为了解决传统视觉词典模型(bag of visual words model,Bo VWM)中存在的时间效率低、词典区分性不强的问题,以及由于空间信息的缺失及量化误差等导致的目标检索性能较低的问题。提出一种新的目标检索方法,首先引入精确欧氏位置敏感哈希(...为了解决传统视觉词典模型(bag of visual words model,Bo VWM)中存在的时间效率低、词典区分性不强的问题,以及由于空间信息的缺失及量化误差等导致的目标检索性能较低的问题。提出一种新的目标检索方法,首先引入精确欧氏位置敏感哈希(exact euclidean locality sensitive hashing,E2LSH)过滤训练图像集中的噪声和相似关键点,提高词典生成效率和质量;然后,引入卡方模型(Chi-square model)移除词典中的视觉停用词增强视觉词典的区分性;最后,采用空间一致性度量准则进行目标检索并对初始结果进行K-近邻(K-nearest neighbors,K-NN)重排序。将提出的方法在数据库Oxford5K和Flickr1上进行目标检索,结果表明,新方法在一定程度上改善了视觉词典的质量,增强了视觉语义分辨能力,有效地提高目标检索性能。展开更多
采用资产组合损失变量描述风险,并基于损失分布的α-(上)分位数给出"期望巨额损失值"ES(expected shortfall)和"条件风险价值"CVaR(conditional value at risk)的定义。在一般损失分布下,通过直接计算说明了任一资...采用资产组合损失变量描述风险,并基于损失分布的α-(上)分位数给出"期望巨额损失值"ES(expected shortfall)和"条件风险价值"CVaR(conditional value at risk)的定义。在一般损失分布下,通过直接计算说明了任一资产组合损失变量的"期望巨额损失值"ES的定义与α-(上)分位数的选取无关;而且也通过直接计算证明了ES与CVaR两者的等价关系;进而通过构造出ES的概率测度族表示证明了ES是一致性风险度量方法。此外,还就相关问题,例如分位数、一致性风险度量、尾部条件期望TCE等,给出了一些有价值的注记。展开更多
文摘采用资产组合损失变量描述风险,并基于损失分布的α-(上)分位数给出"期望巨额损失值"ES(expected shortfall)和"条件风险价值"CVaR(conditional value at risk)的定义。在一般损失分布下,通过直接计算说明了任一资产组合损失变量的"期望巨额损失值"ES的定义与α-(上)分位数的选取无关;而且也通过直接计算证明了ES与CVaR两者的等价关系;进而通过构造出ES的概率测度族表示证明了ES是一致性风险度量方法。此外,还就相关问题,例如分位数、一致性风险度量、尾部条件期望TCE等,给出了一些有价值的注记。
