-
题名无监督多视图特征选择研究进展
- 1
-
-
作者
吴建生
李艳兰
黄冲
闵卫东
-
机构
南昌大学数学与计算机学院
南昌大学软件学院
南昌大学信息化办公室
南昌大学元宇宙研究院
江西省智慧城市重点实验室(南昌大学)
-
出处
《软件学报》
北大核心
2025年第2期886-914,共29页
-
基金
国家自然科学基金(62066027,62076117)
江西省自然科学基金(20212BAB212011)
江西省智慧城市重点实验室科技创新平台项目(20192BCD40002)。
-
文摘
多视图数据从不同角度描述数据对象,数据在不同视图中的特征表示之间存在着相关性、互补性及多样性信息.综合利用这些信息对多视图数据处理至关重要.然而,多视图数据通常具有高维度特点,且常含有噪声特征,这为多视图数据的处理与分析带来了许多困难.无监督多视图特征选择无需样本标记信息,从多个视图源的原始高维特征中学习更紧凑、更准确的特征表示以提高数据分析的效果,在多视图数据处理领域起着重要作用.根据已有的无监督多视图特征选择模型的工作机制的异同,对这些模型进行归纳和总结,分析其中存在的不足,并指出未来研究的方向.
-
关键词
多视图数据
无监督特征选择
聚类
结构保持
流数据
-
Keywords
multi-view data
unsupervised feature selection
clustering
structure preservation
stream data
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名一种复杂场景下高精度交通标志检测模型
被引量：3
- 2
-
-
作者
李嘉豪
闵卫东
陈炯缙
朱梦
展国伟
-
机构
南昌大学数学与计算机学院
南昌大学元宇宙研究院
江西省智慧城市重点实验室
-
出处
《计算机工程》
CAS
CSCD
北大核心
2023年第11期311-320,共10页
-
基金
国家自然科学基金(62076117)
江西省智慧城市重点实验室项目(20192BCD40002)。
-
文摘
交通标志检测在智能交通领域的安全保障上具有重要作用。对于部分外观相似的交通标志在尺度变化下,现有模型难以提取它们之间的细微差异,导致标志被错误分类。此外,在复杂场景下,其他相似物体容易被误检为交通标志。为此,提出一种逐层特征细化检测模型。根据交通标志特点提出分层聚类锚框和分组损失,分层聚类锚框根据目标尺度对数据集分层并通过K-means聚类算法获取各层锚框,更好地适应交通标志灵活的尺度变化,分组损失对外观相似的类别分组并设计损失函数,指导模型学习相似交通标志间的细微差距,从而降低错误分类。在Neck层加入弱语义分割模块和特征细化模块,通过弱语义分割模块学习浅层特征上下文信息,从而分割出可信区域和非可信区域,利用特征细化模块挖掘非可信区域的上下文信息,主动学习并消除造成误检的干扰,从而降低对其他相似物体的误检。弱语义分割模块和特征细化模块结合通道注意力构建逐层细化特征金字塔,实现对多尺度特征的整体优化并提高模型精确率。实验结果表明,该方法在TT100K和GTSDB交通标志数据集上的AP_(50)指标分别达到97.0%和98.6%。
-
关键词
交通标志检测
复杂场景
分层聚类锚框
分组损失
弱语义分割模块
特征细化模块
-
Keywords
traffic sign detection
complex scenes
hierarchical clustering anchor
group loss
Weak Semantic Segmentation(WSS)module
Feature Refinement Module(FRM)
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于多维匹配距离融合的指节纹识别
被引量：1
- 3
-
-
作者
黄杰
魏欣
杨子元
闵卫东
-
机构
南昌大学信息工程学院
南昌大学软件学院
江西省智慧城市重点实验室
-
出处
《图学学报》
CSCD
北大核心
2022年第2期279-287,共9页
-
基金
国家自然科学基金项目(62076117,61762061)
江西省自然科学基金重大项目(20161ACB20004)
江西省智慧城市重点实验室项目(20192BCD40002)。
-
文摘
指节纹识别(FKP)作为一种新型的生物特征识别方式,以其安全性和稳定性而备受关注。基于编码的方法被认为是该领域最有成效法之一,在模板匹配阶段通常根据所提取的特征信息计算出2张图片之间的匹配距离来判断样本。然而,一些模糊样本无法通过单一的匹配距离进行有效区分,从而导致较高的错误接受率和错误拒绝率。针对这一问题,提出了一种轻量化且有效的多维匹配距离融合方法。主要思想是基于多种编码方法中不同匹配距离之间的差异性和互补性,利用支持向量机(SVM)对多种匹配距离所构造出的多维特征向量进行分类。其具有极强的通用性,易嵌入到现有的基于编码的方法中。在公开的指节纹数据库PloyU-FKP上进行了从二维到四维匹配距离的大量实验。结果表明,该方法能够普遍提高认证的性能,EER最多可降低22.19%。
-
关键词
指节纹识别
多维匹配距离
差异互补
支持向量机
通用性
-
Keywords
finger-knuckle-print recognition
multi-dimensional matching distances
difference complementarity
support vector machine
general method
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于多级特征融合和时域扩展的行为识别方法
- 4
-
-
作者
吴浩原
熊辛
闵卫东
赵浩宇
汪文翔
-
机构
南昌大学信息工程学院
南昌大学第一附属医院信息处
江西省智慧城市重点实验室
南昌大学软件学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2023年第7期134-142,共9页
-
基金
国家自然科学基金(62076117,61762061)
江西省智慧城市重点实验室项目(20192BCD40002)。
-
文摘
近年来,基于图卷积网络的行为识别是计算机视觉领域的研究热点。然而,现有的图卷积行为识别方法忽略了肢体层面的动作特征,使得行为空间特征提取不准确。此外,这些方法缺乏在间隔帧间进行时序动态建模的能力,导致行为时域特征表达不充分。针对上述问题提出一种基于多级特征融合和时域扩展的图卷积网络行为识别方法。该方法通过多级融合模块提取与融合低层次的关节特征和高层次的肢体特征,从而得到判别性更强的多层级空间特征。同时通过时域扩展模块从相邻帧、间隔帧中学习丰富的多尺度时域特征,增强行为特征的时序表达。在三个大型数据集(NTU RGB+D 60、NTU RGB+D 120和Kinetics-Skeleton)上的实验结果表明,所提方法的识别准确度高于现有行为识别方法。
-
关键词
图卷积网络
行为识别
多级特征融合
时域扩展
-
Keywords
graph convolutional network(GCN)
action recognition
multi-level feature fusion
temporal extension
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于HardSoftmax的并行选择核注意力
- 5
-
-
作者
朱梦
闵卫东
张煜
段静雯
-
机构
南昌大学信息工程学院
南昌大学软件学院
江西省智慧城市重点实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2021年第21期95-101,共7页
-
基金
国家自然科学基金(62076117,61762061)
江西省自然科学基金(20161ACB20004)
江西省智慧城市重点实验室(20192BCD40002)。
-
文摘
注意力被广泛地运用在卷积神经网络中,并有效地提升了卷积神经网络的性能。同时,注意力是非常轻量的,且几乎不需要改变卷积神经网络原来的架构。提出了基于HardSoftmax的并行选择核注意力。针对Softmax包含指数运算,对于较大的正输入很容易发生计算溢出的问题,提出了计算更安全的HardSoftmax来替换Softmax。不同于选择核注意力将全局特征的提取和转换放在特征融合之后,并行选择核注意力将全局特征的提取和转换单独放在一个分支,与具有不同核大小的多个分支构成并行结构。同时,并行选择核注意力的全局特征转换使用分组卷积,进一步减少参数量和计算量。并行选择核注意力通过HardSoftmax注意来关注不同核大小的多个分支。一系列的图像分类实验表明,只是简单地用HardSoftmax替换Softmax,也能保持或提升原注意力的性能。HardSoftmax的运行速度在实验中也比Softmax更快速。并行选择核注意力能够以更少的参数量和计算量追平或超越选择核注意力。
-
关键词
卷积神经网络
HardSoftmax
并行选择核注意力
-
Keywords
Convolutional Neural Networks(CNNs)
HardSoftmax
Parallel Selective Kernel(PSK)attention
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
