L1范数

摘要： 针对传统CNN在有遮挡人脸识别中计算量大的问题,文中以L1-2DPCA为基础,提出了一种用于人脸识别的新型PCANet深度学习网络。该网络以L1-2DPCA学习多个卷积层的滤波器,在卷积层之后,通过二进制散列和逐块直方图进行池化。文中以CNN、PCANet、2DPCANet和L1-PCANet作为比较,在AR和RMFD人脸数据集上测试了文中所提出的网络。结果表明,在所有测试中,文中提出的深度学习网络的识别性能优于其他网络。由于采用L1范数,文中所提出的深度学习网络对异常值和训练图像的变化具有较强的鲁棒性。

摘要： 为更准确地探究我国出国留学人数变化趋势,提出基于L1范数的组合预测模型,对出国留学人数进行预测;从多角度选取影响出国留学的因素,利用灰色关联度分析提取影响出国留学人数的典型因子,进而构建GM(1,3)模型;建立BP神经网络模型;提出基于L1范数组合预测模型,通过求解线性规划确定单一模型最优权系数;然后,对2006—2019年出国留学人数进行预测;选取GM(1,1)模型为对照模型,通过对照模型以及预测误差评价指标体系比较模型的预测精度,结果表明:基于L1范数的组合预测模型效果优于3个单一模型,有效地提高了预测精度,能够充分利用单一预测模型提供的信息,从而更加准确地预测出国留学人数;未来几年我国出国留学规模仍有较大的发展空间,预测结果可为全球疫情下我国留学相关工作提供参考。

摘要： 自适应相减是预测减去法压制多次波的重要环节。基于匹配滤波器的多次波自适应相减方法通常采用逐个数据窗口进行匹配来估计滤波器。逐个大数据窗口求解长滤波器进行多次波自适应相减会导致较低的计算效率,另一方面在复杂地质构造中,逐个小窗口匹配估计的短滤波器不足以表征预测多次波与真实多次波之间的复杂差异。为进一步有效均衡一次波保护和多次波压制并且提高计算效率,引入多个窗口联合优化来求解滤波器,同时利用多个小窗口的预测多次波信息来匹配原始数据。引入快速迭代收缩阈值算法(FISTA)求解多个小窗口估计一次波的L_(1)范数最小化约束问题,从而有效分离一次波与多次波。模型数据和实际数据处理结果表明,与传统的逐个大数据窗口进行多次波自适应相减的方法相比,基于多窗口联合优化的多次波自适应相减方法在保持计算精度的同时提高了计算效率;与传统的逐个小数据窗口进行多次波自适应相减的方法相比,基于多窗口联合优化的多次波自适应相减方法可以更有效地平衡多次波去除和一次波保护。

摘要： 多目标检测是计算机视觉中一个重要的研究方向,如何才能准确地检测目标在军事、生活、工业等方面都有着极为重要的研究意义。针对传统光流法在目标检测中对噪声鲁棒性较差的问题,为了提高算法对噪声的鲁棒性,本文将CLG光流法与多尺度的思想相结合。多尺度的主要思想是建立一个图像金字塔,由粗到精地计算光流向量,并在此基础上将L2范数的平方改为L1范数。实验结果表明,改进后的多尺度CLG光流算法相对于原始CLG光流算法有更好的整体效果,说明多尺度CLG光流算法对噪声具有更好的鲁棒性,可以较好地对图像进行光流估计。

摘要： 影像遗传学的发展很大程度上促进精神类疾病的研究,其主要是分析并挖掘多模态数据以找出与疾病相关的致病机制,但是此类数据的特征之间通常呈现出群组相关或者多个特征相关的特性,传统的方法很难找出具有相关性的疾病机制,易出现过稀疏的问题。针对上述问题,本文引入可以实现组内稀疏和组间平滑的正则化项l_(1,2)范数,并将其与可以实现组间稀疏和组内平滑的l_(2,1)范数联合共同惩罚典型相关分析,通过优化数据之间的相关性实现具有相关性的群组特征和组内特征之间的两模态数据集的特征选择。仿真实验结果表明,本文方法在较准确地估计出2组数据之间的相关系数的同时可选择出具有相关性的组间特征和组内特征;在真实的精神分裂症数据集上,本文方法可找出更多的与精神分裂症相关的易感基因和风险脑区。

摘要： 块主成份分析(block principal component analysis,BPCA)是一种重要的子空间学习方法,能充分利用图像矩阵的部分关联.基于L1-范数的BPCA是近年来发展起来的鲁棒降维的有效方法.本研究提出了一种新的鲁棒稀疏BPCA方法,称之为BPCAL1-S.该方法相对于传统的基于L2-范数的PCA对噪声更加鲁棒.为了建立稀疏模型,优化过程中引入弹性网,联合使用Lasso与Ridge惩罚因子进行约束.提出了一种贪心算法逐个提取特征向量,对迭代过程的收敛性做了理论证明.将BPCAL1-S应用于图像分类与图像重构,实验结果验证了该方法的有效性.

摘要： 宽范围岩石物性约束方法具有容易实现,一定容错性的优点。但是,目前该方法是基于模拟退火算法或差分进化(DE)算法在L2范数条件下实现,能否扩展至其他范数、其他优化算法条件有待进一步验证。基于此,在L1范数条件下,分别实现了基于差分进化(DE)算法和人工蜂群(ABC)算法的大地电磁测深(MT)和重力宽范围物性约束联合反演。模型试验结果表明,岩石物性参数在一定范围内实现耦合。此外,宽范围岩石物性约束是适用于L1范数和ABC算法的,具有进一步扩展至其他范数、其他优化算法的潜质。

摘要： 目前大部分已经存在的多标记学习算法在模型训练过程中所采用的共同策略是基于相同的标记属性特征集合预测所有标记类别.但这种思路并未对每个标记所独有的标记特征进行考虑.在标记空间中,这种标记特定的属性特征对于区分其它类别标记和描述自身特性是非常有帮助的信息.针对这一问题,本文提出了基于标记特定特征和相关性的ML-KNN改进算法MLF-KNN.不同于之前的多标记算法直接在原始训练数据集上进行操作,而是首先对训练数据集进行预处理,为每一种标记类别构造其特征属性,在得到的标记属性空间上进一步构造L1-范数并进行优化从而引入标记之间的相关性,最后使用改进后的ML-KNN算法进行预测分类.实验结果表明,在公开数据集image和yeast上,本文提出的算法MLF-KNN分类性能优于ML-KNN,同时与其它另外3种多标记学习算法相比也表现出一定的优越性.

摘要： 谱聚类算法存在两个不足:a)将图的构造与谱分解割裂成两个独立的阶段,导致了结果的次优性;b)常用的基于l2范数度量谱特征向量的相似性具有噪声敏感性.为了克服上述两点不足,提出基于联合结构化图学习与l1范数谱嵌入的鲁棒聚类算法(记为CLRL1).在该算法框架下,一方面图的学习过程与聚类过程可以有效结合起来进行协同优化,另一方面l1范数的使用可以很好地约束谱特征向量的相似性以提升算法的鲁棒性.在多个常用数据集上进行的实验结果表明,改进算法聚类性能得到了明显提升.

摘要： 视频内容的分析与理解往往基于对视频中目标对象的空间、运动特征进行感知。然而,在实际拍摄的视频中,目标对象的真实运动轨迹往往受到同时存在的相机全局运动影响。这种由相机自运动带来的全局运动在当前流行的自媒体视频中十分普遍。为了消除全局运动对视频中对象的真实运动轨迹的影响,提出了一种基于L1范数最小化的全局运动参数估计算法,并在此基础上实现了视频的全局运动补偿,得到了前景对象的真实运动轨迹。实验结果表明该算法能准确有效地去除全局运动的影响并准确恢复出运动对象的真实运动轨迹。

摘要： 半自动2D转3D的关键是将用户分配的稀疏深度转换为稠密深度.现有方法没有充分考虑纹理图像和深度图之间的结构差异,以及2D转3D对用户误标注的容错性.针对上述问题,借助L1范数对异常数据的抵制,在一个统一框架下实现结构相关具有容错能力的稀疏深度稠密插值.首先,利用L1范数表示估计深度和用户分配深度在标注位置的差异,建立数据项;其次,根据特征的相似性用L1范数计算局部相邻像素点之间的深度差异,建立局部正则项;再次,对图像进行超像素分割,根据不同超像素内代表性像素点之间深度差异的L1测度,建立全局正则项;最后,用上述数据项和正则项构建能量函数.无误差和有误差情况下的实验结果表明,与边缘保持的最优化插值、随机游走、混合图割与随机游走、软分割约束的最优化插值和非局部化随机游走相比,本文估计深度图绘制的虚拟视点图像空洞和伪影损伤更小.在误操作情况下,本文比上述方法PSNR改善了0.9dB以上,且在视觉上屏蔽了用户误操作的影响.

摘要： 半自动2D转3D的关键是将用户分配的稀疏深度转换为稠密深度.现有方法没有充分考虑纹理图像和深度图之间的结构差异,以及2D转3D对用户误标注的容错性.针对上述问题,借助L1范数对异常数据的抵制,在一个统一框架下实现结构相关具有容错能力的稀疏深度稠密插值.首先,利用L1范数表示估计深度和用户分配深度在标注位置的差异,建立数据项;其次,根据特征的相似性用L1范数计算局部相邻像素点之间的深度差异,建立局部正则项;再次,对图像进行超像素分割,根据不同超像素内代表性像素点之间深度差异的L1测度,建立全局正则项;最后,用上述数据项和正则项构建能量函数.无误差和有误差情况下的实验结果表明,与边缘保持的最优化插值、随机游走、混合图割与随机游走、软分割约束的最优化插值和非局部化随机游走相比,本文估计深度图绘制的虚拟视点图像空洞和伪影损伤更小.在误操作情况下,本文比上述方法PSNR改善了0.9dB以上,且在视觉上屏蔽了用户误操作的影响.

摘要： 半自动2D转3D的关键是将用户分配的稀疏深度转换为稠密深度.现有方法没有充分考虑纹理图像和深度图之间的结构差异,以及2D转3D对用户误标注的容错性.针对上述问题,借助L1范数对异常数据的抵制,在一个统一框架下实现结构相关具有容错能力的稀疏深度稠密插值.首先,利用L1范数表示估计深度和用户分配深度在标注位置的差异,建立数据项;其次,根据特征的相似性用L1范数计算局部相邻像素点之间的深度差异,建立局部正则项;再次,对图像进行超像素分割,根据不同超像素内代表性像素点之间深度差异的L1测度,建立全局正则项;最后,用上述数据项和正则项构建能量函数.无误差和有误差情况下的实验结果表明,与边缘保持的最优化插值、随机游走、混合图割与随机游走、软分割约束的最优化插值和非局部化随机游走相比,本文估计深度图绘制的虚拟视点图像空洞和伪影损伤更小.在误操作情况下,本文比上述方法PSNR改善了0.9dB以上,且在视觉上屏蔽了用户误操作的影响.

摘要： 半自动2D转3D的关键是将用户分配的稀疏深度转换为稠密深度.现有方法没有充分考虑纹理图像和深度图之间的结构差异,以及2D转3D对用户误标注的容错性.针对上述问题,借助L1范数对异常数据的抵制,在一个统一框架下实现结构相关具有容错能力的稀疏深度稠密插值.首先,利用L1范数表示估计深度和用户分配深度在标注位置的差异,建立数据项;其次,根据特征的相似性用L1范数计算局部相邻像素点之间的深度差异,建立局部正则项;再次,对图像进行超像素分割,根据不同超像素内代表性像素点之间深度差异的L1测度,建立全局正则项;最后,用上述数据项和正则项构建能量函数.无误差和有误差情况下的实验结果表明,与边缘保持的最优化插值、随机游走、混合图割与随机游走、软分割约束的最优化插值和非局部化随机游走相比,本文估计深度图绘制的虚拟视点图像空洞和伪影损伤更小.在误操作情况下,本文比上述方法PSNR改善了0.9dB以上,且在视觉上屏蔽了用户误操作的影响.

摘要： 半自动2D转3D的关键是将用户分配的稀疏深度转换为稠密深度.现有方法没有充分考虑纹理图像和深度图之间的结构差异,以及2D转3D对用户误标注的容错性.针对上述问题,借助L1范数对异常数据的抵制,在一个统一框架下实现结构相关具有容错能力的稀疏深度稠密插值.首先,利用L1范数表示估计深度和用户分配深度在标注位置的差异,建立数据项;其次,根据特征的相似性用L1范数计算局部相邻像素点之间的深度差异,建立局部正则项;再次,对图像进行超像素分割,根据不同超像素内代表性像素点之间深度差异的L1测度,建立全局正则项;最后,用上述数据项和正则项构建能量函数.无误差和有误差情况下的实验结果表明,与边缘保持的最优化插值、随机游走、混合图割与随机游走、软分割约束的最优化插值和非局部化随机游走相比,本文估计深度图绘制的虚拟视点图像空洞和伪影损伤更小.在误操作情况下,本文比上述方法PSNR改善了0.9dB以上,且在视觉上屏蔽了用户误操作的影响.

摘要： 半自动2D转3D的关键是将用户分配的稀疏深度转换为稠密深度.现有方法没有充分考虑纹理图像和深度图之间的结构差异,以及2D转3D对用户误标注的容错性.针对上述问题,借助L1范数对异常数据的抵制,在一个统一框架下实现结构相关具有容错能力的稀疏深度稠密插值.首先,利用L1范数表示估计深度和用户分配深度在标注位置的差异,建立数据项;其次,根据特征的相似性用L1范数计算局部相邻像素点之间的深度差异,建立局部正则项;再次,对图像进行超像素分割,根据不同超像素内代表性像素点之间深度差异的L1测度,建立全局正则项;最后,用上述数据项和正则项构建能量函数.无误差和有误差情况下的实验结果表明,与边缘保持的最优化插值、随机游走、混合图割与随机游走、软分割约束的最优化插值和非局部化随机游走相比,本文估计深度图绘制的虚拟视点图像空洞和伪影损伤更小.在误操作情况下,本文比上述方法PSNR改善了0.9dB以上,且在视觉上屏蔽了用户误操作的影响.

摘要： 半自动2D转3D的关键是将用户分配的稀疏深度转换为稠密深度.现有方法没有充分考虑纹理图像和深度图之间的结构差异,以及2D转3D对用户误标注的容错性.针对上述问题,借助L1范数对异常数据的抵制,在一个统一框架下实现结构相关具有容错能力的稀疏深度稠密插值.首先,利用L1范数表示估计深度和用户分配深度在标注位置的差异,建立数据项;其次,根据特征的相似性用L1范数计算局部相邻像素点之间的深度差异,建立局部正则项;再次,对图像进行超像素分割,根据不同超像素内代表性像素点之间深度差异的L1测度,建立全局正则项;最后,用上述数据项和正则项构建能量函数.无误差和有误差情况下的实验结果表明,与边缘保持的最优化插值、随机游走、混合图割与随机游走、软分割约束的最优化插值和非局部化随机游走相比,本文估计深度图绘制的虚拟视点图像空洞和伪影损伤更小.在误操作情况下,本文比上述方法PSNR改善了0.9dB以上,且在视觉上屏蔽了用户误操作的影响.

摘要： 反演中,通常假设数据和模型参数具有高斯概率分布特征,通过求解L2-范数的目标函数得到一个光滑模型并使其响应与反演数据相拟合.但观测数据中很难避免坏点的出现,地下介质也会出现电性结构的突变,此时将不再满足高斯概率分布的假设,若依然采用传统的L2-范数反演,会降低反演结果的准确性和可靠性.针对此问题,在地磁测深中应用基于L1-范数的三维反演,并通过理论模型验证了该方法的正确性及在电性结构存在突变时反演的优势.

摘要： 反演中,通常假设数据和模型参数具有高斯概率分布特征,通过求解L2-范数的目标函数得到一个光滑模型并使其响应与反演数据相拟合.但观测数据中很难避免坏点的出现,地下介质也会出现电性结构的突变,此时将不再满足高斯概率分布的假设,若依然采用传统的L2-范数反演,会降低反演结果的准确性和可靠性.针对此问题,在地磁测深中应用基于L1-范数的三维反演,并通过理论模型验证了该方法的正确性及在电性结构存在突变时反演的优势.

摘要： 反演中,通常假设数据和模型参数具有高斯概率分布特征,通过求解L2-范数的目标函数得到一个光滑模型并使其响应与反演数据相拟合.但观测数据中很难避免坏点的出现,地下介质也会出现电性结构的突变,此时将不再满足高斯概率分布的假设,若依然采用传统的L2-范数反演,会降低反演结果的准确性和可靠性.针对此问题,在地磁测深中应用基于L1-范数的三维反演,并通过理论模型验证了该方法的正确性及在电性结构存在突变时反演的优势.

摘要： 本发明属于能谱CT重建技术领域，特别涉及一种基于张量核范数和变换Lp范数的能谱CT重建方法及装置，该方法包括选取框架集变换矩阵以及初始化图像；利用块匹配技术建立能谱CT图像通道内和通道间的关联性，构造非局部相似张量；将非局部相似张量融入重建模型，对重建模型进行更新；基于框架集张量核范数和变换Lp范数进行能谱CT重建；判断重建图像的质量是否满足要求。本发明利用框架集张量核范数探索通道间图像的相关性，并利用构造的非局部相似张量对目标函数进行改进，建立了新的重建模型，通过不断迭代及循环机制，提高收敛的效率和重建图像的质量。

摘要： 本发明提供了一种基于Lp伪范数和γ范数稀疏低秩约束的地震去噪方法，涉及油气勘探及地震资料处理领域，其包括步骤1：对地震资料进行预处理并获取时频域的地震记录步骤2：根据时频域的地震记录构建基于LP伪范数稀疏约束和γ范数低秩约束的目标函数；步骤3：采用交替方向乘子法对目标函数进行迭代计算得到时频域去噪后的地震记录步骤4：将时频域去噪后的地震记录转换到时空域。本发明能够消除地震记录中的随机噪声，并降低地震记录在去噪过程中的损失，提高了地震记录的质量。

摘要： 一种基于L1范数与组范数约束的滚动轴承信号的频域故障诊断方法属于故障诊断技术领域。本发明通过L1范数与组范数约束的目标方程，采用优化最小化的方法对振动信号进行分析。通过对频域的信号的分组稀疏迭代分析，实现了信号的组内与组间的稀疏效果，提取了主要信号的主要振动频率。因此本发明可以用来监测与诊断轴承的故障类型。

摘要： 本发明公开了一种1‑范数和2‑范数混合的时变图信号分布式修复方法，该方法针对现有时变图信号修复方法对边缘的修复效果差的问题，将时变图信号的修复问题归结为1‑范数和2‑范数混合的无约束优化问题，其中时变图信号的时间平滑性采用2‑范数刻画，空间平滑性采用具有稀疏解的1‑范数刻画，利用交替方向乘子法分布式求解优化问题；经过仿真实验，实验结果表明，本发明方法具有更优的修复性能，特别是对图信号边缘的修复效果更好。

摘要： 本发明公开了一种基于Lp范数和核范数的红外弱小目标检测方法，属于红外图像处理及目标检测领域，首先输入待处理的红外图像，采用滑动窗遍历红外图像，将红外图像转换为红外块图像；再利用Lp范数和核范数构建目标函数，利用ADMM方法构造拉格朗日函数；然后将红外块图像输入目标函数后，结合ADMM方法，求解得出背景块图像和目标块图像；最后，将目标块图像重构为目标图像，再对目标图像进行阈值分割，获取最终检测结果，本发明解决了现有红外弱小目标检测方法由于边缘、强噪声和虚警源等因素的干扰，导致检测准确率低，算法鲁棒性差的问题。

摘要： 本发明属于医学图像处理领域，涉及一种基于L1范数与TV范数的复合正则化生物发光断层成像重建方法。本发明联合L1正则化和TV正则化的复合正则化方法，融合两种正则化方法的优点，并突破单一正则化方法的局限性，进而提高了成像的质量，并通过基于回溯线搜索(Backtracking Line Search，BLS)的共轭梯度下降(Conjugate Gradient，CG)方法进行求解。实验结果表明，本方法不但可以对荧光光源进行准确重建定位，同时有极高的计算效率。

摘要： 基于TV范数和L1范数两个正则项线性组合的磁共振成像是一个非常难解的问题。为了能够解决这一类复杂问题，本发明公开了一种有效算法。首先，本发明将原始问题分裂为相应的L1正则项和TV全变差正则项的两个子问题，这两个子问题可以通过现有技术SALSA（SplitAugmentedLagrangianShrinkageAlgorithm）有效解决，然后在每次的算法迭代中，将子问题的解通过线性组合得到重构图像。大量实验表明，本发明公开的算法具有较好的重构效果。

摘要： 印刷品广泛应用于现实生活中，具有防伪保护的需求。打印-扫描处理是印刷品防伪保护的主要障碍。已提出的印刷品防伪数字水印算法都在原始图像嵌入数字水印，如果水印的嵌入强度控制不好，会严重影响数字图像的进一步使用，而且还缺乏对抵抗二次打印-扫描的能力进行研究。本发明提出一种基于范数与范数均值比较的印刷防伪水印算法。对原始图像进行离散小波变换，将小波低频逼近子带分割成互不重叠的子块，对每个子块进行奇异值分解，判断各个子块的奇异值矩阵范数与所有子块奇异值矩阵范数的均值之间的大小关系产生零水印序列。实验结果表明本发明能够抵抗一次和二次打印-扫描攻击。

摘要： 本发明是一种基于l0范数约束的稀疏贝叶斯DOA估计方法。本发明涉及水下声学探测技术领域，本发明基于水下阵列信号，构建阵列接收的空域稀疏信号模型；构建超参数概率分布模型，通过贝叶斯公式获得待恢复稀疏信号的后验概率分布；构建超参数的目标函数，并在信号功率的目标函数中引入l0范数约束，通过期望最大化算法(EM)对超参数进行迭代更新；通过收敛得到的超参数重构空域稀疏信号，进而获得DOA估计结果迭代终止后，确定空间谱。在稀疏贝叶斯学习结构中，本发明仅加快了超参数γ的收敛速度，对信号模型无特殊需求。

摘要： 本发明涉及一种多尺度广义核范数的图像去噪方法，包括：对自然图像数据集D分块，计算图像块像素分布所对应的马氏距离进行聚类，确定外部先验参数Θ；引导内部图像块分组，先将不同尺度下噪声图像Y分解为N个图像块，通过计算马氏距离，将噪声图像分为K个相似块组；构建正则项R(Z)，对分组阶段每一个相似块组进行低秩约束，滤除噪声，将去噪后不同尺度下的图像块进行图像整合，重叠部分取平均值，得到与输入的噪声图像同样大小的去噪结果X。本发明既考虑不同尺度间的噪声图像信息也关注到外部清晰图像的统计分布规律特点，对具有复杂图像边缘和纹理具有较强的鲁棒，一定程度上抑制了噪声和伪影的产生。