-
题名计算机视觉中改进的图像低维表示方法研究
被引量：1
- 1
-
-
作者
曲蕴慧
关正
-
机构
西安医学院计算机教研室
北京理工大学软件学院
-
出处
《小型微型计算机系统》
CSCD
北大核心
2017年第4期891-895,共5页
-
基金
国家自然科学基金项目(KJQN1118)资助
-
文摘
对图像的低维表示进行学习,在图像处理和计算机视觉等多种应用中具有重要作用.当前方法要么需要对图像中的相应点手动标记界标,要么局限于特定对象或形状变形.为此,将图像低维表示问题建模为基于l2范数的组合优化问题,通过采取嵌套和组合策略,考虑了颜色、外观和形态方面的变化,进而提出一种可以同时实现图像颜色、外观和形态的图像低维表示算法.此外,通过将形态和外观的流形约束到低维子空间上,进一步降低了流形学习的采样复杂性.定量评估结果表明,本文方法的性能远优于目前典型的稳健型光流算法和SIFT流算法.此外,本文方法在图像浏览和关节学习等相关任务中也取得了令人满意的定性结果.
-
关键词
图像低维表示
l2范数
组合优化
流形
稳健型光流算法
SIFT流算法
-
Keywords
low-dimensional representation of images
l2 norm
combinatorial optimization
manifolds
robust optical flow
SIFT flow
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-
-
题名一种改进的图像低维表示方法
- 2
-
-
作者
曾步衢
-
机构
黄淮学院
-
出处
《包装工程》
CAS
北大核心
2017年第9期230-235,共6页
-
基金
河南省教育厅重点科技攻关项目(13A520786)
-
文摘
目的解决当前方法需要对图像中的相应点手动标记界标,且局限于特定对象或形状变形的问题。方法提出一种可以同时实现图像颜色、外观和形态的图像低维表示算法。结果该算法通过将形态和外观的流形约束到低维子空间上,进一步降低了流形学习的采样复杂性。结论文中方法的性能远优于目前典型的稳健型光流算法和SIFT流算法。在图像编辑和关节学习关任务中取得了令人满意的定性结果。
-
关键词
图像低维表示
L2范数
稳健型光流算法
SIFT流算法
-
Keywords
low-dimensional representation of images
L2 norm
robust optical flow
SIFT flow
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-
-
题名股指时间序列的低维分形表示及相似性研究
被引量：1
- 3
-
-
作者
王洪波
罗贺
彭张林
王素凤
-
机构
合肥工业大学管理学院
过程优化与智能决策教育部重点实验室
南京银行数据银行管理部
安徽建筑大学管理学院
-
出处
《系统工程学报》
CSCD
北大核心
2019年第1期46-56,共11页
-
基金
国家自然科学基金重点资助项目(71131002)
国家自然科学基金资助项目(71001032)
+3 种基金
国家自然科学基金资助青年项目(71601066)
安徽省软科学研究计划资助项目(1502052030)
教育部人文社会科学研究基金资助项目(16YJC630093)
安徽省自然科学基金资助青年项目(1708085QG164)
-
文摘
针对复杂波动股指时间序列分形表示以及相似性问题,建立了以复杂波动趋势特征为基础的低维分形表示方式,提出了一种基于低维分形表示的相似性度量方法.定义了一种基于维数简约的趋势特征提取技术,以满足低维分形表示方式对波动趋势特征的需要.在此基础上,构造出一种综合考虑复杂波动趋势特性的相似性度量方法用以划分不同类别的股指时间序列.采用多组真实数据进行计算实验,并与其他三种相似性度量方法进行相比,实验结果表明本文方法优于对比方法.
-
关键词
股指时间序列
低维分形表示
相似性度量
等距映射
-
Keywords
stock indices time series
low dimension fractal representation
similarity measure
isometric mapping
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
F830
[经济管理—金融学]
-
-
题名灵活自适应的无监督降维
被引量：2
- 4
-
-
作者
强倩瑶
张斌
-
机构
西安交通大学软件学院
-
出处
《计算机学报》
EI
CAS
CSCD
北大核心
2022年第11期2290-2305,共16页
-
基金
陕西省重点研发计划项目(2022GY-075)
国家重大科技项目(2019ZX01008103)
中央高校基本科研业务费专项资金资助.
-
文摘
无标签高维数据在图像处理、自然语言处理、数据挖掘等实际场景中无处不在.人工手动标记工作量大、劳动密集、时间开销高、易受主观因素影响且普适性差.计算机在处理高维数据时,时间复杂度大且对硬件配置要求高.因此,无监督降维成为一项迫切的需求.常规基于图的无监督降维方法,使用提前构建的、固定的相似度图学习得到高维数据的低维表示.然而,使用固定不变的相似度图无法修改噪点、离群值和样本外数据引起的不可靠相似度信息.这对于复杂多样的实际任务要求过于严格.为此,本文提出一种灵活自适应的无监督降维(Flexible and Adaptive Unsupervised Dimensionality Reduction,FAUDR)方法.FAUDR通过引入一个回归项,使严格的线性映射规则得到灵活地松弛,以更好地处理可能会引起不可靠信息的噪点、离群值和样本外数据.在降维过程中,该方法同时依赖原始高维数据和动态变化的低维表示,自适应地学习相似度图.将相似度图的构建和低维表示结合起来.自适应学习的相似度图在原始高维空间以及低维空间都实现了理想的邻居分配.这也促进了最佳低维子空间的探索.此外,本文采用了一种有效的交替迭代优化算法,依次更新目标问题中的所有变量.结束迭代后,同时得到相似度矩阵和低维表示的最优解.最后,本文从理论上分析了该算法的收敛性、计算复杂度和存储复杂度.实验分别在两个合成数据集上和八个基准数据集上进行.合成数据集上的实验直观地展示了FAUDR处理噪点和离群值的能力.基准数据上的实验从降维性能、参数敏感性和收敛性三个方面分别验证了FAUDR的有效性.综合实验结果表明,相比于一些经典方法和当前有代表性的方法,本文所提出方法表现出良好的降维性能.不同维度基准数据集上的实验结果显示,该方法比结果第二好的方法在精度(ACCuracy,ACC)、标准化互信息(Normalized Mutual Information,NMI)和纯度(Purity)上分别提升了至少3.25%、0.73%和3.00%.
-
关键词
无监督学习
降维
相似度图
高维数据
低维表示
-
Keywords
unsupervised learning
dimensionality reduction
similarity graph
high-dimensional data
low-dimensional representation
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名多图融合约束半非负矩阵分解的动作分割方法
- 5
-
-
作者
李国朋
王连清
韩鹍
王宇弘
宋聃
余立
-
机构
国防科技大学试验训练基地
国防科技大学智能科学学院
国防科技大学信息通信学院
国家工业信息安全发展研究中心
-
出处
《智能系统学报》
CSCD
北大核心
2023年第6期1223-1232,共10页
-
基金
国家自然科学基金项目(62101558)
陕西省自然科学基础研究计划(2022JM-395)
国防科技大学科研计划项目(ZK21-38)。
-
文摘
基于聚类的无监督动作分割方法主要利用序列中相邻帧之间的结构相似性来提高动作分割的准确性。这在实现动作片段内部一致划分的同时给不同动作边界的准确分割带来隐患。为此提出了一种基于多图融合约束矩阵分解的动作分割方法。通过融合序列中的结构相似性和度量相似性信息构造多图融合约束项,融入到半非负矩阵分解中获得序列的低维表示,进而获得序列的k近邻图并利用图割的方法实现准确分割。在两类动作序列上的实验表明,所提方法在保持动作内部一致划分的同时能够准确划分动作边界,明显提升了分割准确性,时间效率也明显提升。
-
关键词
动作分割
聚类
半非负矩阵分解
多图融合约束
结构相似性
度量相似性
低维表示
k近邻图
-
Keywords
action segmentation
clustering
semi-NMF
multigraph fusion constraint
structural similarity
measurement similarity
low-dimensional representation
k-nearest neighbor graph
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于相异性空间和多分类器融合的文本分类方法
被引量：1
- 6
-
-
作者
徐安德
赵亚康
张月群
鲁杨
-
机构
南京农业大学工学院
东南大学机械工程学院
-
出处
《兵器装备工程学报》
CAS
北大核心
2019年第12期136-141,共6页
-
基金
南京农业大学中央高校基本科研基金项目(SPKT2014014)
-
文摘
提出了基于相异性表征和多分类器融合的文本分类方法。首先,文档特征向量通过不同的相异性表征变换词袋法获得低维表示形式;然后,为了避免最优表征集的搜索陷入局部最优,对多分类器的响应进行合并,并在不同的相异性空间上训练数据。最后,在测试阶段,通过表征变换的多个分类器融合获得分类结果。多个数据库的实验结果表明了所提方法的有效性。与其他方法相比,所提方法在微观平均F1得分和宏观平均F1得分表现较优,准确率和稳定性较好。
-
关键词
词袋法
相异性表征
多分类器融合
低维表示
局部最优
-
Keywords
bag of word
heterogeneous representation
multiple-classifier fusion
low-dimensional representations
local optimum
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于社区优化的深度网络嵌入方法
被引量：4
- 7
-
-
作者
李亚芳
梁烨
冯韦玮
祖宝开
康玉健
-
机构
北京工业大学信息学部
-
出处
《计算机应用》
CSCD
北大核心
2021年第7期1956-1963,共8页
-
基金
北京市自然科学基金资助项目(4204085)
北京市教委科研计划一般项目(KM202010005015)
中国博士后科学基金资助项目(2019M650407)。
-
文摘
随着现代网络通信和社会媒体等技术的飞速发展,网络化的大数据由于缺少高效可用的节点表示而难以应用。将高维稀疏难于应用的网络数据转化为低维、紧凑、易于应用的节点表示的网络嵌入方法受到广泛关注。然而已有网络嵌入方法得到节点低维特征向量后,再将其作为其他应用(节点分类、社区发现、链接预测、可视化等)的输入来作进一步分析,没有针对具体应用构建模型,难以取得满意的结果。针对网络社区发现这一具体应用,提出结合社区结构优化进行节点低维特征表示的深度自编码聚类模型CADNE。首先基于深度自编码模型,通过保持网络局部及全局链接的拓扑特性来学习节点的低维表示,然后利用网络聚类结构对节点低维表示进一步优化。该方法同时学习节点的低维表示和节点所属社区的指示向量,使节点的低维表示不仅能保持原始网络结构中的拓扑结构特性,而且能保持节点的聚类特性。与已有的经典网络嵌入方法进行对比,结果显示CADNE模型在Citeseer和Cora上取得最优聚类结果,在20NewsGroup上准确率提升最高达0.525;分类性能在Blogcatalog、Citeseer数据集上取得最好结果,在Blogcatalog上训练比例20%时比基线方法提升最高达0.512;并且CADNE模型在可视化对比中能够得到类边界更加清晰的节点低维表示,验证了所提方法具有较好的节点低维表示能力。
-
关键词
大规模复杂网络
社区结构
深度学习
节点低维表示
网络嵌入
-
Keywords
large-scale complex network
community structure
deep learning
node low-dimensional representation
network embedding
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名结合改进CNN和双线性模型的CBIR方法
被引量：3
- 8
-
-
作者
蔡鹏飞
叶剑锋
-
机构
河南工学院计算机科学技术系
南京航空航天大学机电学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2019年第16期191-196,208,共7页
-
基金
河南省科技厅科技攻关项目(No.162102310606)
河南省教育厅资助项目(No.16A520067)
-
文摘
针对现有基于内容的图像检索(Content-Based Image Retrieval,CBIR)方法中图像特征维度较大等问题,提出一种结合改进卷积神经网络(Convolutional Neural Network,CNN)和双线性模型的CBIR方法。采用一种低维度池化方法代替传统CNN中的池化过程,以此降低图像特征映射的维度。基于双线性模型的思想,使用两个特征提取器进行特征提取,并在每个图像位置上对两个特征进行内积,以形成最终的图像描述符。通过计算图像间的曼哈顿距离度量来评估相似性,获得相关图像及其排序。实验结果表明,该方法能够准确检索出相关图像,并具有较低的检索时间和内存消耗。
-
关键词
基于内容的图像检索(CBIR)
卷积神经网络(CNN)
双线性模型
低维度图像表示
曼哈顿距离
-
Keywords
Content-Based Image Retrieval(CBIR)
Convolutional Neural Network(CNN)
bilinear model
low-dimensional image representation
Manhattan distance
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名网络攻击检测的门控记忆网络方法
被引量：4
- 9
-
-
作者
王家宝
徐伟光
周振吉
李阳
苗壮
-
机构
陆军工程大学
-
出处
《计算机应用研究》
CSCD
北大核心
2019年第8期2454-2457,2468,共5页
-
基金
国家重点研发计划基金资助项目
-
文摘
针对互联网大规模网络攻击检测难题,结合词向量特征表示与循环神经网络提出了一种门控记忆网络检测方法。首先将网络请求数据转换为低维实值向量序列表示,然后利用门控循环神经网络的长时记忆能力提取请求数据的特征,最后采用logistic回归分类器实现了对网络攻击的自动检测。在CSIC2010公开数据集上达到了98.5%的10折交叉验证F1分数。与传统方法相比较大幅度地提高了网络攻击检测的准确率和召回率。所提方法可自动检测网络攻击,具有良好的检测效果。
-
关键词
网络攻击检测
低维实值向量表示
门控循环神经网络
-
Keywords
network attack detection
low-dimension real-value vectorrepresentation
gated recurrent neural networks
-
分类号
TP393.08
[自动化与计算机技术—计算机应用技术]
-
