张量局部判别投影的人脸识别

 经典的向量子空间学习算法是以数据流形的向量表示进行计算的,但是在现实世界中数据流形从本质上而言是以张量的形式存在,因此基于张量子空间的学习算法能够更好地揭示流形内在的几何结构.本文提出了一种新的张量子空间的学习算法:张量局部判别投影.首先构建类内和类间图,然后保持流形的局部结构并且利用数据的判别信息,推导出算法的计算公式,最后通过迭代计算广义特征向量,解得最优张量子空间.在标准人脸数据库上的实验表明该算法有效.     

测地自旋图院三维物体局部形状描述符

针对自旋图中欧氏测量存在歧义、形状信息存在丢失的现象,提出一种新的三维物体表面局部形状描述符:测地自旋图（Geodesic-spin-image,GSI）。GSI采用测地距离取代欧氏距离限定局部支持区域;GSI在自旋图的基础上,还引入了3个新的特征,以补偿自旋图在方位角上的信息丢失。这3个特征为:局部支持区域在描述点切平面上投影的长轴长度、短轴长度,以及局部支持区域形心到描述点切平面的距离。基于GSI描述改进了现有自旋图匹配算法,首先基于3个新特征进行粗略匹配,而后基于测地支持区域内的自旋图进行精确匹配,以提高识别效率。仿真实验结果表明:相比于标准自旋图方法,该方法提供的物体局部形状信息更丰富,具有更高的目标分辨能力和匹配识别效率。     

基于自适应结构图的半监督语音情感特征选择

本文研究了语音情感识别中的半监督特征选择问题,即如何利用未标记语音情感数据来帮助选择具有情感判别性的特征.为了解决这个问题,提出了一种新的基于图的半监督特征选择方法.其可以根据标签适应度和流形平滑度,在图上估计一个预测标签矩阵,从而有效地利用标记数据中的标签信息,以及标记数据和未标记数据中的流形结构信息.与现有的基于图的方法相比,该方法能同时进行特征选择和局部结构学习,从而自适应地确定图相似度矩阵.同时,还对图相似度矩阵进行了约束,使其包含更准确的数据结构信息,从而可以选择更有判别性的特征.此外,提出了一种有效的迭代算法来优化该问题.在典型语音情感数据集上的实验结果表明,本文提出的方法是有效的.     

基于代价函数修正的异类传感器数据关联算法

针对现有异类传感器数据关联算法在构造关联代价时未充分考虑最大似然估计引入误差的问题,提出了一种修正代价函数的异类传感器数据关联算法。基于主、被动传感器各自的优势信息构造观测矩阵,得到目标的位置估计,继而根据异类传感器融合系统的观测模型得到伪量测信息,并利用一阶泰勒展开近似推出伪量测的方差信息,再用其对关联代价函数进行修正,改进后的代价函数能更加准确地描述量测之间的关系。仿真结果表明,修正后的关联代价函数能更精确地反映数据关联的可能性程度,所提算法可获得更好的关联正确率。     

基于REKF的异类传感器异步数据融合算法研究

提出了一种基于异类传感器(R和IR)的数据融合目标跟踪算法,两种传感器具有不同的测量维数,量测数据异步采样并以不同的速率传输到融合中心站点.通过时间匹配技术,完成两种异步数据的融合,然后实现滤波器的状态更新.同时文中讨论了一种REKF(旋转推广卡尔曼滤波:Rotation Extended Kalman Filter)算法,可以有效地解决量测非线性和降低计算量的问题.     

基于一种改进的监督流形学习算法的语音情感识别

为了有效提高语音情感识别的性能,需要对嵌入在高维声学特征空间的非线性流形上的语音特征数据作非线性降维处理。监督局部线性嵌入(SLLE)是一种典型的用于非线性降维的监督流形学习算法。该文针对SLLE存在的缺陷,提出一种能够增强低维嵌入数据的判别力,具备最优泛化能力的改进SLLE算法。利用该算法对包含韵律和音质特征的48维语音情感特征数据进行非线性降维,提取低维嵌入判别特征用于生气、高兴、悲伤和中性4类情感的识别。在自然情感语音数据库的实验结果表明,该算法仅利用较少的9维嵌入特征就取得了90.78%的最高正确识别率,比SLLE提高了15.65%。可见,该算法用于语音情感特征数据的非线性降维,可以较好地改善语音情感识别结果。     

核判别保局投影的人脸识别算法

针对人脸识别中的特征提取问题,提出了核判别保局投影算法,即KDLPP.该算法通过核技巧将人脸样本映射到高维空间,在高维空间中有效地结合人脸局部的流形结构和人脸的判别信息构建了新的目标函数,其优点是在保持人脸流形结构的基础上,充分利用了样本的类别信息,并采用核方法提取了人脸的非线性特征.在ORL和UMIST人脸库上的实验...     

图强化典型相关分析及在图像识别中的应用

典型相关分析(CCA)作为一种传统特征提取算法已经成功应用于模式识别领域,其旨在找到使两组模态数据间相关性最大的投影方向,但其本身为一种无监督的线性方法,无法利用数据内在的几何结构和监督信息,难以处理高维非线性数据.为此该文提出一种新的非线性特征提取算法,即图强化典型相关分析(GECCA).该算法利用数据中的不同成分构建多个成分图,有效保留了数据间的复杂流形结构,采用概率评估的方法使用类标签信息,并通过图强化的方式将几何流形和监督信息融合嵌入到典型相关分析框架.为了对该算法进行评估,分别在人脸和手写体数字数据集上设计了针对性实验,良好的实验结果显示出该算法在图像识别中的优势.     

基于判别邻域嵌入算法的说话人识别

该文提出一种基于判别邻域嵌入(DNE)算法的说话人识别。判别邻域嵌入算法作为流形学习方法的一种,可以通过构建邻接图获取数据的局部邻域结构信息;同时该算法可以充分利用类间判别信息,具有更强的判别能力。在美国国家标准技术研究院2010年说话人识别评测(NIST SRE 2010)电话-电话核心测试集上的实验结果表明了该算法的有效性。     

基于核正交局部判别嵌入的人脸识别

针对人脸识别中的非线性特征提取问题,提出一种基于核正交局部判别嵌入(KOLDE,kernel orthogonal local discriminant embedding)的人脸识别算法。首先通过引入基向量正交约束,得到OLDE算法,并给出算法的推导过程。然后为了更好地处理高度复杂非线性结构数据,将OLDE向高维空间扩展,在核空间提取图像的高阶非线性信息,得到核空间OLDE算法。在ORL和PIE库上的人脸识别实验验证了算法的有效性。     

基于测地线距离和正交投影的端元提取算法

端元提取是高光谱遥感图像混合像元分解的关键步骤。传统线性端元提取方法忽略了像元内地物的非线性混合因素,制约了混合像元分解精度的提升。针对高光谱图像数据的非线性结构,提出一种基于测地线距离的正交投影端元提取算法,将测地线距离引入端元单体提取过程,利用正交投影方法逐个提取端元。为了降低测地线距离计算量,在端元提取前先利用自动目标生成方法和无约束最小二乘法对原始高光谱数据进行数据约减。模拟和真实高光谱图像实验表明,该方法能够表征光谱数据中非线性因素,端元提取结果优于传统自动目标生成端元提取方法。     

基于合并准则和测地膨胀重构的视频目标分割

提出具有鲁棒性的时空域视频目标分割方案：先用改进分水岭算法和合并准则作空域分割,产生初始I-帧分割,接着选择测地膨胀的掩模和标记图像来重构目标,以目标的每一轮廓像素构造边缘块,投影至下一帧中提取闭合目标轮廓。经多个视频序列实验证明,算法是行之有效的,而且适用于陕速运动和部分遮挡的目标分割。     

面向高光谱图像分类的半监督Laplace鉴别嵌入

为有效提取出高光谱遥感图像数据的鉴别特征,该文阐述一种融合标记样本中鉴别信息和无标记样本中局部结构信息的半监督Laplace鉴别嵌入(SSLDE)算法。该算法利用标记样本的类别信息来保持样本集的可分性,并通过构建标记样本和无标记样本的Laplace矩阵来发现样本集中局部流形结构,实现半监督的流形鉴别。在KSC 和Urban数据集上的实验结果说明:该算法具有更高的分类精度,可以有效地提取出鉴别特征信息。在总体分类精度上,该算法比半监督最大边界准则(SSMMC)算法提升了6.3%~7.4%,比半监督流形保持嵌入(SSSMPE)算法提升了1.6%~4.4%。     

Intrinsic dimensionality estimation based on manifold assumption

Dimensionality reduction is an important tool and has been widely used in many fields of data mining and machine learning. Intrinsic dimension of data sets is a key parameter for dimensionality reduction. In this paper, a new intrinsic dimension estimation method based on geometrical relationship between manifold intrinsic dimension and data neighborhood geodesic distances is presented. The estimator is derived by manifold sampling assumption. On a densely sampled manifold, the number of samples that fall into a ball is equal to the volume times the density of the ball. The radius of the ball is calculated by graph distance which is approximation of geodesic distance on manifold. Then the intrinsic dimension is estimated on each sample. Experiments conducted on synthetic and real world data set show that the performance of our new method is robust and comparable to other works.     

Stiefel 流形上的梯度算法及其在特征提取中的应用

为了提高系统特征提取算法的计算效率、减少占用的存储空间和简化程序设计,该文基于Riemann 流形上优化算法的几何框架,提出了改进的Stiefel 流形上的梯度下降算法。根据不同要求采用不同的测地线计算公式,并使用多项式逼近测地线方程,同时采用了秦九韶-Horner 多项式算法及线搜索、变步长的方法。以主分量分析问题为例,详细讨论了Stiefel 流形上的梯度算法在其中的应用。理论分析和实验结果均表明,此方法可以在确保迭代矩阵列向量单位正交性的同时获得更好的计算效率和收敛速度,并且更容易实现。      

面向图像识别的测地局部典型相关分析方法

典型相关分析(CCA)是一种经典的多模态特征学习方法,能够从不同模态同时学习相关性最大的低维特征,然而难以发现隐藏在样本空间中的非线性流形结构。该文提出一种基于测地流形的多模态特征学习方法,即测地局部典型相关分析(GeoLCCA)。该方法利用测地距离构建了低维相关特征的测地散布,并进一步通过最大化模态间的相关性和最小化模态内的测地散布学习更具鉴别力的非线性相关特征。该文不仅在理论上对提出的方法进行了分析,而且在真实的图像数据集上验证了方法的有效性。     

Local maximal margin discriminant embedding for face recognition

In this paper, a manifold learning based method named local maximal margin discriminant embedding (LMMDE) is developed for feature extraction. The proposed algorithm LMMDE and other manifold learning based approaches have a point in common that the locality is preserved. Moreover, LMMDE takes consideration of intra-class compactness and inter-class separability of samples lying in each manifold. More concretely, for each data point, it pulls its neighboring data points with the same class label towards it as near as possible, while simultaneously pushing its neighboring data points with different class labels away from it as far as possible under the constraint of locality preserving. Compared to most of the up-to-date manifold learning based methods, this trick makes contribution to pattern classification from two aspects. On the one hand, the local structure in each manifold is still kept in the embedding space; one the other hand, the discriminant information in each manifold can be explored. Experimental results on the ORL, Yale and FERET face databases show the effectiveness of the proposed method.