a国产,中文字幕久久波多野结衣AV,欧美粗大猛烈老熟妇,女人av天堂

多視圖特征選擇與降維方法及其應用研究

發(fā)布時間:2016-11-04 20:09

  本文關鍵詞:多視圖特征選擇與降維方法及其應用研究,,由筆耕文化傳播整理發(fā)布。


【摘要】:針對多視圖數(shù)據,以往大多數(shù)研究工作往往關注多視圖分類與聚類算法層面的研究,而對多視圖特征選擇與降維方法研究較少。隨著近年來數(shù)據采集設備的迅速發(fā)展,高維多視圖數(shù)據隨處可見。針對高維的多視圖數(shù)據,直接進行分類或聚類,往往很難達到特定應用要求的效果。由于不同視圖間存在特征相關性,選擇有效特征或學習公共低維表示能夠提高學習模型的精度與效率,同時,有助于理解錯綜復雜的視圖關系。因此,本文圍繞“多視圖特征選擇與降維方法及其應用研究”這一主線來開展,針對研究中存在的問題,主要提出了以下四個創(chuàng)新方法:(1)一種聯(lián)合局部與全局分析的多視圖特征選擇方法(Multiview feature selection method via joint local PAttern-Discrimination And global Label-relevance analysis,簡稱mPadal)。為了解決視圖間有區(qū)別的特征選擇問題(現(xiàn)有多視圖特征選擇方法僅選擇與類別最相關的特征),我們引入視圖間有區(qū)別的特征評價標準,提出了聯(lián)合局部與全局分析的多視圖特征選擇方法nPadal。具體地,局部選擇階段從樣本差異性角度出發(fā)來選取視圖間有區(qū)別的特征,有助于提高視圖間的互補性。而在全局選擇階段通過衡量所有特征的類別相關性來選擇具有判別性的特征(能夠較好地區(qū)分不同類別),對應問題被建模為帶約束的二次規(guī)劃問題。通過實驗結果分析,所提方法nPadal在多角度行為識別數(shù)據集IXMAS中取得了比基準方法更出色的結果,同時也驗證了通過mPadal選取的特征在視圖間的分類任務中具有互補作用。(2)一種基于矩陣低秩的稀疏多視圖特征選擇方法(Multiview Rank Minimization-based Lasso,簡稱MRM-Lasso),F(xiàn)有多視圖特征選擇方法僅從視圖層考慮,通過給每個視圖的所有樣本賦予相同且固定的權重來衡量視圖間的關系,然而,通常不同樣本具有不同的判別能力。我們引入對樣本的重要性衡量,提出一種基于矩陣低秩的多視圖特征選擇方法MRM-Lasso,通過矩陣低秩和稀疏假設來聯(lián)合衡量視圖層、樣本層與特征層的重要性。具體地,我們首次將Lasso擴展應用到多視圖稀疏特征選擇任務中;并引入不同視圖的示例權重,通過低秩假設來挖掘視圖間示例的相關性。同時,采用基于交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)的交替優(yōu)化策略來解決樣本與特征聯(lián)合分析的優(yōu)化問題。通過實驗結果分析,MRM-Lasso在多角度行為識別數(shù)據集IXMAS中能夠獲得比已有基準方法更優(yōu)異的分類表現(xiàn)。更重要的是,MRM-Lasso學得的示例權重能夠探索多視圖數(shù)據中不同視圖與不同示例的判別性,對真實的復雜數(shù)據分析提供重要參考依據。(3)一種基于稀疏低秩表示的多視圖缺失樣本恢復方法(Sparse low-Rank Representation on multiview common Subspace,簡稱SRRS),以及三種具體的不完整多視圖數(shù)據降維方法,F(xiàn)有的多視圖數(shù)據降維方法處理視圖樣本缺失的多視圖數(shù)據低效。為了解決這一問題,我們提出了缺失樣本恢復方法SRRS。具體地,引入稀疏低秩學習來衡量視圖內樣本間的相關性,并通過公共子空間學習來捕獲視圖間樣本的相關性,目的是盡可能地利用給定觀測數(shù)據來恢復多視圖缺失樣本。為了驗證所提方法SRRS的性能,在其基礎上分別提出了基于圖嵌入的不完整多視圖子空間學習方法(Multiview subspace learning via Graph Embedding,簡稱SRRS-MGE);诮Y構稀疏的不完整多視圖聚類方法(Multiview clustering via Structured Sparsity,簡稱SRRS-MSS)以及基于秩最小化的不完整多視圖特征選擇方法(Multiview feature selection via Rank Minimization,簡稱SRRS-MRM)。通過分別在多角度行為識別與多模態(tài)腦影像診斷兩種典型應用上的實驗驗證,說明了SRRS解決不完整多視圖降維問題的有效性。同時,也表明了聯(lián)合使用稀疏與低秩學習的表現(xiàn)比單獨使用稀疏學習或低秩學習更優(yōu)異。(4)一種基于組結構的多視圖在線子空間學習方法(Online Multiview subspacE Learning via group structure,簡稱OMEL).現(xiàn)有的多視圖子空間學習方法處理具有時序關系的多視圖數(shù)據低效。為了解決這一問題,我們提出基于組結構的多視圖在線子空間學習方法OMEL。具體地,考慮到在線多視圖數(shù)據的組結構會隨著時間的推移而不斷變化,我們引入組結構稀疏與組間隔約束,來要求學得的子空間表示與以往子空間表示保持原有的成組結構。同時,對于子空間模型在線更新,通過保存當前時刻的組信息與變換矩陣,避免對以往數(shù)據的重復處理。為了解決OMEL的優(yōu)化問題,我們設計了有效的交替優(yōu)化策略,并使用貪婪的坐標下降算法快速求解視圖間公共的低維表示。最后,我們將所提方法應用于運動目標跟蹤問題,通過在15個基準視頻序列中的定性和定量的實驗評估,充分說明了所提方法OMEL對解決目標形變、背景復雜、目標遮擋與光照變化等問題的有效性與魯棒性。同時,實驗結果表明在OMEL中學習變化的組結構有助于提升目標跟蹤的精度。


  本文關鍵詞:多視圖特征選擇與降維方法及其應用研究,由筆耕文化傳播整理發(fā)布。



本文編號:164663

資料下載
論文發(fā)表

本文鏈接:http://www.wukwdryxk.cn/shoufeilunwen/xxkjbs/164663.html


Copyright(c)文論論文網All Rights Reserved | 網站地圖 |

版權申明:資料由用戶fb644***提供,本站僅收錄摘要或目錄,作者需要刪除請E-mail郵箱bigeng88@qq.com
国产婷婷色综合AV性色AV| 久久亚洲欧美国产精品| 国产强伦姧在线观看| 亚洲欧美日韩自偷自拍| 国产欧美亚洲精品第一区软件 | 国产特级毛片AAAAAA视频| 欧美无砖专区一中文字| 亚洲另类无码一区二区三区| 海兴县| 亚洲精品一区二区三区午夜不卡片| 爽一点搔一点叫大声一点3p视频| www888| 亚洲精品在线| 国产精品久久久久久网站| 亚洲天堂2020| 久久精品亚洲一区| 日韩三级网| 91精品一区| 久久久久亚洲AV成人无码电影| 国内精品免费久久久久电影院97| 亚洲伊人成无码综合网| 无码AV中文一二三区| 亚洲国产精品久久一线不卡| 免费看小12萝裸体视频国产| 精品视频无码一区二区三区| 男男19禁啪啪无遮挡免费| 日韩人妻无码潮喷中文视频| 色av色婷婷97人妻久久久| 激情欧美一区二区三区中文字幕| 91久久久久久久久| 精品人妻中文字幕| 超碰在线91| 欧美a级黄片| 青青久操| 中国老熟女久久久老熟女| 蜜桃成人av| 人人爽人人爽人人爽av片特级| 成人小视频在线| 欧美www.| 国产综合精品一区二区三区| 欧美亚洲精品一区二三区|