特征表示

摘要： 近年来,基于联合训练的深度聚类方法,如DEC(Deep Embedding Clustering)和DDC(Deep Denoising Clustering)算法,使基于特征提取的图像聚类取得了很多新进展,带来了聚类性能的突破,而且特征提取环节对后续聚类任务有直接影响。但是,这些方法的泛化能力较差,在不同数据集使用不同的网络结构,聚类性能相比分类性能仍有很大的提升空间。为此,文中提出了一种基于自注意力的自监督深度聚类方法(Self-attention Based Self-supervised Deep Clustering,SADC)。首先设计一个深度卷积自编码器用于提取特征,并且用带噪声的输入数据训练该网络来增强模型的鲁棒性;其次引入自注意力机制,辅助网络捕获对聚类有用的信息;最后编码器部分结合K-means算法形成一个深度聚类器,用于进行特征表示和聚类分配,通过迭代更新网络参数来提高聚类精度和网络的泛化能力。在6个图像数据集上验证所提聚类算法的性能,并与深度聚类算法DEC,DDC等进行比较。实验结果表明,SADC能提供令人满意的聚类结果,而且聚类性能与DEC和DDC相当。总之,统一的网络结构在保证聚类精度的同时降低了深度聚类算法的复杂度。

摘要： 聚类是一种寻找数据之间内在结构的技术,是许多数据驱动应用领域的一个基本问题,而聚类性能在很大程度上取决于数据表示的质量。近年来,深度学习因其强大的特征提取能力被广泛地应用于聚类任务,以学习更好的特征表示,显著提高了聚类性能。首先,介绍了传统的聚类任务;然后,根据网络结构介绍了基于深度学习的聚类及代表性方法,指出了当前存在的问题,并介绍了基于深度学习的聚类在不同领域的应用;最后,对基于深度学习的聚类发展进行了总结与展望。

摘要： 针对行人重识别中行人姿态变化和遮挡问题,提出了一种结合注意机制和局部擦除的行人重识别方法。首先,构建由ResNet50为全局分支和注意擦除为局部分支组成的双分支网络。全局分支用来提取全局特征表示,在训练过程中可以监督注意擦除分支的训练。注意擦除局部分支由注意模块和擦除模块组成,该分支将输入特征映射的同一区域随机地分批擦除,以增强局部区域的注意特征学习;其次,在训练阶段采用标签平滑损失函数和三元组损失函数对模型进行联合训练。标签平滑损失函数用于防止分类任务过度拟合,三元组损失函数用于解决类间相似、类内差异的分类问题;最后,在Market-1501,DukeMTMC-reID两个数据集上、和现有的八种方法进行对比测试实验,rank-1/mAP分别达到94.3%/85.9%,87.2%/75.3%,优于其他现有方法。

摘要： 早期基于机器学习的地震相聚类分析依赖地震属性种类的选择与组合,结果具有很强的主观性,而数据驱动下的深度学习可以规避该缺陷。因此,利用深度学习技术,采用自编码网络架构,通过嵌入编码(Embedding Code)对地震数据进行抽象表示;引入聚类损失函数与重建损失函数,建立联合损失函数并优化,使学习到的地震特征既能重建地震数据,又具有较好的聚类能力。鄂尔多斯盆地A致密气探区实际应用结果表明:经过500次迭代后,嵌入编码已具有明显的聚类特征,同时能很好地恢复原始地震信号,相对误差小于5%;与均方根振幅属性相比,基于深度嵌入网络的地震相聚类技术计算的地震相图刻画河道更准确、细节更丰富;比K-Means聚类算法预测结果的井震符合率更高,可达89.3%。

摘要： 针对现有图文跨模态检索方法中样本的单点特征仅能体现样本与语义空间中特定一点的关联而无法表征与整个空间所有点的关系,进而造成对样本语义复杂性和样本间局部相似性表达能力不足的问题,提出一种图文跨模态检索的概率分布表示学习方法.首先利用样本标签信息学习样本的显著性语义特征,从而基于变分信息瓶颈思想构建不同模态的语义空间并学习各样本语义分布,通过样本语义分布对应于空间中每点的概率密度值直接反映各点与给定样本的关联;接着引入铰链三元组损失对齐属于不同模态的样本语义分布,以保证相似图像-文本对所对应语义分布的相似性;最后使用语义分布作为样本特征,采用巴氏距离度量样本语义分布间的差异衡量样本间语义相似度,以提升对样本语义复杂性的建模能力和对样本间局部相似性的表达能力.在Wikipedia和Pascal Sentence数据集上与9种现有方法进行对比的实验结果表明,所提方法优于所有对比方法.针对Wikipedia数据集,所提方法在图检文和文检图任务上的平均mAP比对比方法提升了15.0个百分点,针对Pascal Sentence数据集提升了13.6个百分点.

摘要： 近年来,深度学习在计算机视觉、语音识别和自然语言处理等各个领域都取得了巨大的成功。深度学习的主要原理是对数据通过层层的特征表达或映射,使数据在模型最高层线性可分或线性可拟合,由于此时的模型参数量相对一般浅层模型较少,从而获得较好的分类或拟合结果。神经网络的应用虽然在许多领域取得了一定的成功,但仍然有很多问题亟待解决。大部分研究人员仍然不清楚神经网络内部是如何从大规模数据中学习到有效的特征表示,神经网络的“黑盒子”特性促进了神经网络可视化技术的发展。可视化技术是以图像可视化的方式对神经网络内部的卷积核以及卷积层所提取到的特征进行分析,帮助理解神经网络每一层是如何提取特征的,从而避免在网络训练过程中的盲目调参和试错。神经网络的可视化对于调整参数有着很好的指导作用,可以使网络结构性能快速达到最优。本文按照以下几方面总结内容:可视化研究的提起、可视化方法、神经网络模型、可视化工具及可视化应用,重点关注了可视化神经网络模型的工具;最后,对该领域存在的难点及未来研究趋势进行了展望。本文通过论述神经网络模型可视化编程工具的发展与应用,旨在为神经网络模型的绘制和对其进行更加深入的了解提供参考和根据。

摘要： 视频信息检索与其他多媒体检索的最大不同在于视频信息量较大,因此进行视频间相似度计算时的计算量较大。此外,对视频特征的提取中常常忽略视频帧之间的时间相关性,从而导致特征提取不充分,影响视频检索的精度。为此,文中提出基于三维卷积和哈希方法的视频检索方法。该方法构建了一个端到端的框架,使用三维卷积神经网络来提取视频中代表帧的特征,并将视频特征映射到低维的汉明空间中去,在汉明空间计算相似度。在两个视频数据集下的实验结果表明,相较于当前最新的视频检索算法,文中所提方法在精度上有较大的提升。

摘要： 针对模拟电路故障诊断中故障信息的多特征、高噪声以及故障诊断时间较长的问题,提出了一种基于H-DELM的模拟电路故障诊断模型。该模型的架构单元为双随机隐藏层的深度极限学习机DELM-AE,2个随机隐藏层用于编码特征,1个输出层用于解码特征。将DELM-AE以分层结构堆叠构建H-DELM模型,由于DELM-AE可以进行特征表示,而且输出与原始输入信息相同,因此H-DELM可以尽可能多地复制原始输入数据,进而可以学习到更具表现力和紧凑性的特征。最终通过四运放双二次高通滤波器和更复杂的二级四运放双二阶低通滤波器2个电路进行验证。实验结果表明了该模型在模拟电路故障诊断上的可行性;与其他模型的比较表明该模型的鲁棒性较强,分类速度可以达到1 s左右,故障分类准确率可以达到100%。

摘要： 传统的图正则化方法使用欧氏距离度量样本空间的相似度,并不能准确考察复杂数据集的邻域信息,容易导致模型在复杂形状数据和非凸数据集中的泛化性能下降。提出一种改进的图正则算法,使用等距特征映射保留样本空间的邻域信息,帮助模型进行流形学习,同时结合使用KL约束进一步使得数据表示的外部结构变得光滑,从而捕获到更稀疏和高级的特征表示。在MNIST和YaleB等数据集上的实验结果表明,相比于流行的几种特征提取算法,该算法能够提取到更有意义和稳健的特征。在分类任务和聚类任务上具有优势,同时具有更好的抗干扰性能。

摘要： 提出一种融合元路径信息的图神经网络模型,用于预测药物-靶标相互作用(GMDTI)。首先根据8个数据集中的药物、靶标、疾病和副作用数据以及它们之间的8种作用关系,构建药物-靶标异质信息网络(HIN);然后定义两条元路径来捕获药物-靶标HIN中的不同子结构信息和不同节点间隐藏的语义信息,并应用图神经网络的方法聚合节点的一阶邻居信息和元路径中节点间的语义信息;最后利用端到端的学习方法完成DTIs预测。该方法同时考虑药物-靶标HIN的结构特性和元路径语义信息,有助于学习到更多潜在的药物-靶标作用关系。实验结果表明,GMDTI的预测准确率高于所有基线模型,AUC达到98.6%,AUPR达到94.5%。同时通过调整数据的稀疏度和降噪实验,证明GMDTI具备优于所有基线模型的鲁棒性。

摘要： 细粒度意见挖掘的主要目标是从观点文本中获取情感要素并判断情感倾向.目前现有方法大多基于序列标注模型,但很少利用情感词典资源.本文提出一种基于领域情感词典特征表示的细粒度意见挖掘方法,使用领域情感词典在观点文本上构建特征表示并将其加入序列标注模型的输入部分.首先构建一份新的电商领域情感词典,然后在电商评论文本真实数据上,分别为条件随机场(CRF)和双向长短期记忆-条件随机场(BiLSM-CRF)这两种常用序列标注模型设计基于领域情感词典的特征表示.实验结果表明,基于电商领域情感词典的特征表示方法在两种模型上都取得了良好的效果,并且超过其他情感词典.

摘要： 阐述了云模型的定义和特征,以及正态云、条件云的生成方法.云模型将模糊性与随机性集成在一起,作为知识表示的基础,形成定性概念与定量数值之间的转换.将云模型理论用于时间序列的特征表示,可以有效地提高挖掘效率.

摘要： 事件同指消解对篇章理解、信息抽取意义重大.在事件抽取完成的基础上聚焦事件同指,给出了一个基于卷积神经网络的事件同指消解完整框架.针对实例分布不均衡问题给出了基于事件语义类别和时态信息的事件兼容性过滤策略;为了最大化适用不同的事件标注策略,提出了最小事件本身描述和事件间关系描述相结合的特征表示方法;针对基于事件对模型进行同指消解产生的局部最优问题,给出了一种全局优化的后处理方案.在KBP2015和ACE2005语料上的各类实验表明,上述三个解决方案均能有效解决问题,提升整个事件同指消解平台的性能.

摘要： 针对如何构建一个复杂电磁环境中的通信电磁环境问题进行了研究．分析了通信电磁环境的组成因素以及各构建对象的要素特征表示方法，阐述了在具体构建中的实物构建法和仿真构建法，最后，指出了通信电磁环境的评估目标和评估方法。

摘要： 基于逆问题理论，建立模式分类判决函数估计的基本框架；在判决函数所属空间建立投影准则，保证判决函数的最优泛化能力；在输出空间建立投影准则，使异类特征抑制强度最大化，保证判决函数的鉴别性能；通过协调参数，控制判决函数在特征表示与鉴别方面的平衡。手写字符识别、人脸识别、雷达目标识别等模式识别实验结果，初步说明了所设计分类器的有效性。

摘要： 随着三维模型数据的精度越来越高,传统三维模型表示方式遇到了种种限制,本文研究了近年来三维模型表示的研究趋势,分析了常用文件格式的不足,提出了一种基于三维模型的特征组织的表示方式,基于特征的表示方式能够方便快捷地根据模型的分割、标注等信息随机读取;而不再是一个个独立的三角面片,提高了数据的结构性和组织能力,能够很好的根据特征信息进行随机读写,具有很好的性能,另外,本文专门设计了自定义数据的部分,这能够很好的存储自定义数据,具有很好的扩展性,本文还详细论证了文本文件的标记形式,表面网格的表示形式等关键技术。

摘要： 随着三维模型数据的精度越来越高,传统三维模型表示方式遇到了种种限制,本文研究了近年来三维模型表示的研究趋势,分析了常用文件格式的不足,提出了一种基于三维模型的特征组织的表示方式,基于特征的表示方式能够方便快捷地根据模型的分割、标注等信息随机读取;而不再是一个个独立的三角面片,提高了数据的结构性和组织能力,能够很好的根据特征信息进行随机读写,具有很好的性能,另外,本文专门设计了自定义数据的部分,这能够很好的存储自定义数据,具有很好的扩展性,本文还详细论证了文本文件的标记形式,表面网格的表示形式等关键技术。

摘要： 随着三维模型数据的精度越来越高,传统三维模型表示方式遇到了种种限制,本文研究了近年来三维模型表示的研究趋势,分析了常用文件格式的不足,提出了一种基于三维模型的特征组织的表示方式,基于特征的表示方式能够方便快捷地根据模型的分割、标注等信息随机读取;而不再是一个个独立的三角面片,提高了数据的结构性和组织能力,能够很好的根据特征信息进行随机读写,具有很好的性能,另外,本文专门设计了自定义数据的部分,这能够很好的存储自定义数据,具有很好的扩展性,本文还详细论证了文本文件的标记形式,表面网格的表示形式等关键技术。

摘要： 随着三维模型数据的精度越来越高,传统三维模型表示方式遇到了种种限制,本文研究了近年来三维模型表示的研究趋势,分析了常用文件格式的不足,提出了一种基于三维模型的特征组织的表示方式,基于特征的表示方式能够方便快捷地根据模型的分割、标注等信息随机读取;而不再是一个个独立的三角面片,提高了数据的结构性和组织能力,能够很好的根据特征信息进行随机读写,具有很好的性能,另外,本文专门设计了自定义数据的部分,这能够很好的存储自定义数据,具有很好的扩展性,本文还详细论证了文本文件的标记形式,表面网格的表示形式等关键技术。

摘要： 智能化是CAD系统的一个重要发展方向.本文以知识库为基础,把专家的有关知识合理地和计算机体视化技术相结合,提出了基于知识库的文物复原系统框架,重点研究了文物碎片的特征定义和分类,文物复原中的知识库设计和知识表达等问题.

摘要： 一种基于异质特征联合自表示的特征子空间与亲和矩阵联合学习方法，将原始数据及其异质特征整合到一个公共集合中，形成多模态样本集合；然后，在集合上对每一个模态下的样本数据都学习一对垂直和水平投影矩阵，并且可以捕获所有模态下的异质特征之间的互补信息；此外，为了揭示隐藏在多模态视觉数据中的内在子空间结构，设计了一个基于阈值岭回归的自表示模型，进而将学习到的表示矩阵用于构建有效的亲和矩阵；同时，通过联合学习特征子空间和表示矩阵，二者性能可以互相促进；为了确保模型在实际应用中的性能，设计了基于图的表示矩阵约束项来捕获数据的非线性结构信息，这有助于保持复杂样本的邻居关系。

摘要： 一种用于基于编码音频表示来提供解码音频表示的音频解码器包括用于提供解码音频表示的增强音频表示的滤波器。该滤波器被配置为基于解码音频表示的与不同频率段或频率范围相关联的频谱值来获得与不同频率段或频率范围相关联的多个缩放值，并且滤波器被配置为使用缩放值对解码音频信号表示的频谱值或其预处理版本进行缩放，以获得增强音频表示。还描述了一种用于基于解码音频表示(122；322)来确定定义滤波器的特征的值的集合的装置，该滤波器用于提供增强音频表示。

摘要： 一种基于异质特征联合自表示的特征子空间与亲和矩阵联合学习方法，将原始数据及其异质特征整合到一个公共集合中，形成多模态样本集合；然后，在集合上对每一个模态下的样本数据都学习一对垂直和水平投影矩阵，并且可以捕获所有模态下的异质特征之间的互补信息；此外，为了揭示隐藏在多模态视觉数据中的内在子空间结构，设计了一个基于阈值岭回归的自表示模型，进而将学习到的表示矩阵用于构建有效的亲和矩阵；同时，通过联合学习特征子空间和表示矩阵，二者性能可以互相促进；为了确保模型在实际应用中的性能，设计了基于图的表示矩阵约束项来捕获数据的非线性结构信息，这有助于保持复杂样本的邻居关系。

摘要： 本发明公开了一种基于稀疏表示的有砟铁路路基病害特征表示方法，涉及铁路路基的病害特征表示方法技术领域。所述方法利用有砟铁路路基的物理尺寸特性，结合稀疏成像中路基病害的分布特性和投影的规律性对路基病害进行检测，可进行有砟铁路路基病害的快速识别，为病害的整治处理提供技术支持，满足未来线路快速养护的需求，保障运营安全。

摘要： 本发明提供一种基于多模态特征融合的三维对象融合特征表示方法。本发明将三种模态的三维模型特征表示，都做了一个非常细致的实现和复现：三维模型的多视图特征表示、点云特征表示以及网格特征表示。对多模态三维数据进行了处理、增强和融合，并基于此提取出了三维对象的融合特征表示。本发明能实现非常优秀的多模态信息融合，实现更加鲁棒的三维模型特征表示，供给其他三维对象任务使用。

摘要： 影评情感分析中使用特征词集将影评以特征向量表示的方法，属于自然语言处理领域，为了解决影评情感分析可以被用于机器学习领域的问题，选取特征词，根据已下载的影评，提取有意义的情感词的集合作为特征词集，特征词集中的每个词为特征词；判断特征词集中的每一个特征词是否在该影评中出现，如果出现标注1，否则标注0，形成该影评的数组，将每条影评都转化为特征表示形式，作为特征向量，效果是可以使用在改进的朴素贝叶斯模型中，导致情感分析方法更为智能化，也提高了准确性。

摘要： 本发明公开了一种基于深度联合稀疏‑协同表示的高光谱图像特征表示方法，首先考虑到高光谱图像各像素包含非线性信息并且其频谱间存在冗余，以及同类像素样本之间也具有很强的相关性；其次，提出了深度联合稀疏‑协同表示的高光谱图像特征表示方法，能够同时表示出像素样本内的显著信息及样本之间的相关性信息，并能够提取出高光谱图像的深层非线性特性；最后，设计了一种交替迭代算法来对深度联合稀疏‑协同表示的高光谱图像特征表示方法进行求解，得到高光谱图像特征表示形式。本发明通过采用深度网络进行非线性映射，并结合稀疏表示和协同表示，充分考虑像素样本的冗余性和非线性以及样本间的相关性，从而提取出更加具备判别性的特征。

摘要： 本发明提供了一种基于交互表示学习的药物特征表示方法，通过异构图表示学习和分子图表示学习的双向循环交互机制，充分整合利用多尺度的药物特征表示，使药物多尺度的药物特征互补和融合，实现了从多尺度的药物描述数据中获取药物的特征表示的功能。本发明针对丰富的药物描述数据，循环利用药物的宏观和微观特征，同时开展药物的异构图表示学习和分子图表示学习，充分利用药物不同尺度的特征交互，融合药物的宏观维度数据和微观维度数据，从药物描述数据中获取药物的特征表示，对下游的药物发现和药物设计具有重要的指导意义。

摘要： 本发明公开了一种基于稀疏表示的有砟铁路路基病害特征表示方法，涉及铁路路基的病害特征表示方法技术领域。所述方法利用有砟铁路路基的物理尺寸特性，结合稀疏成像中路基病害的分布特性和投影的规律性对路基病害进行检测，可进行有砟铁路路基病害的快速识别，为病害的整治处理提供技术支持，满足未来线路快速养护的需求，保障运营安全。

摘要： 本发明提供一种基于多模态特征融合的三维对象融合特征表示方法。本发明将三种模态的三维模型特征表示，都做了一个非常细致的实现和复现：三维模型的多视图特征表示、点云特征表示以及网格特征表示。对多模态三维数据进行了处理、增强和融合，并基于此提取出了三维对象的融合特征表示。本发明能实现非常优秀的多模态信息融合，实现更加鲁棒的三维模型特征表示，供给其他三维对象任务使用。