代价敏感特征选择和半监督学习相结合的乳腺癌辅助诊断

乳腺癌在X光图像下的主要表现是肿块和微钙化点.传统的诊断方法一般假设从图像肿块和微钙化点中提取的特征是正确有效的,且采用监督分类器进行诊断.但在实际中,一方面不能完全保证所有被提取特征的正确性;另一方面,由于高昂的标记代价,导致大量样本无标记.针对上述两个问题,本文提出了一种新颖的诊断方法.一方面,为了消除特征冗余和选择出对分类有用的判别特征,提出改进的代价敏感选择性集成法用于选择特征;另一方面,为了利用未标记样本信息,设计了一致性协同学习半监督分类器.在公共乳腺癌数据库DDSM上的实验表明,所设计的乳腺癌辅助诊断方法与其他方法相比具有更好的诊断性能.     

图Laplacian半监督特征加权用于高光谱波段选择

提出一种利用图Laplacian实现半监督波段选择的方法. 该方法首先将标记样本类别信息引入图Laplacian,接着通过广义特征值求解确定投影变换矩阵,最后采用载荷因子对变换矩阵进行系数分析,对波段重要性赋以权值并排序. 实验比较了多种波段选择算法,结果表明算法能更好地利用标记样本的类别信息和大量非标记样本中的局部结构信息,性能优于多种波段选择方法.     

基于半监督学习的迁移学习方法

迁移学习是机器学习的一个新的分支。当训练模型过期,而新领域标记数据又非常少时,传统的机器学习就不足以产生一个较为精确的分类器。为解决此问题,本文提出一种基于半监督学习的迁移学习方法,对源领域数据进行二步信息筛选,并在大量文本数据集上的实验中证明了新算法的有效性。     

基于深度置信网络和生成模型的驾驶疲劳识别

驾驶疲劳识别研究对预防交通事故提高交通安全具有重要意义.提出了一种基于深度置信网络和生成模型的驾驶疲劳识别方法.为了有效地表示疲劳,采用深度置信网络从人脸图像中提取疲劳特征;结合已标注样本和未标注样本,提出了一种基于生成模型的半监督学习的疲劳识别方法,解决了疲劳识别中的小样本问题.在自建疲劳数据库上,采用该方法进行了驾驶疲劳识别的仿真实验,同时和其他几种方法进行了对比,结果表明该方法具有更高的识别精度.     

基于全变分正则和L2,1范数的视频去雨张量模型

提出了一种基于全变分正则与L_2,1范数的视频去雨张量模型用于解决雨线遮挡问题。首先,对雨线成分与视频背景先验信息进行预处理,获取相应正则化条件的构建依据以增强各部分稀疏性,便于促进雨线分离。其次,考虑到视频图像存在不规则动态对象,引入全变分正则项来抑制背景强度变化,缓解雨线的误判现象。采用交替方向乘子法(alternating direction method of multipliers, ADMM)可以有效地对所提出的张量模型进行求解,并在合成数据与真实数据集上开展大量实验。结果表明,所提方法在动态背景情况下有效去除视频图像雨线的同时,保留了更多背景细节信息。与相关先进方法相比,所提方法在峰值信噪比、结构相似性和残差三种综合性能量化指标上均具有较大的优势。     

二值图像恢复的一个非线性正则化方法

二值图像恢复往往按灰度图像恢复和闽值分割两步来处理,效果不佳.该文利用二值图像的特有性质,提出一种二值图像恢复的非线性正则化方法.同Tikhonov正则化方法不同,该文提出的方法最终归结为一个非线性最优化问题,并采用全局Barzilai和Borwein梯度算法求解此优化问题.实验结果表明.该文的二值图像恢复算法足可行的、有效的.     

基于全变分正则和L2,1范数的视频去雨张量模型

提出了一种基于全变分正则与$L_{2，1}$范数的视频去雨张量模型用于解决雨线遮挡问题。首先，对雨线成分与视频背景先验信息进行预处理，获取相应正则化条件的构建依据以增强各部分稀疏性，便于促进雨线分离。其次，考虑到视频图像存在不规则动态对象，引入全变分正则项来抑制背景强度变化，缓解雨线的误判现象。采用交替方向乘子法（alternating direction method of multipliers，ADMM）可以有效地对所提出的张量模型进行求解，并在合成数据与真实数据集上开展大量实验。结果表明，所提方法在动态背景情况下有效去除视频图像雨线的同时，保留了更多背景细节信息。与相关先进方法相比，所提方法在峰值信噪比、结构相似性和残差三种综合性能量化指标上均具有较大的优势。     

基于3D-CNN的高光谱遥感图像分类算法

现有的三维卷积神经网络(Three-dimensional convolutional neural network, 3D-CNN)模型常有参数过多和特征提取不全面的情况，并且对样本标签有限问题的处理存在不足。针对样本标签有限的问题，采用生成式对抗网络模型对原始数据进行数据增强，解决了个别样本标签少导致分类模型出现过拟合的现象；针对3D-CNN网络提取特征不全面的问题，所设计高效的3D-CNN网络模型，在网络中加入纹理信息增强模型，使网络能更好地提取图像的空谱特征。实验表明，算法在小样本数据情况下比原始网络分类精度更高，能自适应提取高光谱图像的空谱联合特征。     

压缩感知稀疏识别用于多视角图像目标分类

针对多视角条件下的图像目标分类问题,提出一种基于压缩感知特征的稀疏识别方法. 该方法以原始图像的感知数据为特征描述,将测试样本与训练样本集的压缩感知特征纳入稀疏识别的框架,并通过求解一个l1范数优化问题来获取分类结果. 实验表明,该方法不仅有效利用了压缩感知特征的信息冗余性来保证稀疏识别的性能,而且无需进行预处理就能较好地实现多视角图像的目标分类.     

基于卷积神经网络的面部图像修饰检测

为避免人为因素对人脸面部图像皮肤纹理特征提取产生的影响,用卷积神经网络算法对人脸图像修饰进行检测.传统的图像分类方法需要进行复杂的人工特征提取,而卷积神经网络可以自动学习并直接从图像中获取特征,解决了传统模式识别方法特征提取难的问题,具有更高的识别率和更广泛的实用性.在传统卷积神经网络模型中,调整卷积核大小、减少参数、改变卷积层滤波器数量、调整卷积层和池化层的交替方式、使用dropout来提高模型泛化能力以形成适用于人脸修饰检测的新的网络模型.实验结果表明,在引入的数据集上,新的网络模型对人脸图像的修饰检测有较强的鲁棒性,达到了较高的识别率.     

基于高斯低通滤波的超光谱遥感图像分类研究

在超光谱遥感图像的分类中,图像的类别可分性代表了图像的自然属性并决定了分类器能够达到的最优性能。在研究影响分类效果诸因素的基础上,提出了利用高斯低通滤波提高类别可分性的方法,在假设数据为多元正态分布的基础上,用Bhattacharyya距离衡量滤波前后样本集的类别可分性。在此基础上,构造了分类器,并进行了实际的分类测试。实验结果说明高斯低通滤波器能够提高类别可分性,因而能够提高分类精度。     

用半监督聚类算法实现WEB文本挖掘

随着Internet网络的高速发展,海量的未标签文档和相对少量的已标签文档是当前Web文档的一个普遍情形,如何有效的利用少量的已标签文档去聚类海量的未标签文档,从而更好地获取有价值的信息,即半监督学习问题,已成为当前研究的热点.本文针对目前Web文本挖掘领域的无监督学习算法的检测率不高,而监督学习算法需要大量的标签数据又不易获得的问题,将半监督中的标签绑定技术与优化球形k-均值聚类算法相结合进行Web文本挖掘,并使用真实的测试数据对Web文本挖掘系统进行实验.结果表明本文方法对有价值文本具有较高检测率及较低的误报率,整体检测性能优于基于监督和无监督学习的Web文本挖掘算法.     

基于纹理特征分类与合成的鲁棒无载体信息隐藏

针对图像无载体信息隐藏算法嵌入容量与鲁棒性无法很好兼顾的问题,提出了一种基于纹理特征分类与合成的鲁棒无载体信息隐藏算法,使用空间金字塔算法提取纹理图像特征,通过监督式分类训练得到分类模型,同一类别下的不同图像块,利用位置信息进行区分,根据图像块分类和位置信息的不同构建映射字典,传递秘密信息;发送方依据秘密信息选择图像块并根据公共密钥将所有图像块组合为一幅大尺寸图像,通过可逆形变生成复杂的纹理图像并发送给接收方;接收方根据密钥将纹理图像恢复为图像块,利用分类模型识别图像块所属分类并确定位置信息,对照映射字典提取秘密信息.实验和分析表明该算法对JPEG压缩、高斯噪声、椒盐噪声等攻击具有较好的鲁棒性,同时嵌入容量可随图像类别的增加得到提高.     

一种改进的变分正则化CT重建算法

针对常规ART算法重建图像像素值不稳定,收敛速度慢的缺点,从正则化方法和求解不适定方程问题的数学角度入手,提出了能应用在CT重建中的一种改进的自适应变分正则法.该算法首先对投影数据进行ART重建,然后引入重建图像的梯度作为先验信息,并让梯度自适应下降,来改善重建结果.仿真实验表明,本文算法不仅很好地重建了完整图像的结构信息,还使重建图像更加平滑,收敛速度更快.     

基于决策树方法的遥感影像分类

以齐齐哈尔市辖区为研究区域,利用分类回归树（Classification and Regression Tree,CART）算法从训练样本数据集中挖掘分类规则,集成遥感影像的光谱特征、纹理特征和地学辅助数据建立研究区的决策树模型.用实测的GPS样本点对分类结果进行精度验证,并与最大似然监督分类方法（Maximum Likelihood Classification,MLC）进行对比.结果表明,基于CART的决策树分类结果的总精度和Kappa系数分别为82.24％和0.77,分类精度较MLC监督分类方法有明显提高,有较好的分类效果.     

基于Snake模型和协作表示分类的鲁棒人脸识别方法

人脸图像的姿态和偏转角度变化严重影响人脸识别的性能,为此提出一种基于Snake模型姿态矫正和协作表示分类(CRC)的鲁棒人脸识别方法.首先,利用Snake模型提取人脸图像边缘和特征点,对偏转人脸图像进行矫正.然后,提取Gabor特征,构建特征向量.最后,采用CRC算法,对图像特征进行协作表示,根据样本图像与测试图像的残差来判断图像类别.实验结果表明,提出的方法对偏转角度、姿态、光照变化具有很强的鲁棒性.     

基于跨领域迁移的AM-AdpGRU金融文本分类

针对当前基于深度学习的金融文本分类模型严重依赖于标记数据的问题，提出了一种基于跨领域迁移的AM-AdpGRU金融文本分类模型，通过学习相关领域数据的分类准则将其迁移到目标领域数据。AM-AdpGRU模型首先利用深度网络自适应来克服源领域和目标域之间数据分布差异导致的迁移损失，使得即使数据分布发生变化时模型也无需重构；然后利用注意力机制建立了目标域对源领域的特征选择机制，使得模型对源领域的注意力可以集中在与目标域相似性更高的部分。在公开的跨域情感评论Amazon数据集和SemEval-2017的Microblog金融数据集上进行了实验，将AM-AdpGRU模型与其他方法进行比较，结果表明AM-AdpGRU模型的分类平均准确性相对于其他模型有了显着提升。     

一种基于半监督稀疏保持投影的人脸识别新方法

针对现实生活中同时存在的无标签样本与标签样本的问题,将稀疏保持投影算法拓展到半监督框架上,提出了一种新的半监督稀疏保持投影算法,实现所有标签样本的充分利用,以保持标签样本给投影子空间的判别能力,建立样本的空间分布信息,提高了人脸识别的精确度。通过(Carngie Mellon University,CMU)人脸数据集对半监督稀疏保持投影算法的有效性进行了验证,结果表明该算法具有较好的人脸识别效果,降低了人脸识别的时间复杂度,提高了人脸识别的精度。     

基于聚类融合的不平衡数据分类方法

列举了有关基于聚类融合的不平衡数据分类的办法,可以解决少数类的识别率很低,利用传统分类手段予以解决.利用此种方法能够发现,引入少数类边界区域与在多数类核心当中的样本聚类一致性系数,并且分别对欠抽样方法对少数类与多数类的训练集.     

基于全变分正则化的双侧约束图像去模糊问题

针对经典的图像去模糊问题,提出用交替Bregman方法求解双侧约束变分正则化图像去模糊问题.该算法通过引入辅助变量将初始问题转化为求解几个子优化问题,然后采用交替方向法进行快速求解.实验结果表明,对于不同程度的高斯模糊和噪声,该模型和算法都能够得到有效地恢复结果.