特征学习

摘要： 随着深度神经网络的兴起,多模态学习受到广泛关注。跨模态检索是多模态学习的重要分支,其目的在于挖掘不同模态样本之间的关系,即通过一种模态样本来检索具有近似语义的另一种模态样本。近年来,跨模态检索逐渐成为国内外学术界研究的前沿和热点,是信息检索领域未来发展的重要方向。首先,聚焦于深度学习跨模态图文检索研究的最新进展,对基于实值表示学习和基于二进制表示学习方法的发展动态进行了详细介绍,其中,基于实值表示的方法用于提升跨模态语义相关性,进而提高跨模态检索准确度,基于二进制表示学习的方法用于提升跨模态图文检索效率,减小存储空间;其次,总结了跨模态检索领域常用的公开数据集,对比了不同算法在不同数据集上的性能表现;此外,总结并分析了跨模态图文检索技术在公安、传媒及医学等领域的具体应用情况;最后,结合现有技术探讨了该领域的发展趋势及未来研究方向。

摘要： 受外界环境噪声以及振噪耦合的影响,滚动轴承早期故障信号特征微弱,对其实现智能故障诊断具有挑战性。为了解决上述问题,提出一种基于改进最大相关峭度解卷积(improved maximum correlation kurtosis deconvolution,IMCKD)和多通道卷积神经网络(multi-channel convolution neural network,MCCNN)的智能故障诊断方法。首先利用萤火虫算法并行搜寻最大相关峭度解卷积的两个影响参数,对原始振动信号进行自适应滤波,得到诊断用的数据源;然后将其输入到MCCNN中进行特征学习,不断更新网络参数;最后将特征应用于分类器识别,从而实现滚动轴承的智能故障诊断。为了验证方法的可行性和有效性,利用滚动轴承故障模拟试验台采集的数据对该算法进行了验证。试验结果表明,该方法能准确、有效地对滚动轴承的故障类型进行分类,即使在强背景噪声下仍具有90%以上的故障识别率,并具有较好的稳定性和泛化能力。

摘要： 行人重识别是指利用计算机视觉技术在给定监控的图像中识别目标行人,受拍摄场景视角和姿势变化、遮挡等因素的影响,现有基于局部特征的行人重识别方法所提取的特征辨别力差,从而导致重识别精度较低。为有效地利用特征信息,提出一种多尺度多粒度融合的行人重识别方法 MMF-Net。通过多个分支结构学习不同尺度和不同粒度的特征,并利用局部特征学习优化全局特征,以加强全局特征和局部特征的关联性。同时,在网络的低层引入语义监督模块以提取低层特征,并将其作为行人图像相似性度量的补充,实现低层特征和高层特征的优势互补。基于改进的池化层,通过结合最大池化和平均池化的特点获取具有强辨别力的特征。实验结果表明,MMFNet方法在Market-1501数据集上的首位命中率和mAP分别为95.7%和89.1%,相比FPR、MGN、BDB等方法,其具有较优的鲁棒性。

摘要： 针对现有网络表示学习方法泛化能力较弱等问题,提出了将stacking集成思想应用于网络表示学习的方法,旨在提升网络表示性能。首先,将3个经典的浅层网络表示学习方法DeepWalk、Node2Vec、Line作为并列的初级学习器,训练得到三部分的节点嵌入拼接后作为新数据集;然后,选择图卷积网络(graph convolutional network,GCN)作为次级学习器对新数据集和网络结构进行stacking集成得到最终的节点嵌入,GCN处理半监督分类问题有很好的效果,因为网络表示学习具有无监督性,所以利用网络的一阶邻近性设计损失函数;最后,设计评价指标分别评价初级学习器和集成后的节点嵌入。实验表明,选用GCN集成的效果良好,各评价指标平均提升了1.47~2.97倍。

摘要： 特征学习是机器学习中的一项重要技术,研究从原始数据中学习后置任务所需的数据表示.目前,多数特征学习算法侧重于学习原始数据中的拓扑结构,忽略了数据中的判别信息.基于此,提出了基于随机近邻嵌入的判别性特征学习模型.该模型将对判别信息的学习与对拓扑结构的学习融合在一起,通过迭代求解的方式,同时完成对这两者的学习,从而得到原始数据具有判别性的特征表示,可以显著提升机器学习算法的性能.多个公开数据集上的实验结果验证了该模型的有效性.

摘要： 森林火灾的自动识别对于森林保护有着重要意义,由于森林图像背景复杂、火焰外形多变、与林火类似的干扰因素多、森林火灾图像样本缺乏等问题,导致传统基于图像的森林火灾识别方法泛化性较差,识别率有待进一步提高。针对上述问题,提出了一种基于图像生成和卷积特征融合的复杂背景森林火灾识别方法。首先,扩充森林火灾图像样本,主要方法包括运用基于风格迁移技术的生成对抗网络生成火灾图像,手工收集复杂背景的森林火灾图像,及收集高度相似的非火灾反例图像,形成较复杂的火灾数据集;然后,构建卷积特征融合的森林火灾识别网络,利用深度神经网络对图像进行特征学习,将深层与浅层的卷积特征进行融合,以充分利用图像的语义和细节信息,增强特征的表征能力;最后基于融合特征进行森林火灾识别。实验结果表明,使用上述方法进行森林火灾识别,准确率可达到99.12%,具有准确率高、检测率高、虚警率低等优点。可见,基于生成图像扩充样本库,并融合多层卷积特征的方法,在森林火灾识别时具有较好的效果,为森林火灾识别及其它样本缺乏的目标识别任务提供了一种可行方案。

摘要： 建筑外墙饰面层脱粘剥落广泛存在,对居民生命财产安全带来巨大威胁。本文以旋翼无人飞机为工作平台,搭载红外热成像相机对建筑外墙饰面层脱粘缺陷进行成像检测,获得脱粘缺陷热成像温度场分布规律;通过饰面层脱粘缺陷温度场、形状特征分析,提出基于热源聚类的脱粘缺陷红外图像分割方法,构建饰面层脱粘缺陷形状特征向量集,建立基于支持向量机的无人飞机热成像饰面层脱粘缺陷识别特征学习模型、脱粘缺陷实际面积计算方法;以曾出现数次饰面层剥落的教学楼为研究对象,对实际建筑进行无人机机载红外视频成像检测,识别脱粘缺陷面积,并与人工检测进行比较,表明基于先验特征规律提出的脱粘缺陷识别小样本机器学习算法具有优越性,机载热成像识别饰面层脱粘缺陷满足工程精度要求,能有效减少事故发生,具有可行性和广泛应用前景。

摘要： 针对情报处理领域的目标特征分析问题,提出了一种基于数据驱动的目标行为特征学习与发现方法。首先,根据已有知识进行目标要素补充;然后,对已掌握的目标行为意图数据进行标注,构建目标行为特征训练模型;接着,基于随机森林算法进行目标特征学习,为目标识别提供知识支撑;最后,通过对识别结果进行变化异常分析,辅助发现新的目标行为特征。数值仿真试验表明,该方法对海空目标识别准确率约为80%,可有效发现目标新的行为特征。

摘要： 针对声学场景分类任务中复杂声学环境的特征表示问题,提出一种联合训练特征提取和分类模型的优化算法。将非负矩阵分解与卷积神经网络的训练相结合,利用网络的损失值实现对特征提取和网络参数的共同更新,以学习到更具判别性的有监督特征。在TUT2017数据集上提取对数声谱图作为基础特征,搭建深度卷积神经网络进行实验验证。仿真结果表明,所提算法的识别准确率相比优化前提升3.9%,且优于其他两种常用声学特征,证明该算法能够有效提升整体分类效果。

摘要： 行人再识别研究中存在特征判别信息不够丰富的情况,并且遮挡、光照等因素会干扰有效特征的准确提取,对后续相似性度量、度量结果排序等工作都有较大影响。此外,监督学习需要使用标签信息,在面对大型数据集时工作量很大。通过引入无监督学习框架,提出一种粗细粒度判别性特征提取方法。构建基于细粒度和粗粒度特征学习的模型框架,其中包含局部和全局2个分支。在局部分支中,对图像学习到的特征映射提取补丁块,并在未标记数据集上学习不同位置的细粒度补丁特征;在全局分支中,使用无标注数据集的相似度和多样性作为信息来学习粗粒度特征。在此基础上,利用相吸和相斥2个损失函数分别增加类别内相似度和类别间多样性,并结合最小距离准则计算特征之间的相似度,进行无监督的聚类合并。在Market-1501和DukeMTMC-reID数据集上的实验结果表明,该方法对于完成行人再识别任务具有较好的判别性能和鲁棒性,相比所有对比方法的最优结果,其Rank-1指标分别提高5.76%和5.07%,平均精度均值分别提高3.2%和5.6%。

摘要： 齿轮箱是风电机组的易损部件之一,及时准确诊断出齿轮箱故障是保障风电机组健康平稳运行的关键.与振动信号相比,电流信号易获取,可实现非侵入监测,己成为一种新的有效监测方式.然而,电流信号信噪比低,所包含的故障信息极易被基频和谐波分量调制所淹没.为此,本文提出基于稀疏滤波的电流信号故障特征学习方法.该方法利用稀疏滤波(Sparse Filtering,SF)的无监督学习方式训练网络,实现故障特征的自动学习和提取;然后将学习到的特征向量输入支持向量机(SVM),实现故障的自动识别与诊断.通过风电传动实验台开展齿轮箱故障模拟实验来验证所提出的方法.实验结果表明,该方法能够自动提取反映齿轮箱故障的有用特征,相比于传统手动特征提取方法,具有更高的诊断精度和效率.

摘要： 手工设计的特征(如Gabor、LBP等)在表情识别中得到了广泛的应用.独立子空间分析是一种无监督特征学习方法,可从图像中学习出具有相位不变的特征.在表情识别应用中,由于复杂背景的影响以及人脸对齐方法的局限性,很难得到精确对齐的人脸图像序列.研究了在非精确对齐情况下,基于独立子空间分析的表情识别问题.通过分析不同子空间尺寸下的表情识别效果发现,在非精确对齐情况下,选择合适的子空间尺寸能提升学到的特征对表情识别的鲁棒性.

摘要： 行人重识别技术广泛应用于辅助驾驶、公共安全、智能医疗、工业检测等多个领域.行人重识别是指在跨区域的摄像头即不同摄像头视角下中匹配同一个目标人物的过程.首先简单介绍使用传统方法的局限性,其次列举一些使用深度学习方法解决行人重识别的数据集,再次详细的总结一下几种典型的解决行人重识别的深度学习方法,如基于表观特征、基于度量学习的方法,对于跨域、泛化能力方面,对于基于特征学习解决遮挡、姿势变换等问题方面,最后展望行人重识别的发展趋势和发展方向.

摘要： 动作识别一直是机器视觉、视频监控领域重要的研究课题.局部时空联合特征同时包含时间空间三维运动信息被广泛应用于动作识别研究.传统的基于时空联合描述子的方法面临检测特征个数稀少,描述能力不足等困难.本文从动作样本中无监督学习获得底层时空联合运动特征,应用稀疏表示的编码方式将局部块映射到高维特征空间,同时使用时空金子塔作为动作描述,最终训练线性分类器获取分类界面.该方法保留了联合时空描述特征具有的三维运动信息的特性,同时描述能力更强.在公开数据集上实验并取得了优于经典算法的识别结果.

摘要： 本发明公开了一种状态特征和后继特征的联合策略学习方法，包括：通过学习从输入状态到即时奖励的映射，获得表征输入状态的状态特征；通过学习从状态特征到价值评估函数的映射，获得后继特征；获得的状态特征与后继特征处于不同的时间分辨率上，将状态特征与后继特征融合后，再采用多种多样方式的策略学习网络对融合结果进行学习。与传统的Agent网络相比，本发明更高效的利用了样本信息，与其他算法相比，学习速度明显加快，网络也能更快的收敛且获得较好的学习效果。

摘要： 本发明公开了一种融合学习特征和学习网络结构特性的学习者关系强度度量方法和装置，包括：(1)采集并提取学习者数据和课程数据的特征，得到特征集合C＝{LA,CA,LI}；(2)根据特征集合C构建学习网络LLN＝{V,E,P}；(3)根据集合LA，计算两个学习者之间的个人特征相似度las(u,v)；(4)根据集合CA，计算学习者之间的所学课程方面相似度cas(u,v)；(5)根据las(u,v)和cas(u,v)计算学习者之间的静态特征相似度sim[u,v]；(6)根据学习网络LLN，计算学习者之间的共同邻居节点数和共同邻居节点边权关系cnl[u,v]；(7)根据cnp[u,v]和cnl[u,v]计算学习者之间的动态特征相似度js[u,v]；(8)根据sim[u,v]和js[u,v]计算学习者之间的综合相似度值，以该综合相似度值作为学习者之间关系强度的度量值。

摘要： 本公开提供一种特征自学习方法、特征自学习系统及发动机故障诊断方法，特征自学习方法包括，在用特征库特征迁移、在用特征库特征更新和备选特征库特征更新，一种发动机故障诊断方法包括特征生成、待诊断数据故障诊断和特征自学习。通过获取测量信号特征的统计分布减小甚至消除测量信号波动对发动机故障诊断的影响，进而通过单通道信号统计特征的匹配完成初步诊断，最后融合不同通道信号的统计特征诊断结果实现发动机故障的准确诊断，能够在特征提取过程中减小甚至消解发动机测量噪声和误差的影响，提高发动机故障诊断的准确率。

摘要： 特征量提取装置(100)具有：数据取得部(110)，其取得时间序列数据作为输入时间序列数据(D1)；多滤波器应用部(120)，其具有多个数字滤波器，对数据取得部(110)取得的输入时间序列数据(D1)应用各数字滤波器，按照每个数字滤波器输出应用后的包含时间序列特征或频率特征的时间序列数据即滤波器响应时间序列数据(D5)；以及特征量提取部(130)，其针对多滤波器应用部(120)输出的多个滤波器响应时间序列数据(D5)，按照每个滤波器响应时间序列数据(D5)提取特征量，输出提取出的特征量作为特征量数据(D2)。

摘要： 本发明公开了一种状态特征和后继特征的联合策略学习方法，包括：通过学习从输入状态到即时奖励的映射，获得表征输入状态的状态特征；通过学习从状态特征到价值评估函数的映射，获得后继特征；获得的状态特征与后继特征处于不同的时间分辨率上，将状态特征与后继特征融合后，再采用多种多样方式的策略学习网络对融合结果进行学习。与传统的Agent网络相比，本发明更高效的利用了样本信息，与其他算法相比，学习速度明显加快，网络也能更快的收敛且获得较好的学习效果。

摘要： 本发明公开了一种融合学习特征和学习网络结构特性的学习者关系强度度量方法和装置，包括：(1)采集并提取学习者数据和课程数据的特征，得到特征集合C＝{LA,CA,LI}；(2)根据特征集合C构建学习网络LLN＝{V,E,P}；(3)根据集合LA，计算两个学习者之间的个人特征相似度las(u,v)；(4)根据集合CA，计算学习者之间的所学课程方面相似度cas(u,v)；(5)根据las(u,v)和cas(u,v)计算学习者之间的静态特征相似度sim[u,v]；(6)根据学习网络LLN，计算学习者之间的共同邻居节点数和共同邻居节点边权关系cnl[u,v]；(7)根据cnp[u,v]和cnl[u,v]计算学习者之间的动态特征相似度js[u,v]；(8)根据sim[u,v]和js[u,v]计算学习者之间的综合相似度值，以该综合相似度值作为学习者之间关系强度的度量值。

摘要： 本文公开了一种基于特权特征和污点特征的机器学习恶意软件检测方法，该方法基于特权特征对现有的基于污点分析的检测方案进行了改进，能够在使用较少数据量的同时实现高分类结果，通过扩展特征值的多维计算，构建基于特权特征、污点源特征和污点汇特征的特征值表，并引入Transformer对其进行分析和检测，这是基于Android平台的恶意软件检测的良好实现。

摘要： 一种基于全局特征和内在特征关联的迁移学习方法，包括通过深度神经网络来提取样本的深度特征；从目标域里选择一定比例的样本作为带标签的目标域样本，其余样本属于无标签的目标域样本；采用半监督的对抗迁移学习方法，学习出目标域的基模型；根据深度特征分别对源域的全部样本、目标域的无标签样本分别进行无监督聚类，每个聚类称为一个组件；对源域、目标域的组件进行匹配，每一个匹配称为一个配对；针对每一个配对，都以基模型为基础进行微调，使之更符合该配对里的目标域成分。同时考虑了特征的整体分布、特征之间的内在关联，可以更好地实现知识迁移，从而更好地解决了物体识别等领域里的人工标注费时、费力等问题，提高迁移效率。

摘要： 一种基于深度学习的金属焊接信号特征曲线特征建模方法，包括以下步骤：标识信号特征曲线；收集的金属焊接数据组成大型数据集，并将数据集分为训练集、验证集和测试集；将多种信号特征曲线进行处理和组合；设置信号特征曲线编码器和曲线解码器；训练和评估编码器‑解码器；提取特征编码；评估特征编码的性能。本发明克服了只依赖传统人工特征建模方法的局限性，融合人工特征建模技术与深度神经网络自动特征建模技术，实现了对多种信号特征曲线进行统一建模。定义特征编码的三大评估指标，从压缩率、编码精度和编码速度三个角度科学地评估特征编码的性能。利用三大评估指标，根据业务需求可对多种特征编码方法针对某一侧重点进行横向比较。

摘要： 提供可防止冒充的抓握特征学习认证系统。移动信息终端具有：输出抓握特征获取信号的触发监视部；获取抓握特征样本的抓握特征样本获取部；学习本人认证模板的模板学习部；发送本人认证模板的模板发送部；进行认证请求的发送接收的认证请求发送接收部；发送终端识别编号或抓握特征样本的认证数据发送部；以及接收判定结果的判定结果接收部，服务器具有：接收本人认证模板的模板接收部；存储本人认证模板和成员信息的成员和模板存储部；接收终端识别编号和抓握特征样本的认证数据接收部；判定与终端识别编号以及抓握特征样本对应的用户之间属于同一成员组的概率的成员认证部；以及发送判定结果的判定结果发送部。