成为研究热点之一.本文结合当前现有的理论与方法,提出最优尺度的面向对象的方法对建筑物信息进行提取.首先采用多尺度分割算法对影像进行分割,然后采用最优尺度计算模型选取最优分割尺度,在分割的基础上构建建筑物提取知识库,最后采用最近邻...     

一种多源多光谱遥感图像特征点匹配技术

 在多源多光谱遥感图像中,针对匹配图像的像素之间非线性变化而导致正确匹配点对下降的情况,提出了一种基于主成分分析的多源多光谱遥感图像特征点提取算法。利用尺度不变特征变换(SIFT)算法的基本原理,首先对两幅多源的多光谱遥感图像进行主成分变换,再用变换后各自的第一主分量图像作为待匹配图像;其次,在构建尺度空间时提高尺度参数并且在进行特征匹配时,利用尺度限制条件进行匹配,这样既能提高匹配精度又能提高运算速度;最后,采用随机抽样一致性算法剔除误匹配点。这种算法能减少多源多光谱遥感图像之间像素灰度值的非线性变化对特征点匹配的影响,提取到一定数量的正确匹配点对。通过实验对比分析,所提算法比通用算法有更高的精度和更好的适用性。     

遥感影像提取改扩建道路的DLG辅助算法

随着城市化进程的加快,作为城市脉络的道路网的更新要求越来越高。基于人工测图的传统更新方式速度慢、效率低,难以满足数据更新的需求。利用数字线划地图(Digital Line Graphic,DLG)数据作为先验信息,采用基于特征的方法,从高分辨率遥感影像中提取道路,实现道路的自动更新。算法适用于DLG中以双边缘平行线对表示的城市主要道路。实验结果表明,该方法在道路拓宽、延伸等情况均有良好的效果。