基于MapReduce的大规模数据集流形学习降维研究

信息技术的快速发展导致了数据规模的爆炸式增长，传统的机器学习、数据挖掘算法面临新的 挑战. 流形学习克服了传统线性降维算法的不足，成为十年来降维研究的热点领域. 然而流形学习 算法复杂度高，对于大规模的数据集并不适用. 针对大规模数据集下的流形学习降维问题，提出了 基于MapReduce 的分布式流形学习算法. 该算法采用局部敏感哈希函数将相似点映射到同一个桶中，利用流形具有局部欧氏同胚的性质，在每个桶内采用欧氏距离度量点之间的测地距离，桶之间采用 中心点及边缘点来计算修正的测地距离. 在大规模的人工合成数据集和真实数据集上的实验表明，该算法能有效地估计数据点间的测地距离，适用于处理大规模数据集的降维问题.     

图像鲁棒哈希认证方案

针对图像的鲁棒认证,提出了一种分级视觉哈希认证方案.该方案利用抖动量化的方法提取图像的小波频域特征矩阵,将不同频域特征进行区分作为具有分级性能的认证哈希特征.对特征矩阵进行二值化运算,并采用分块计算数据统计量的方法压缩数据,生成分级认证哈希码.哈希由图像的鲁棒和脆弱特征共同生成,可同时实现对恶意攻击敏感和常规处理鲁棒.通过实验证明了分级视觉哈希方案在鲁棒认证中的有效性.     

基于HPal信息熵融合的三维模型检索方法

为了弥补单种特征提取算法描述模型特征的不足,提出基于HPal信息熵的三维模型多特征动态融合检索算法。针对给定的查询模型,利用各特征集上的检索结果列表动态计算各特征相对应的HPal信息熵,基于HPal信息熵确定融合权值,然后通过距离加权计算模型之间的相似度。与融合中最好单特征集相比,该方法的检索准确率明显提高,并且实验结果也表明该方法比其他3种流行的算法更为有效地提高了检索效果。     

一种高效的大规模三维地形遥感影像纹理映射方法

针对大规模虚拟战场地理信息建模与绘制的需求,研究提出一种可充分发挥GPU和多CPU核微处理器处理能力的、高效的大规模三维地形遥感影像纹理映射方法.该方法直接利用GPU进行高效的纹理压缩解压,采用基于多CPU核微处理器的多线程并行调度策略,实现了视点相关的纹理数据的高效预取和调度,并根据等地理长度映射原理实现了单一精度的大规模遥感影像纹理数据在大规模LOD地形上的精确匹配.实验表明,此方法可有效提高大规模三维地理信息场景.绘制的速度,纹理和地形的匹配精度高,增强了三维地理信息漫游的真实感.     

基于多特征标签相关性学习的图像自动标注

在网络真实环境下的图像数据集上的大规模语义标注是一个研究难点.提出了一种基于多特征标签相关性学习的图像语义标注方法,针对真实环境下大规模图像集合进行自动标注.首先提取图像多种视觉特征,采用多标记学习方法在特定特征空间完成标注词相关性学习,得到每幅图像的单特征标注词相关度;然后采用一种动态阈值确定方法估计单个特征和标注词的相关度阈值;最终采用一种无监督组合方法融合多种特征标和标注词的相关性生成图像语义标签.通过互联网数据集上的测试表明了方法的有效性.     

基于自适应遗传算法的超平面分类及遥感应用

智能分类算法是遥感影像分类研究的热点,遗传算法作为一种智能全局优化技术在遥感影像分类中具有良好应用前景.针对现有多光谱遥感影像分类方法的不足,提出了基于自适应遗传算法的超平面分类方法(hyper plane-adaptive genetic algorithm,HP-AGA)并应用于遥感影像分类,该方法利用神经网络中的神经元激活函数Sigmoid函数,对遗传算法中交叉率、变异率进行非线性自适应性调整,不再需要反复训练遗传参数,同时利用快速全局寻优特点,确定分类超平面的各个位置参数,从而获取最佳分类超平面集进行分类.多光谱遥感影像分类方法的应用实验表明,基于自适应遗传算法的超平面遥感分类方法能更快、更稳定地收敛到全局最优解,具有更好的效率及鲁棒性,并能取得优于简单遗传超平面分类算法及传统分类方法的分类精度.     

基于时态数据库的分布仿真数据收集方法

提出一种基于时态数据库的分布仿真数据收集方法：先给出分布仿真数据收集体系结构；参考历史关系数据库模型，对传统关系数据库进行扩展，提出适用于分布仿真数据收集的时态数据库模型；然后基于该模型详细设计并实现仿真时态数据库原型系境用于数据收集，包括数据的索引机制、存储实现以及查询优化。通过大量实验与基于纯文件的数据收集和基于一般商用关系数据库的数据收集进行性能比较，论证该方法在分布仿真数据收集方面的优势。该方法收集速度快、查询效率高，特别适用于面向回放和实时查询的分布仿真数据收集系境。     

基于时间序列的Global Skyline并行算法

Global Skyline 查询是Skyline查询的一种变种,它和动态Skyline查询、反Skyline查询关系密切,已被广泛应用于多目标决策、网络监控、数据挖掘等方面。随着数据的积累,传统集中式的Skyline查询已经不能满足大数据的处理要求。为了高效解决大规模的基于时间序列的数据处理难题,提出了基于MapReduce框架并行的Global Skyline Cell查询算法。首先,通过对实际应用需求进行分析,本文提出了基于时间序列数据Skyline查询的时间倒排索引模型;并提出了Global Skyline格概念,利用格间的支配关系进行粗粒度高效剪枝,避免了大部分的无效运算;其次查询点将数据空间分割成不同象限,基于各象限进行轮询,实现了Global Skyline 格的查询,在此候选结果中得到Global Skyline点,为下一步实现动态Skyline和反Skyline查询奠定基础。最后,我们在Hadoop集群环境中实现了该算法。实验结果表明,该算法能有效解决基于时间序列的大规模数据Skyline查询的时间和空间矛盾,能够满足实际应用需求。     

基于Gauss滤波的图像可视化检索(Ⅱ)——全局匹配

基于多尺度Gauss滤波的图像特征提取 ,能够在较大的尺度和视角变化范围内 ,检索出具有相似外观特征的图像。在讨论多尺度Gauss滤波输出用于图像的局部相似性匹配检索的基础上 ,进一步分析了如何将多尺度Gauss滤波方法用于全局相似性匹配检索。首先由图像在不同尺度下的Gauss滤波输出 ,构造出图像的曲率和相位直方图 ,得到图像的多尺度直方图表示 ;然后查询图像和数据库图像的归一化的曲率和相位直方图再进行匹配。归一化的直方图因消除了图像中点的位置信息 ,因此是图像变换如 :旋转、扭曲、拉伸下的不变量。该方法能用到基于图像外观特征的全局可视化检索中 ,并能取得很好的效果     

基于迁移学习的室内波束选择优化方法

使用基于深度学习的室内波束选择方法可以显著提高波束匹配概率和搜索效率,但该方法需要大型数据集来调整其大量可训练参数,导致了额外的系统开销。针对这一不足,结合一种迁移学习技术,使得目标场景神经网络以小数据集方式获得与大数据集相近的匹配精度,从而减小基于深度学习的波束选择方法中数据集大小对匹配结果产生的影响。首先使用大型数据集在一个源场景中对源神经网络进行充分训练,使得网络参数能够充分包含信道状态信息以及环境信息;而后利用源神经网络参数对目标场景中的神经网络进行不同程度初始化,使该神经网络在经过小数据集训练后依然可以获得较好的波束匹配性能。仿真结果表明,针对室内波束选择场景,在数据集有限的情况下,使用迁移学习方法进行波束选择,同样可以获得较高的匹配精度。     

双参数Beta过程联合字典遥感图像超分辨

为了改善遥感图像超分辨重建(super-resolution reconstruction,SRR)效果,针对以往仅适用于单特征空间的稀疏字典超分辨算法,提出同时适用于两个特征空间的双参数Beta过程联合字典(Beta process joint dictionary,BPJD)遥感图像SRR方法。首先,根据遥感图像退化模型生成训练样本图像,并分别对高、低分辨率图像进行分块和Gibbs采样,生成字典训练样本。然后,依据BPJD,建立连接高、低分辨率遥感图像空间的双参数联合稀疏字典,将字典稀疏系数分解为系数权值和字典原子的乘积,依据字典原子指标训练和更新字典,得到高低分辨率联合字典映射矩阵。最后,进行遥感图像超分辨稀疏重构。实验结果表明:所提方法可自适应地缩小字典尺寸,能以更小尺寸的稀疏字典重建更高质量的超分辨遥感图像,重建结果图像的纹理细节信息更丰富,峰值信噪比和结构相似性度均有提高。     

High speed robust image registration and localization using optimized algorithm and its performances evaluation

Local invariant algorithm applied in downward-looking image registration, usually computes the camera’s pose relative to visual landmarks. Generally, there are three requirements in the process of image registration when using these approaches. First, the algorithm is apt to be influenced by illumination. Second, algorithm should have less computational complexity. Third, the depth information of images needs to be estimated without other sensors. This paper investigates a famous local invariant feature named speeded up robust feature (SURF), and proposes a highspeed and robust image registration and localization algorithm based on it. With supports from feature tracking and pose estimation methods, the proposed algorithm can compute camera poses under different conditions of scale, viewpoint and rotation so as to precisely localize object’s position. At last, the study makes registration experiment by scale invariant feature transform (SIFT), SURF and the proposed algorithm, and designs a method to evaluate their performances. Furthermore, this study makes object retrieval test on remote sensing video. For there is big deformation on remote sensing frames, the registration algorithm absorbs the Kanade-Lucas-Tomasi (KLT) 3-D coplanar calibration feature tracker methods, which can localize interesting targets precisely and efficiently. The experimental results prove that the proposed method has a higher localization speed and lower localization error rate than traditional visual simultaneous localization and mapping (vSLAM) in a period of time.     

径向基函数神经网络的遥感图象分类

针对遥感图象分类的特点,提出了一种径向基函数神经网络的遥感图象分类器。实验结果表明,这种径向基函数神经网络分类器经过训练后,可应用于遥感图象的分类。通过与BP经网络分类器相比较,径向基函数神经网络分类器在学习速度和分类精度等方面具有一定的优势。     

基于混合学习矢量量化算法的遥感影像分类

在分析了Kohonen自组织特征映射网络(SOFM)和学习矢量量化(LVQ)算法的基础上,提出一种基于改进的SOFM算法和LVQ2算法的混合学习矢量量化(HLVQ)方法,并建立了基于HLVQ的遥感影像非监督和监督分类的一般模型。通过与传统的统计分类方法和LVQ2网络分类器比较,HLVQ分类器总的分类性能更好、识别率更高。     

基于生成对抗神经网络的雷达遥感数据增广方法

在雷达探测领域,数据样本无论在完备性还是多样性上,均不能满足深度学习模型有效训练的要求,模型极易出现过拟合现象,从而限制了相关技术在雷达探测领域的广泛应用.面向雷达探测领域的智能化应用需求,针对雷达数据样本不足问题,提出基于生成对抗神经网络的微波成像体制雷达数据增广方法.针对雷达数据样本特征不显著问题,结合标签平滑正则...     

基于纹理上下文的遥感图像目标识别

基于统计流形理论并结合形状上下文思想,提出了能够描述图像纹理目标的纹理上下文特征,进而实现对遥感图像纹理目标的识别。首先将图像的灰度概率密度函数看作统计流形上的点,用所得到的图像统计流形模型来描述图像的纹理上下文特征;然后使用Fisher信息距离来度量流形上点之间的相似度,并利用匈牙利算法来匹配纹理上下文特征;最后通过计算匹配距离来实现不同图像目标的相似性度量。实验表明,与经典的灰度共生矩阵、局部二值模式和统计流形算法相比,对于具有纹理特征的遥感图像,该方法具有更高的识别率且具有普适性和稳健性。     

基于神经网络的遥感影像超高分辨率目标识别

现有遥感图像的许多分类方法大都忽略了混合像元存在的事实,通过理解遥感影像像元点目标的空间分布特性,提出基于Hopfield神经网络的遥感图像超分辨率目标识别算法。在Hopfield神经网络模型下,利用模糊分类技术进行模糊分类,然后用分类结果约束Hopfield神经网络的方法获取超高分辨率的遥感图像,能够提高遥感图像的目标分辨率,使其目标特征信息更清晰。     

全仿射形变下基于点特征的SAR图像配准方法

全仿射形变条件下,待配准合成孔径雷达(synthetic aperture radar, SAR)图像与参考SAR图像之间存在各向异性尺度变化,导致传统的点特征图像配准算法难以提取到足够多的匹配特征点进行图像配准。为此,提出了一种基于仿射形变矩阵分解与尺度变化矩阵估计的点特征图像配准算法。该方法首先将仿射形变矩阵分解为图像旋转矩阵、尺度变化矩阵以及常数矩阵的乘积,而后利用粒子群优化(particle swarm optimization, PSO)算法对尺度变化矩阵中的未知参数进行搜索估计,并根据估计结果对图像进行尺度规范处理,以抑制图像间的各向异性尺度变化,在此基础上再利用尺度不变特征转换(scale invariant feature transform, SIFT)算子提取匹配特征点进行配准处理。实验结果表明,与现有方法相比,对于全仿射形变条件下的SAR图像配准,本文所述算法可以提取到更多的匹配特征点,因而具有更好的配准性能。     

光学遥感图像目标检测方法

更快速区域卷积神经网络(faster region-based convolutional neural network,Faster RCNN)是两阶段的目标检测模型,通过区域生成网络将区域提议与识别完全融合到网络模型中,使主要的运算可以在图形处理器中完成,因此,其同时具有良好的检测速度与精度。但是当Faster RCNN直接应用于遥感图像目标检测,面对宽尺寸范围的多种目标时,性能受到了很大削弱。分析了池化操作和目标尺寸对区域提议的影响,提出联合多层次特征进行区域提议的方法,提升了目标区域的提议召回率。针对性地优化前景样本的生成策略,避免训练过程中的产生无效前景样本,使得整个检测模型的训练更加高效。实验结果表明,所提出的模型和训练方法能够提高多尺度遥感图像目标的召回率与检测精度,且具备较高的训练效率。