一种融合标签间强相关性的多标签图像分类方法

为了将标签间的语义相关性引入多标签图像分类模型中,传统的方法例如 ML-GCN 通过设置单阈值将标 签条件概率矩阵二值化为标签共现矩阵,然而,仅设置单阈值很难归纳所有的标签语义关系情况。 针对这一问题, 提出一种融合标签间强相关性的多标签图像分类方法—MGAN(Multiple Graph Convolutional Attention Networks), 通过设置多个阈值,将传统的标签条件概率矩阵按照不同的相关性程度分割为多个子图;同时,为了提升多标签分 类性能,也引入图像区域空间相关性。 另外,针对传统的“CNN+GCN”方法将标签与特征的融合张量视为预测分数 缺乏可解释性问题,将标签与特征的融合张量视为注意力分数;在 MS-COCO 和 PASCAL VOC 数据集上与其他主 流多标签图像分类方法进行了对比实验,平均准确率分别达到了 94. 9%和 83. 7%,相较于经典 ML-GCN 模型,分 别获得了 0. 9%和 0. 8%准确率提升,且在“Binary”和“Re-weighted”邻接矩阵模式下,MGAN 都有较好的表现,验证 了新的融合方法可以缓解图卷积神经网络过平滑问题对多标签图像分类的影响。     

基于矩阵形态学分形几何图的产生

提出了一种利用矩阵和形态学相结合产生具有自相似结构分形图案的方法．图像矩阵和结构矩阵定义为其每个元素是具有矩阵下标的单独的图像，图像矩阵和结构矩阵的膨胀包含了大量不同图像元和结构元之间的膨胀，由矩阵理论把它们组合成一个新的图像矩阵．因此采用图像矩阵间的形态运算可以生成比常规形态学方法复杂得多的分形图形．给出了在特定条件下的分形维数的估计公式．     

状态转移问题的图论法建模

针对带有约束条件的一类状态转移问题，提出了图论建模法，将这类状态转移问题转化为利用Ｄｉｊｋｓｔｒａ算法求最短路，并通过典型实例论述了这种方法的建模技巧及求解法．该方法比逻辑思索的结果容易推广，能在本质上体现图论方法的优势．     

关于最小可行图的一个结果

给出了关于（Ｘ１，Ｘ２，Ｘ３，Ｘ４）的可行图Ｇ＝ＵＧｉ是最小可行图的充分必要条件：Ｇ是连通单圈图；或Ｊ∈（１，２，３，４），当∩Ｘｉ≠时，∩Ｇｉ是树，对任意整数ｎ给出了关于（Ｘ１，Ｘ２，…Ｘｎ）的最小可行图的若干性质，推广了已有的结果。     

关于二部图的圈的几个结果

高图Ｇ－（Ｘ，Ｙ；Ｅ）是二部图，ｈ＝ｍｉｎ（／Ｘ／，／Ｙ／）且ｈ≥３，δ（Ｇ）≥２，则（１）图Ｇ的周长Ｃ（Ｇ）≥ｍｉｎ（２ＮＣ２，２Ｈ），（２）若Ｇ是连通的，／Ｘ／＝／Ｙ／＝ｎ≥，且ＮＣ２＝ｎ，则Ｇ是偶圈可扩张的图且是偶泛圈图。     

爪心独立图的圈可扩性

设Ｇ是顶点数学不少于３的连通、局部连通图。如果Ｇ的爪心集合是点独立集，并且任意一个爪心的领域所导出的图是强２－控制的，则Ｇ是安全圈可扩的。     

重铬酸吡啶盐的pH—电位图

本文报道重铬酸吡啶盐类的pH-电位图,并讨论了这类氧化剂的选择氧化作用。