一种基于L_(1/2)正则约束的超分辨率重建算法

为了提高重建图像质量,减少处理时间,提出一种基于L_(1/2)正则约束的单帧图像超分辨率重建算法.该算法在稀疏重建字典对训练阶段,为了有效提取低分辨率图像边缘、纹理等特征细节信息,采用小波系数单支重构方法对低分辨率图像进行特征提取;而在图像重建阶段,为了解决基于L1正则模型得到的解时常不够稀疏,重建图像质量有待进一步提高的问题,采用L_(1/2)范数代替L1范数构建超分辨率重建模型,并且采用一种快速求解的L_(1/2)正则化算法进行稀疏求解.实验结果表明:与现有算法相比较,该算法在重建图像主观和客观评价指标、算法运行速度等方面均更优.     

基于支持张量机算法和3D脑白质图像的阿尔兹海默症诊断

结构磁共振成像(s MRI)本质上具有三维张量结构,而传统的向量空间机器学习方法将其展开成向量进行建模,这破坏了数据的内在结构信息的完整性,降低了机器学习性能。为了克服数据向量化的弊端,提出了一种基于支持张量机(Support tensor machine,STM)的以3D T1加权MR脑白质图像为输入的阿尔兹海默症诊断算法。首先用SPM8软件将采集的MRI数据进行预处理,分割为灰质、白质、脑脊液3部分,提取脑白质各体素的灰度值构建三阶灰度张量,然后用递归特征消除(Recursive Feature Elimination,RFE)法结合支持张量机进行特征选择,最后用支持张量机进行分类。在阿尔兹海默症患者(AD),轻度认知障碍患者(MCI)(包括转化为AD的MCI-C和未转化的MCI-NC)以及正常对照(NC)4组人群中进行实验测试,并用10折交叉验证方法获得验证结果。用ROC曲线下面积AUC、分类准确率、敏感性、特异性这4个指标评价分类器的性能,AD vs NC组分别达到99.1%、97.14%、95.71%、98.57%;AD vs MCI组分别达到88.29%、84.07%、78.57%、91.07%;MCI vs NC组分别达到89.18%、87.91%、93.75%、78.57%;MCI-C vs MCI-NC组分别达到87.5%、82.08%、80.36%、82.14%。算法保持了原始图像的张量结构,提高了分类器的性能,实验结果表明此算法是一种有效的阿尔兹海默症诊断方法。     

基于多模态MRI的AD分类模型

利用多模态磁共振成像数据,构建静息态功能网络,提取了网络属性及结构像中萎缩灰质的灰质体积作为分类特征,训练SVM分类器。实验结果表明,利用结构和功能组合特征,可以区分MCI与正常对照(准确率91.7%),AD与正常对照(准确率100%),AD与MCI(准确率87.8%),有效提高了两类疾病的分类正确率。结果说明提出的分类模型是一种较好的辅助诊断模型。     

MR影像体素形态学的阿尔茨海默病自动分类方法

为了确定轻度认知功能障碍(MCI)与阿尔茨海默病(AD)患者发生萎缩的重要脑区,实现正常老年人(NC)对照组、MCI与AD三组人群的分类,选择了178名被试的脑部MR影像,利用体素形态学与方差分析方法,考察NC,MCI与AD三组人群的MR影像中灰质体积差异;然后,采用递归特征消去法对特征进行降维;最后,利用线性支持向量机对这3种人群进行分类.实验结果表明,MCI组与NC组、MCI组与AD组、AD组与NC组的平均分类准确率分别为(90.2±1.3)%,(74.7±0.9)%,100%.对分类产生重要影响的脑区包括海马、海马旁回、杏仁核、梭状回和嗅皮层等.所提方法不仅能有效揭示NC,MCI,AD三组人群的脑灰质差异,阐明MCI患者与AD患者脑区发生萎缩的过程与特性,而且能准确区分这3组人群,具有显著的临床应用价值.     

基于CNN-L~1/L~2-ELM混合架构的肺结节分类研究

本文提出了一种卷积神经网络(CNN)和正则化极限学习机(L~1/L~2-ELM)的混合结构的分类算法,用来提高胸部CT影像中肺结节分类的准确性和分类效率.通过这两类算法的协同作用对肺结节良恶性进行有效分类.利用LIDC公开数据库进行实验验证,结果显示,本文算法所得肺结节分类正确率可达92.87%,且敏感性和特异性也分别达到87.15%和94.45%,表明本文算法对良恶性肺结节分类是有效的,且结果优于卷积神经网络和其他方法.     

自适应的L1-L2范数正则化图像去噪方法

提出了一种自适应的L1-L2范数正则化图像去噪方法.相比传统的L1范数正则化与L2范数正则化,新方法有效消除了阶梯效应,同时较好的保持了图像边缘信息.为了提高计算效率,将Split Bregman算法框架应用到提出的模型中,有效的提升了收敛速率并减少了计算时间.实验结果与分析验证了L1-L2范数正则化模型在图像去噪效果与计算效率的有效性.     

一种基于并行遗传算法的超分辨率图像重建方法研究

笔者提出了一种基于并行遗传算法的图像(序列)超分辨率重建的新框架方法.文中给出了算法原理及步骤,并对算法特点和性质进行了详细的分析,与直接使用迭代正则化相比,通过实验的方法选取正则化参数的方法,其最大优势是可通过实验来调整正则化参数,使算法更易搜索到最佳图像估计.最后给出了实验结果以及详细的实验分析,并将其与其它正则化图像插值技术进行了比较,证明是一种新颖实用的方法.     

基于l_1与l_0正则化的压缩感知数值算法

针对压缩感知模型,讨论了基于l0正则化的正交匹配追踪算法(OMP)与基于l1正则化的同伦算法(HM)和迭代加权最小二乘法(IRLS).通过数值实验结果分析,验证了3种算法的有效性,且相对于2种基于l1正则化的算法,OMP算法的迭代次数与耗时更少,均方误差更小.     

基于L_(2,1)范数和流形正则项的半监督谱聚类算法

谱聚类算法受到相似矩阵的影响以及没有使用先验信息,使得聚类结果有很大的局限性。针对这一问题,提出了一种基于L_(2,1)范数和流形正则项的半监督谱聚类算法。一方面借助L_(2,1)范数的鲁棒性学习到合理的相似矩阵;另一方面充分利用监督信息,不仅指导了初始相似矩阵的构造,而且引入流形正则项去调整模型,从而改善聚类效果。实验结果表明,所提出的聚类算法在人工数据集和真实数据集上的聚类结果较其他聚类算法更加有效。     

基于一致性正则化与熵最小化的半监督学习算法

在一致性正则化与熵最小化的基础上提出一种新的半监督学习算法Mean Mixup,集成数据的互补信息,然后使用熵最小化给未标记数据生成可靠的伪标签,在一致性正则化下进一步优化模型分类结果.在常用数据集SVHN和CIFAR10上对Mean Mixup算法进行了评估,实验结果表明,所提出的方法在分类准确率上优于一些已有的半监...     

基于改进ConvNeXt的COVID-19胸部图像分类

针对新型冠状病毒感染胸部 X-ray 图像分类任务数据集样本过少,现有的两阶段分类器和三阶段分类器模型对高纬度的图像特征提取效果差,模型训练慢等问题,提出一种基于 ConvNeXt 卷积神经网络改进的分类任务算法 ConvNeXt-AT。 ConvNeXt-AT 分类模型首先通过在 ConvNeXt Block 层添加混合域注意力机制 CBAM 来提高图像特征提取能力,不仅考虑了通道间的信息交互能力还考虑到了空间域上像素间的联系,得到 ConvNeXt-AT 模型;然后针对 X-ray 图片常见的泊松噪声使用全变差正则化方法对数据集进行降噪处理;最后在 COVID-19 公开的大型数据集共 21165 张图片进行对比实验。 实验结果表明,在训练数据集充分的情况下,改进的 ConvNeXt-AT 模型相较于常用分类模型 ResNet-50、MobileNet、EfficientNet 以及原 ConvNeXt-T 在准确率上分别提升了 2%、2. 7%、2. 1%、1. 9%。 最后通过 Grad-CAM 显示类激活图的图像可视化方法证明改进方法是可行的,模型具有很好的鲁棒性。     

一种结合Dropblock和Dropout的正则化策略

为了能够全面且高效加快卷积分类网络的收敛速度和提升稳定性,提出了一种新的正则化策略,将Dropblock算法和Dropout算法相结合,从而实现对整个卷积分类网络的浅层、中层和深层网络进行正则化.其中,Dropblock通过隐藏部分特征图实现卷积层正则化,Dropout通过隐藏部分权重参数实现全连接层正则化,从而实现对整个卷积分类网络进行全面正则化.通过Kaggle猫狗分类大赛提供的数据集进行训练和测试实验表明,提出的新的正则化策略可有效加快分类网络的收敛速度和提升稳定性,此外,能有效提高深度卷积分类网络的分类准确率.     

面向不平衡数据集的SMOTENC-XGBOOST驾驶人交通安全评估模型

为深入挖掘驾驶人因素与交通事故之间的关系,提出一种基于SMOTENC和极端梯度提升(extreme gradient boosting, XGBoost)的驾驶人交通状态优劣分类算法。首先针对交通事故发生与否不平衡的特点,使用SMOTENC算法对数据进行上采样并在采样过程中加入随机扰动,解决了数据不平衡问题。然后使用Embedded算法结合L1正则化,通过模型评估完成对特征子集的选择。最后使用机器学习的方法将XGBoost算法用于执行数据的特征提取和分类过程。实验表明,在对驾驶人的交通状态进行综合评价的任务上,XGBoost模型的准确率为99.85%,相较于随机森林、支持向量机等对照组模型,提升了约1.12%-1.80%。除此之外,使用SMOTENC算法对数据不平衡问题进行处理后,通过混淆矩阵观察到模型对于好坏个体均具备较好的识别能力。     

一种基于Geman & McClure范数的超分辨率图像复原算法

超分辨率图像复原是病态反问题.采用Geman McClure范数来构造数据拟合项,并且在经典的双边全变分(Bilateral total variation,BTV)正则化模型基础上,提出了一种能更有效利用方向信息的正则化模型,该模型根据迭代次数来自适应选择正则化参数.实验表明,该方法比采用L1范数和L2范数能更好地抑制噪声和保持边缘,在视觉效果和峰值信噪比(Peak signal noise ratio,PSNR)两个方面都有一定的提高.     

基于Jerk流形正则化深度极限学习机的电能质量复合扰动识别

为了有效利用电能质量复合扰动识别中存在的大量难以标注的实测样本,提出了一种基于Jerk流形正则化深度极限学习机(DJRELM)的半监督扰动学习方法. 算法通过堆叠嵌入Jerk流形正则化的极限学习机自编码器(JRELM-AE)实现在复合扰动特征自动提取的同时保持数据内部流形结构. 分类层通过阈值预测极限学习机和Jerk正则化半监督极限学习机的结合将多层网络扩展到多标签半监督分类应用. 实验结果表明:该方法在不同噪声环境下的分类准确率均高于几种基于极限学习机的监督学习、半监督学习算法、传统多层极限学习机和深度卷积神经网络,具有理论意义和实用价值.     

基于马氏距离和模糊C均值聚类的抠图算法与应用

基于马氏距离和模糊C均值聚类算法提出了一种数字彩色图像抠图算法.该算法首先对彩色图像像素的红绿蓝三种彩色分量进行正则化处理;然后在正则化图像背景中选取适当的掩膜作为样本集,计算各像素与样本集之间的马氏距离;再利用模糊C均值聚类算法对计算出的马氏距离进行分类;最后利用填洞操作提高抠图质量.对八幅彩色数字图像进行对比实验,结果显示本算法可以自动抠图,且结果优于马氏距离算法、Grow-Cut算法和正则化线性回归算法的相应抠图效果.     

基于稀疏图正则矩阵判别分析的高光谱图像分类

光谱和空间信息的联合使用是高光谱图像分类领域的研究热点之一.本文在已有的矩阵判别分析(MDA)模型的基础上,提出了一种基于稀疏图正则的改进模型.在有效融合高光谱图像光谱-空间信息的同时,能充分挖掘无标签样本的信息,从而提升了模型的分类性能.为了验证本文算法的有效性,在两个高光谱数据集上,与多种方法进行了对比.实验结果表明,本文提出的算法优于其他同类算法.     

基于Dirac残差模块的单幅图像超分辨率重建

针对单幅图像超分辨率重建问题(SISR),提出了一种新的基于Dirac残差的超分辨率重建算法.算法使用全局跳跃重建层来直接利用输入LR图像的低频特征,通过多个dirac残差块来自适应学习输入LR图像的高频特征,通过亚像素卷积进行图像重建.算法通过权重参数化来改进残差层,同时使用输入图像的卷积特征与残差网络学习特征结合进行重建.实验采用Adam优化器进行网络训练.使用L1范数作为损失函数.在PSNR、SSIM和视觉效果与其他先进算法进行对比,实验结果表明,在常用测试集上与其他深度学习算法相比有较大提高.     

高维数据挖掘中基于正则化估计的特征提取算法

文章基于高斯回归模型,利用坐标算法并结合KKT条件对已存在的正则估计方法进行了改进,提出了一种对高维数据更加有效的变量选择(或称特征提取)的正则化估计方法.该方法考虑了实际数据中存在的噪声对正则化估计的影响,并能对噪声进行有效估计,文中给出了改进算法的实施细节,并通过实验结果验证了该方法在一定数据范围内具有估计的有效性和提高变量选择(特征提取)的准确性.     

统计回归模型及其优化算法综述

在大数据时代,正则化(惩罚)回归模型成为高维数据分析的一种有效分析工具.文中从统计模型理论和优化算法两个角度对正则化回归模型进行简要的概述,主要介绍线性回归模型、广义线性模型和分位数回归模型三种经典且重要的回归模型以及相应的正则项.对于线性回归模型,介绍最小二乘回归和l_1-正则最小二乘回归问题的优化算法;对广义线性模型和分位数回归模型,介绍逻辑回归模型和求解l_1-正则逻辑回归问题的优化算法,并展示分位数回归模型和求解相应的正则化分位数回归模型的优化算法.最后,对正则化回归模型未来的研究方向进行展望.