基于尺度估计的无人机场景车辆跟踪算法研究

无人机场景下的车辆跟踪发展迅速,并且研究方向较为广阔.近些年来,基于相关滤波的目标跟踪算法达到了不错的跟踪效果,并且它的快速算法满足了我们的需求,具有很好的应用前景.以相关滤波算法作为框架,使用基于尺度估计核相关滤波目标跟踪算法.通过循环位移的方法扩展候选训练样本,经过计算训练样本与目标样本的相关系数产生置信响应图,并通过置信响应图的相应最大值来确定当前帧的目标位置.特征选择双选机制并结合颜色模型,可改进目标跟踪的精度和速度.采用德国实验室提供的无人机车辆视频,并对提出的算法和特征选择方法与之前方法进行对比实验.由实验结果得出,本研究所提出的算法比以往的算法有较大提升.     

基于通道注意力与空洞卷积的胸片肺气肿检测算法

胸片中的肺气肿检测算法在临床辅助诊断中具有重要研究意义.针对已有算法缺乏特征通道筛选能力,特征图感受野较小易受局部组织噪声干扰,以及难易样本不均衡等问题,提出了一种基于通道注意力与空洞卷积的胸片肺气肿检测算法EDACD.首先,利用通道注意力模块构建了具有通道选择能力的特征提取网络SE-ResNet及特征金子塔网络SE-...     

基于样本和特征搜索空间不断缩小的模糊粗糙集特征选择

为了提高模糊粗糙集特征选择算法的计算效率,在每次迭代过程中通过不断缩减样本和特征的搜索范围,提出了一种新的模糊粗糙集特征选择算法.为了减少样本的搜索范围,利用样本对决策类下近似隶属度的单调性,构建样本的筛选机制,用以筛除当前所选特征子集已保持决策类下近似隶属度的样本;为了缩减特征的搜索范围,采用特征冗余性概念,构建特征搜索机制,用以移除已被确定为冗余的特征;通过融合样本筛选机制和特征搜索准则,设计模糊粗糙集特征选择的高效算法.数值实验表明,所提算法具有高效性和有效性.     

基于鲁棒鉴别特征学习的图像特征提取算法

为了增强图像特征鉴别力和鲁棒性,获取图像紧致特征表达是关键.现有的图像特征学习方法大多采用最大化L2范数的方式定义,导致其对噪声和异常值十分敏感.针对这个问题,提出了一种基于L2,1范数的鲁棒鉴别特征学习算法.该算法在数据预处理中加入了类内聚拢操作,使得同类样本尽可能靠近,减小了类内异常样本以及强噪声样本的影响;此外,...     

基于样本差异性的多标记特征选择算法

在多标记学习中,特征空间的高维性是多标记学习研究的主要问题。文章通过聚类构建由代表性样本组成新多标记数据,定义了多标记决策系统中样本的分类间隔及样本的差异性概念,在此基础上定义了特征权重,提出一种基于样本差异性的多标记特征选择算法,并用4个指标对4个多标记数据集进行实验评价,对比一些当前流行的特征选择算法,验证了本文所提算法的有效性。     

基于支持向量机的景象匹配区选择方法

考虑景象匹配区选择结果与参考图像信息之间的联系与制约,提出了基于支持向量机的景象匹配区选择方法.首先合理选择基于灰度和基于特征的2级测度参数,准确有效地表示参考图图像信息;其次将多个测度参数归一化组成样本集的输入属性向量,并使用去均值归一化算法得到匹配结果作为样本集的输出;最后选择合适的核函数与最佳参数训练样本集数据,得到具有自动区分景象适配区与非景象匹配区能力的决策函数,并用其分类实现任意候选参考图的匹配区选择.实验结果表明该方法具有较大的适应性和抗干扰性,能够对复杂参考图的匹配区选择进行正确决策指导.     

基于互信息的Fisher Score多标记特征选择

目前，Fisher Score模型在处理多标记数据时没有考虑样本和整个特征空间之间以及特征和标记之间的关系.提出一种基于互信息的Fisher Score多标记特征选择方法 .首先，在多标记决策系统中考虑整个样本空间对特征选择的影响，根据异类样本与同类样本之间的欧式距离定义权重公式，并在特征空间下对标记赋予权重衡量标记的重要程度.然后，基于互信息理论定义特征与每个标记之间的互信息来计算每个特征和每个标记之间的相关度，将特征与标记之间的相关度与该标记所占的权重相结合来定义特征和标记集之间的总相关度.将Fisher得分与总相关度结合，定义每个特征的新的Fisher得分，进而构建多标记Fisher Score模型.最后，设计了一种基于互信息的Fisher Score多标记特征选择算法.在六个多标记数据集上的实验证明，提出的算法与其他算法相比，其四种评价指标都表现良好，分类性能出色.     

基于最大边距局部敏感鉴别分析的人脸识别

局部敏感鉴别分析(LSDA)是一种基于向量学习的提取特征的算法,该算法使得属于同一类的相邻数据经投影后尽量靠近,但不同类的邻近数据则相远离.在实际应用中,由于小样本问题,通常先利用PCA算法对原始数据进行降维处理,然后再使用LSDA算法提取特征.然而,这种方法会丢掉一些重要的鉴别信息.提出了最大边距局部敏感鉴别分析(MM-LSDA)算法,直接从原始数据中提取特征,避免了鉴别信息的损失,同时使得同类中的近邻数据尽量靠近,而不同类之间的样本远离.在ORL和Yale人脸库上的仿真实验表明此算法更有效.     

基于密度聚类和样本加权信息熵的特征选择算法

特征选择是机器学习和模式识别领域中的一个重要问题.本文提出一种非监督的特征选择算法,称为基于密度聚类和样本加权信息熵的特征选择算法(DCWIE).不同于传统的基于信息熵的特征选择算法,DCWIE使用一种加权的信息熵计算方法,增加对分类贡献大的样本的权值,并通过与聚类结合,实现无监督学习.实验结果表明了本文算法的有效性.     

一种基于压缩感知的单样本人脸识别方法

针对人脸姿态、光照和表情等各方面原因引起人脸识别率不高的问题,提出了一种基于单样本特征点形变成冗余样本的压缩传感人脸识别方法.将人脸图像信号进行小波变换得到系数的稀疏表示,采用高斯随机测量矩阵进行测量得到离散人脸单样本,基于特征点形变人脸三维模型生成冗余样本,通过稀疏特征点正交匹配追踪非线性重建算法重建冗余图像进行人脸识别.仿真实验结果表明,所提出的算法相对于同类算法,时间复杂度较低、精确度较高、鲁棒性较强,且随复杂环境变化,其优势更明显.     

带专业词库的特征选择

在经典特征选择算法的基础上,提出一种带专业词库的特征选择方法.在训练分类模型的时候,适当加重属于专业词汇的特征的权重.这种方法能够有效地避免特征选择时误删有用的低频词,因此,适合用于短文本的分类(电子邮件等).实验结果表明,本方法在抽取特征维数较少时,分类准确率提高约3%.     

基于Rough Sets的特征选择研究进展

特征选择是机器学习领域中的重要研究问题.作为一种重要的特征选择方法,属性约简正在受到越来越多的关注,在许多应用领域已经得到了广泛应用.文章对基于Rough Sets理论的特征选择算法作了系统的回顾和分析,具体包括启发式属性约简、基于区分矩阵的属性约简和扩展粗糙集模型的属性约简三个方面.此外,论文还给出了粗糙特征选择算法的几种常见应用,并对该领域的进一步发展进行了展望.     

基于约束Laplacian分值的半监督特征选择算法

针对Laplacian分值法进行特征选择时过分依赖样本局部结构信息的不足，提出一种改进的基于约束Laplacian分值的半监督特征选择算法。该算法利用样本之间的cannot-link成对约束关系作为全局结构信息，在进行特征选择时，不仅能尽量保持局部结构信息，而且还尽量保持了全局的cannot-link约束关系。基于Yale和PIE(Fave pose,Illamination,Expression dadbase)人脸数据库的实验表明，该算法性能显著优于Laplacian分值法，与Fisher分值法和最新的约束分值法相当，且在稳定性方面优于后者。     

基于图拉普拉斯的多标签类属特征选择

多标签特征选择能够有效去除冗余特征并提升分类精度, 是解决"维数灾难"问题的有效方法. 然而, 已有的多标签特征选择算法是对所有标签选择出相同的特征, 忽略了标签与特征之间的内在联系. 事实上, 每个标签都具有反映该标签特有属性的特征, 即类属特征. 提出一种基于图拉普拉斯的多标签类属特征选择(multi-label label-specific feature selection based on graph Laplacian, LSGL)算法. 对于每个类别标签, 基于拉普拉斯映射获得数据的低维嵌入, 再通过稀疏正则化获得数据空间到嵌入空间的投影矩阵, 接着通过分析矩阵系数确定每个标签相应的类属特征, 最后使用类属特征进行分类. 在 5 个公共多标签数据集上的多标签特征选择与分类实验结果证明了所提算法的有效性.     

基于邻域粗糙集的不完整决策系统特征选择算法

针对不完整决策系统属性约简算法时间复杂度较高问题,基于正域不变条件下,决策系统分类能力保持不变原则,提出不完整决策系统前向顺序特征选择算法.该算法从约简集为空集开始,根据在约简集合中加入各属性后对正域影响程度大小将属性降序排列,采用顺序前向搜索,选择当前最佳特征加入特征约简集合,确定最佳特征子集.将该算法扩展到基于邻域...     

基于神经网络的分子性质预测算法研究进展

分子性质预测是材料化学领域的热点问题,基于第一性原理的计算方法虽然可以明确地描述体系中电子分布,但计算过程过于复杂,且计算复杂度随分子中原子增加呈指数级增长。近年来,随着相关研究的不断深入,涌现出多种多样的深度学习算法,将算法分为基于多层感知机(multi-layer perceptron, MLP)和图神经网络(graph neural network, GNN)两大类及六个子类,研究不同算法的特点。分析表明,MLP类算法结构简单,算法扩展性有限,与分子内部结构关联度不高;相反,GNN类算法融合消息传递机制,将分子间相互作用转换为结点、边之间的特征传递,在各向评价指标中占优。目前,基于深度学习的分子性质预测算法正从MLP类算法向GNN类算法过度。最后,提出基于深度学习的分子性质预测算法未来在数据集、各向异性特征传递、指导材料科学与生命科学中的实际应用等方面的发展方向。     

结合优化文档频和变精度粗糙集的特征选择方法

在文本分类中,特征空间的维数通常高达几万,甚至远远超出训练样本的个数,这是一种十分普遍的现象.为了提高文本挖掘算法的运行速度,降低占用的内存空间,过滤掉不相关或相关程度低的特征,必须使用特征选择算法.首先给出了一个基于最小词频的文档频方法,然后把变精度粗糙集引入进来并提出了一个基于信息熵的属性约简算法,最后把该属性约简算法同基于最小词频的文档频方法结合起来,提出了一个综合的特征选择算法.该综合算法首先利用基于最小词频的文档频方法进行特征选择,然后利用所提属性约简算法消除冗余,从而获得较具代表性的特征子集.实验结果表明,该算法比最好的3种经典特征选择方法"互信息"和"统计量"以及文档频都要好.     

基于自适应流形正则化自表示的无监督特征选择算法

针对基于流形正则化自表示(MRSR)的无监督特征选择算法直接从原始的样本空间构造相似矩阵可能会 导致重构空间中样本的相似性描述得不够准确的问题,提出了基于自适应流形正则化自表示的无监督特征选择 (AMRSR)算法。 基于自适应流形正则化自表示的无监督特征选择算法在 MRSR 算法的基础上通过对相似矩阵施 加概率最近邻约束将相似矩阵的学习嵌入到优化过程中,在重构空间中自适应地学习样本的相似性,使得在每一 次迭代中获取更加精确的样本局部几何流形结构,从而选择具有代表性且保持局部几何流形结构的特征。 最后, 在四个公开数据集上进行了大量的对比实验,通过将算法的特征选择结果用于 K-means 聚类并采取两种常见的聚 类评价指标:聚类精确度和归一化互信息评价聚类效果。 实验结果表明,AMRSR 算法与现有的一些算法相比有更 高的聚类精确度和归一化互信息,进一步表明该算法特征选择效果更好。     

基于加权频繁子图挖掘的图模型在文本分类中的应用

针对传统文本分类算法的分类精度低和计算复杂度高的问题,提出一种基于加权频繁子图挖掘的图模型文本分类算法。首先将文档集表示成图集;然后运用加权图挖掘算法提取频繁子图;最后,对特征向量进行分类。提出的算法仅提取最重要的子图,使其整体具有较好的分类效果和较高的计算效率。为评估该算法有效性,将其与多种现有分类算法分别对一个数据集进行分类实验,实验结果表明,提出的算法具有更高的识别精度和更少的运行时间。     

基于相关性分析的多标签特征选择方法

针对现有大多数多标签特征选择算法未能有效去除特征空间冗余特征,同时也忽略了标签差异性的现状,提出一种基于相关性分析的多标签特征选择方法,利用特征之间的相关度对特征进行分组,解决了特征之间的相关性问题.根据样本所对应的标签属性对样本做一个正负类的聚类,对于正样本和负样本所构成的正类簇和负类簇单独确定其聚类个数,并计算原特征到正负类簇中各个类中心的距离,如此便产生了标签特定特征空间;将标签共享的特征空间和标签特定特征空间融合,考虑到多个标签之间的个性和关联性,解决了标签的差异性问题.实验测试表明,相较于现有的多标签特征选择算法,提出的基于相关性分析的多标签特征选择方法在各个分类指标上均有较优的表现,充分证明了该方法的有效性.