近年来,机器学习在计算机视觉中取得了许多突破性的研究进展.然而,已训练好的学习模型难以直接应用于相似但具有不同数据分布特征的其它学习任务中.域自适应技术通过抽取源域与目标域数据之间的公共特征,来实现把源域中学习到的知识迁...近年来,机器学习在计算机视觉中取得了许多突破性的研究进展.然而,已训练好的学习模型难以直接应用于相似但具有不同数据分布特征的其它学习任务中.域自适应技术通过抽取源域与目标域数据之间的公共特征,来实现把源域中学习到的知识迁移至目标域,从而避免针对目标域的训练数据收集和模型训练代价.但是,现有的视觉域自适应方法大都无法处理高阶的特征数据,一般都是通过简单的向量化操作将高阶张量特征转换成高维一阶向量特征.这不仅会破坏高阶特征数据内部的结构信息,而且还会增加算法的计算复杂度.为了解决上述问题,本文在保持原有张量特征结构不变的条件下,利用张量乘操作,将视觉域自适应问题抽象为求解源域和目标域的共同张量子空间以及源域和目标域特征在该共同张量子空间上投影的多变量优化问题.然后,利用张量奇异值分解和交替方向乘子法,提出一种基于张量奇异值分解的视觉域自适应方法(Visual domain Adaptation method based on TEnsor Singular value decomposition,VATES),以实现上述多变量优化问题的迭代求解.文中证明了正交张量子空间约束条件下源域与目标域表征误差最小化问题的可解性问题,并求得了相应的解析解.在公开数据集Office-Caltech-10、Office31、ImageNet-VOC2007上与17个基线模型进行对比实验.结果表明本文所提出的方法与经典的机器学习方法、非深度域自适应方法、深度域自适应方法以及张量域自适应方法相比,在无标签目标域上的图像分类精度分别提高了10.6%~43.9%、0.7%~31.1%、0.7%~24.8%以及5.7%~34.9.同时,算法的运行效率也提高了40.5%~74.3%,显著优于所对比的基线方法.实验分析也表明,VATES方法的目标域分类精度会随着所选用神经网络特征抽取能力的增强而逐渐提升.展开更多
该文采用近红外光谱技术与化学计量学方法结合实现贝类毒素无损鉴别。该研究以新鲜翡翠贻贝为研究对象,使用近红外光谱仪采集健康贻贝和感染腹泻性毒素贻贝的反射光谱数据,利用Savitzky-Golay卷积平滑求导结合标准正态变量变换光谱预处...该文采用近红外光谱技术与化学计量学方法结合实现贝类毒素无损鉴别。该研究以新鲜翡翠贻贝为研究对象,使用近红外光谱仪采集健康贻贝和感染腹泻性毒素贻贝的反射光谱数据,利用Savitzky-Golay卷积平滑求导结合标准正态变量变换光谱预处理方式消除光谱中的干扰因素,采用间隔影响分析(margin influence analysis,MIA)结合连续投影算法(successive projections algorithm,SPA)对数据进行降维处理,应用偏最小二乘线性判别分析(partial least squares linear discriminant analysis,PLS-LDA)方法构建贝类毒素鉴别模型,并与支持向量机和随机森林分析模型进行比较。结果表明,采用MIA-SPA-PLS-LDA方法,可实现贝类毒素的100%鉴别。为此,利用MIA-SPA-PLS-LDA方法可建立准确的贝类毒素鉴别模型,为贝类毒素的快速鉴别提供了新途径,也为后续各种贝类水产品的毒素鉴别分析提供了参考。展开更多
文摘近年来,机器学习在计算机视觉中取得了许多突破性的研究进展.然而,已训练好的学习模型难以直接应用于相似但具有不同数据分布特征的其它学习任务中.域自适应技术通过抽取源域与目标域数据之间的公共特征,来实现把源域中学习到的知识迁移至目标域,从而避免针对目标域的训练数据收集和模型训练代价.但是,现有的视觉域自适应方法大都无法处理高阶的特征数据,一般都是通过简单的向量化操作将高阶张量特征转换成高维一阶向量特征.这不仅会破坏高阶特征数据内部的结构信息,而且还会增加算法的计算复杂度.为了解决上述问题,本文在保持原有张量特征结构不变的条件下,利用张量乘操作,将视觉域自适应问题抽象为求解源域和目标域的共同张量子空间以及源域和目标域特征在该共同张量子空间上投影的多变量优化问题.然后,利用张量奇异值分解和交替方向乘子法,提出一种基于张量奇异值分解的视觉域自适应方法(Visual domain Adaptation method based on TEnsor Singular value decomposition,VATES),以实现上述多变量优化问题的迭代求解.文中证明了正交张量子空间约束条件下源域与目标域表征误差最小化问题的可解性问题,并求得了相应的解析解.在公开数据集Office-Caltech-10、Office31、ImageNet-VOC2007上与17个基线模型进行对比实验.结果表明本文所提出的方法与经典的机器学习方法、非深度域自适应方法、深度域自适应方法以及张量域自适应方法相比,在无标签目标域上的图像分类精度分别提高了10.6%~43.9%、0.7%~31.1%、0.7%~24.8%以及5.7%~34.9.同时,算法的运行效率也提高了40.5%~74.3%,显著优于所对比的基线方法.实验分析也表明,VATES方法的目标域分类精度会随着所选用神经网络特征抽取能力的增强而逐渐提升.
文摘该文采用近红外光谱技术与化学计量学方法结合实现贝类毒素无损鉴别。该研究以新鲜翡翠贻贝为研究对象,使用近红外光谱仪采集健康贻贝和感染腹泻性毒素贻贝的反射光谱数据,利用Savitzky-Golay卷积平滑求导结合标准正态变量变换光谱预处理方式消除光谱中的干扰因素,采用间隔影响分析(margin influence analysis,MIA)结合连续投影算法(successive projections algorithm,SPA)对数据进行降维处理,应用偏最小二乘线性判别分析(partial least squares linear discriminant analysis,PLS-LDA)方法构建贝类毒素鉴别模型,并与支持向量机和随机森林分析模型进行比较。结果表明,采用MIA-SPA-PLS-LDA方法,可实现贝类毒素的100%鉴别。为此,利用MIA-SPA-PLS-LDA方法可建立准确的贝类毒素鉴别模型,为贝类毒素的快速鉴别提供了新途径,也为后续各种贝类水产品的毒素鉴别分析提供了参考。
文摘[目的]通过近红外光谱技术解决贻贝重金属铅污染问题。[方法]应用近红外反射光谱结合模式识别的方法进行重金属铅污染检测。首先获得了在950~1 700 nm范围内的健康贻贝和重金属铅污染贻贝光谱数据,应用基于随机变量组合的变量重要性分析(variable importance analysis based on random variable combination,VIAVC)波段选择算法对光谱数据降维,筛选最佳波段子集。针对检测健康贻贝和重金属铅污染贻贝是一个不平衡的分类问题,研究探索一种基于万有引力的固定半径最近邻(gravitational fixed radius nearest neighbor,GFRNN)方法用于贝类重金属铅污染识别。[结果]相较于传统的K最近邻法、固定半径近邻法和支持向量机算法,研究提出的VIAVC-GFRNN方法在检测重金属铅污染方面表现出更优异的性能,并且不受样本不平衡率的影响。VIAVC-GFRNN模型的接收者操作特征曲线下面积值达到了0.988 6,检测精度和几何均值均达99.17%。[结论]近红外光谱结合模式识别方法在检测贻贝中铅污染方面具有很大的潜力。
