Soft computing application in bioinformatics

This article provides an outline on a recent application of soft computing for the mining of microarray gene expressions. We describe investigations with an evolutionaryrough feature selection algorithm for feature selection and classification on cancer data. Rough set theory is employed to generate reducts, which represent the minimal sets of nonredundant features capable of discerning between all objects, in a multiobjective framework. The experimental results demonstrate the effectiveness of the methodology on three cancer datasets.     

江西坡大桥桥面裂缝成因分析及处理

贵州省内有一批T梁桥在营运多年后,出现较严重的桥面裂缝病害,且经修补后短期又出现裂缝.依托江西坡大桥的维修工程,对该现象的成因进行较深入分析,并总结该桥的施工工艺,为类似桥梁的加固提出了有效的处理措施.     

招聘情境下内隐化相貌偏见的表达

日常生活中人们常常隐藏自己的偏见,但在一定条件下,隐藏的偏见能够被表达出来。本研究考察了招聘情境下,内隐化的相貌偏见怎样得到表达。实验采用2（是否获得“无偏见证明”）×2（性别）×2（相貌自评水平）组间设计,考察“无偏见证明”如何影响被试的相貌偏见态度表达。实验结果发现：通过在任务中选择相貌丑陋的候选人的行为而获得了虚假的无相貌偏见证明的被试,在后来的任务中更倾向于表达出有相貌偏见意味的态度。并且,这种态度的表达受到被试的性别和相貌自评的影响。     

一种改进的人脸特征点定位方法

人脸特征点自动定位方法在人脸识别、三维人脸模型重建等方面都有重要作用.三维人脸模型重建对下巴特征点精度要求很高.采用一种结合遗传算法和活动外表模型(AAM)的人脸特征点定位方法(GA-AAM),对AAM算法在下巴轮廓提取中的不能精确收敛问题作了改进.对于用实时AAM算法做特征点粗定位得到的结果,在AAM的代价函数中引入代表特征点处的边缘信息,进一步采用遗传算法作优化.实验结果表明该方法对下巴特征点的精确收敛十分有效.     

人脸部特征自动定位及其在图像编码中的应用

为了提高极低速率下图像编码的主观质量——特别是在典型的可视电话应用场合,根据人的主观视觉特性,提出了突出人的脸部特征的宏观编码控制思想。给出了一种运算量低、鲁棒性好的人脸自动识别和跟踪算法。应用于极低速率典型可视电话时,重建图像的主观质量得到了明显提高。与此同时,该方法也为国际标准ＭＰＥＧ４在低速实时通信系统中的应用提供了一个实例。在此基础之上,作为更高层语义编码的基本环节,文中给出了一种脸部特征的全自动识别、定位方法。     

基于彩色空间多特征融合的表情识别算法研究

目前的人脸表情识别方法大多是在灰度图像上采用单一特征算子,如 Local Phase Quantization(LPQ),Local Binary Patterns(LBP),Histograms Of Oriented Gradients(HOG),Gabor等,进行分类识别,但这类方法在复杂光照条件下识别率并不理想。为取得较好的识别率,本文首次提出了基于彩色图像多特征融合的表情识别算法。该算法首先在不同彩色分量上分别提取LPQ、LBP、HOG及Gabor多种特征,然后对高维特征进行线形鉴别分析并采用最近邻法进行表情分类,最后对多特征分类结果采用Adaboost算法进行融合。本文算法在具有复杂光照条件的Multi-PIE人脸库上进行了验证,取得了88.30%的平均识别率。实验结果表明：相比于基于灰度图像的单一特征识别算法,本文提出的算法能较大幅度地提高人脸表情识别率。     

基于二阶有效通道注意力网络的无约束人脸表情识别

现有基于卷积神经网络的无约束人脸表情识别方法侧重于网络结构的设计，对网络学习到的通道间深层特征相关性的研究较少，没有充分利用神经网络提取表达力较强的特征。为解决此问题，设计了一种基于二阶有效通道注意力网络（second-order efficient channel attention network，SECA-Net）的无约束人脸表情识别方法。该方法采用轻量级的网络提取表情图像的深层特征，使用二阶有效通道注意力模块统计深层特征的二阶信息并捕捉跨通道特征间的依赖关系来自适应地缩放通道特征，进而获得更具判别力的表情特征。SECA-Net利用Softmax损失和中心损失联合优化模型进行表情分类，该模块具有较少的参数量、较低的显存需求和计算量，并且没有使用额外的数据预训练模型。同时，所提出的模块还能提取到人脸表情微小变化的局部特征。在RAF-DB和FER-2013无约束人脸表情数据集上的实验结果表明，提出的方法是有效的。