KCPNet:张量分解的轻量卷积模块设计、部署与应用

为解决现有卷积模块在实际应用中内存消耗高、计算效率低的问题,在Kronecker CANDECOMP/PARAFAC(KCP)张量分解的基础上,提出一种轻量、高效、瓶颈结构的卷积模块(KCPNet)。对普通卷积作2阶KCP分解,生成的因子张量分别映射为两层负责输入输出通道变化的1×1卷积和两层负责特征提取的变通道可分离卷积,再将这4层卷积组成含有瓶颈结构的KCPNet卷积模块。基于OpenCL并行编程框架将KCPNet部署于嵌入式GPU,并围绕pico-flexx深度相机开发了动态手势识别应用。实验结果表明：在ImageNet大规模标准数据集上,相比ResNet、ResNeXt等已有的张量分解卷积模块,KCPNet在准确率相近的情况下能够兼顾空间和计算复杂度的效率;在中等规模标准数据集CIFAR-10上,KCPNet能够在无明显精度损失的前提下将传统的VGG模型压缩至原先的16.1%并节约75.5%的计算量;在面向嵌入式GPU时,并行部署的KCPNet可使CIFAR-10的识别速度达到100帧/s。以KCPNet为核心开发的手势识别应用程序可达到99.5%的准确率和100帧/s以上的运...     

基于张量分解的鲁棒核低秩表示算法研究

低秩表示算法,如低秩表示（Low-Rank Representation, LRR）,鲁棒核低秩表示（Robust Kernel Low-Rank Representation, LRRRKLRR）,在处理高维数据方面展现了广阔的应用前景,然而这些方法并不适合高阶数据,传统的低秩表示算法通常只对数据的某一特征属性进行降维。在本文中,我们提出了基于张量分解的鲁棒核低秩表示算法（Kernel Low-Rank Representation by Robust Tensor Decomposition, RTDKLRR）,该算法能够处理高阶非线性的张量数据,对噪声更加鲁棒。本文首先对RTDKLRR算法设计目标函数并给出约束条件,其次,设计迭代规则对目标函数进行优化。在合成数据集和真实数据集上的实验结果表明,我们的算法优于同类算法。     

基于卷积核分解的深度CNN模型结构优化及其在小图像识别中的应用

小图像由于像素少、分辨率低、整幅图像包含信息较少,识别较为困难。目前优秀的深度卷积神经网络模型多为大图像而设计,而用于小图像的模型则存在着层次不够深、难以对特征进行充分抽象的不足。本文基于VGG19模型,依据卷积核分解的原理,设计了一种KDS-DCNN模型,模型深度达到31层,解决了目前超深度模型不能直接用于小图像识别的问题,实验表明该方法不但提升了识别性能,而且还降低了模型的时间复杂度。在CIFAR-10、CIFAR-100和SVHN三个数据集上的验证结果显示,KDS-DCNN模型性能优越,其识别错误率分别降低到29.46%、6.02%和2.17%。     

基于Cholesky矩阵分解的贝叶斯压缩感知信号处理

随着雷达、卫星遥感技术的的高速发展,信号重构精度和效率的要求越来越高.针对传统贝叶斯压缩感知(Bayesian compressed sensing,BCS)算法需要进行高维矩阵反复求逆致使算法复杂度过高、运算时间过长的问题,结合Cholesky矩阵分解快速求逆方法,提出一种基于矩阵分解的改进贝叶斯压缩感知算法.通过仿...     

基于非负矩阵分解的阴影检测方法

针对以往的矩阵分解方法不能保证分解结果非负的问题, 根据非负矩阵分解（NMF: Non negative Matrix Factorization）结果非负的特点, 提出了基于NMF的阴影检测方法, 并以此为基础将进一步引入的分块非负矩阵分解（BNMF: Block Non negative Matrix Factorization）应用于阴影检测。通过NMF/BNMF提取训练样本中阴影的亮度特征, 再根据特征识别测试样本中的阴影区域。实验结果表明,与基于奇异值分解方法相比, 该算法的阴影检测细节更清晰, 具有更好的效果。     

基于增量非负矩阵分解的SAR目标识别

随着SAR数据的快速增长,传统的目标识别方法由于不具备增量学习的能力,导致计算代价逐渐增加,从而越来越无法满足实时信息处理的需求。在识别过程中关键的特征提取环节,非负矩阵分解能够获取目标基于部分的特征表示,已被成功应用于SAR目标识别领域。然而面对新增样本,采用非负矩阵分解描述SAR目标特征的过程中,会产生重复训练,从而大大降低了识别效率。本文提出基于增量非负矩阵分解的SAR目标识别方法,实现了基于非负矩阵分解的SAR目标特征表示的增量学习能力,从而大大降低计算代价。针对MSATR数据集的仿真试验结果表明,在保证识别率的基础上,本文提出的方法能够降低样本训练时间74.7%以上。因此该方法能够适应数据增加的现实需求,并能够为建立具有自主学习能力的SAR目标识别系统提供有效的技术支撑。     

基于核Fisher判别分析的粮虫特征压缩方法

针对粮仓害虫种类多、类别之间相似度比较高的特点,提出基于核Fisher判别分析的粮虫特征压缩方法.利用高斯径向基核函数,对特征选择后的10维原始数字特征进行核Fisher判别分析,即通过非线性变换将样本数据从输入空间映射到高维特征空间,然后在高维特征空间进行特征提取.从粮虫分类效果方面,将KFDA法与FDA法、PCA法和KPCA法3种方法进行了比较分析.应用KFDA法提取的前4个特征,由最近邻分类器对粮仓中常见的9类粮虫进行分类,验证集的识别率为93.33%.结果表明:KFDA法对粮虫特征的非线性比较敏感,在有效降低特征维数的同时,还提高了类别之间的可分性.     

基于正则化正交非负矩阵分解的旋转目标检测方法

小样本的旋转目标检测是指在样本数少的情况下进行旋转目标检测模型的训练，深度学习在旋转目标检测领域往往需要庞大的样本数和计算算力。现有的基于机器学习的旋转目标检测方法大多有着对目标尺度和姿态敏感的缺点。因此提出一种基于正则化正交非负矩阵分解的旋转目标检测方法，来解决小样本的旋转目标检测难题。首先，针对样本不具有各种角度的图片，对样本进行旋转后进行背景填充，这样便于更好的表征学习。其次，提出一种基于正则化正交非负矩阵分解算法对旋转样本的梯度直方图特征进行表征学习。最后，为了测试算法在特征学习后的有效性，利用支持向量机对特征提取后的数据进行训练和测试。实验结果表明本文的目标检测方法在多个数据集中可以取得不错的效果。     

基于位点特异性打分矩阵的卷积神经网络预测SARS-CoV-2核衣壳蛋白的蛋白质二级结构

新型冠状病毒(SARS-CoV-2)有4种关键的结构蛋白,而核衣壳蛋白就是其中的1种.本实验从公开数据库NCBI上选取的SARS-CoV-2核衣壳蛋白质序列数据,分析SARS-CoV-2核衣壳蛋白与SARS-CoV核衣壳蛋白的序列相似性,对SARS-CoV-2核衣壳蛋白的理化性质和疏水性进行分析;在此基础上提出基于位点...     

低秩矩阵和结构化稀疏分解的视频背景差分方法

针对基于矩阵分解的视频前景检测传统算法中忽视前景元素之间相关性会导致检测结果容易受噪声干扰和运动目标检测不完整等问题,提出了一个低秩矩阵和结构化稀疏分解的视频背景差分算法。该算法充分考虑到视频前景区域的结构化分布特征,利用结构化稀疏范数对前景进行约束;针对矩阵分解方法中参数选择的难题,采用了一种基于运动显著性判定的两步法来实现动态背景去除和正则化参数的自适应选择,即第一步利用低秩和结构化稀疏分解获得运动候选块,第二步对运动候选块进行显著性分析并利用自适应正则化参数的块稀疏分解进行前景检测。实验结果表明:与现有的基于矩阵分解的前景检测方法相比,该算法能够更加适应复杂多变的视频环境,在I2R测试库中检测出的前景有较高的精确度和召回率。