文章以幂函数变换为研究对象,从背景值误差和还原误差的角度分析了幂函数变换对GM(1,1)模型建模精度的影响,论证了幂函数变换的GM(1,1)模型(PFNGM(1,1)模型)具有逼近无偏性,能在可忽略的误差范围内实现对白指数序列的预测无偏性。实例...文章以幂函数变换为研究对象,从背景值误差和还原误差的角度分析了幂函数变换对GM(1,1)模型建模精度的影响,论证了幂函数变换的GM(1,1)模型(PFNGM(1,1)模型)具有逼近无偏性,能在可忽略的误差范围内实现对白指数序列的预测无偏性。实例应用结果表明,其建模精度和预测效果均优于无偏GM(1,1)模型和离散GM(1,1)模型。为将适宜建模序列拓展至近似非齐次指数序列和季节波动序列,同时保留幂函数变换可以有效降低背景值误差对建模精度影响的优势,将幂函数变换与平移变换相结合构建了PFNGM(1,1)模型,将幂函数变换与季节性GM(1,1)模型(SGM(1,1)模型)相结合构建了PFSGM(1,1)模型。实例应用结果表明,PFNGM(1,1)模型的建模精度和预测效果均优于背景值改进的NGM(1,1, k )模型和ONGM(1,1, k,c )模型,PFSGM(1,1)模型的建模精度和预测效果均优于SGM(1,1)模型,验证了两种模型的有效性。展开更多
面部动作单元(Action Unit,AU)识别是计算机视觉与情感计算领域的热点课题.AU识别属于多标签二分类任务,目前面临着标签不均衡等挑战.现有的主流算法利用AU之间的关联,通过调整采样率和AU的权重来进行标签重均衡化.然而,这些方法仅仅使...面部动作单元(Action Unit,AU)识别是计算机视觉与情感计算领域的热点课题.AU识别属于多标签二分类任务,目前面临着标签不均衡等挑战.现有的主流算法利用AU之间的关联,通过调整采样率和AU的权重来进行标签重均衡化.然而,这些方法仅仅使模型预测时从偏向出现频率高的标签转为偏向出现频率低的标签,并未解决偏置问题.根据出现频率的高低可将AU划分为头类和尾类,公平对待每一类是实现AU无偏识别的关键.本文引入因果推理理论,提出基于因果干预的无偏化方法(Causal Intervention for Unbiased facial action unit recognition,CIU),以解决多AU间不均衡的问题.通过调整不平衡域和平衡但不可见域上的经验风险实现模型的无偏性.大量实验结果表明,本方法在基准数据集BP4D、DISFA上超越已有的方法,其中在DISFA上超越当前最先进方法1.1%,且可以学习到无偏的特征表示.展开更多
文摘文章以幂函数变换为研究对象,从背景值误差和还原误差的角度分析了幂函数变换对GM(1,1)模型建模精度的影响,论证了幂函数变换的GM(1,1)模型(PFNGM(1,1)模型)具有逼近无偏性,能在可忽略的误差范围内实现对白指数序列的预测无偏性。实例应用结果表明,其建模精度和预测效果均优于无偏GM(1,1)模型和离散GM(1,1)模型。为将适宜建模序列拓展至近似非齐次指数序列和季节波动序列,同时保留幂函数变换可以有效降低背景值误差对建模精度影响的优势,将幂函数变换与平移变换相结合构建了PFNGM(1,1)模型,将幂函数变换与季节性GM(1,1)模型(SGM(1,1)模型)相结合构建了PFSGM(1,1)模型。实例应用结果表明,PFNGM(1,1)模型的建模精度和预测效果均优于背景值改进的NGM(1,1, k )模型和ONGM(1,1, k,c )模型,PFSGM(1,1)模型的建模精度和预测效果均优于SGM(1,1)模型,验证了两种模型的有效性。
文摘面部动作单元(Action Unit,AU)识别是计算机视觉与情感计算领域的热点课题.AU识别属于多标签二分类任务,目前面临着标签不均衡等挑战.现有的主流算法利用AU之间的关联,通过调整采样率和AU的权重来进行标签重均衡化.然而,这些方法仅仅使模型预测时从偏向出现频率高的标签转为偏向出现频率低的标签,并未解决偏置问题.根据出现频率的高低可将AU划分为头类和尾类,公平对待每一类是实现AU无偏识别的关键.本文引入因果推理理论,提出基于因果干预的无偏化方法(Causal Intervention for Unbiased facial action unit recognition,CIU),以解决多AU间不均衡的问题.通过调整不平衡域和平衡但不可见域上的经验风险实现模型的无偏性.大量实验结果表明,本方法在基准数据集BP4D、DISFA上超越已有的方法,其中在DISFA上超越当前最先进方法1.1%,且可以学习到无偏的特征表示.
