协同表示

摘要： 为利用合成孔径雷达(synthetic aperture radar,SAR)目标不同特征数据间的相关性与互补性,提出一种基于多特征的Tikhonov正则化核函数协同表示(multi-feature kernel collaborative representation-based classification with tikhonov regularization,MFKCRT)算法。采用美国运动和静止目标获取与识别(moving and stationary target acquisition and recognition,MSTAR)计划公开发布的SAR图像数据库进行实验,实现核函数变换空间上的多特征融合协同表示识别。实验结果表明:该算法相较于基本的协同表示,具有更优的可靠性与鲁棒性。

摘要： 为解决高光谱图像中存在噪声、空间结构复杂和光谱信息复杂等问题,提高分类算法的噪音处理与空间识别能力,提出应用特征感知与协同表示的高光谱图像分类方法。首先运用自适应加权方式对图像进行重建;然后通过计算空间偏置矩阵,对空间特征进行感知,通过计算光谱偏置矩阵对光谱特征进行感知;最后根据误差最小原则确定测试样本的类别信息。在标准数据集Pavia University和Salinas上的实验结果表明,该方法总体准确率达到98.96%和99.63%。与先进的分类算法相比,该算法在平滑噪声、感知特征和空间识别等方面效果更佳,具有较好的分类性能。

摘要： 高光谱图像光谱带间相似度高且存在大量高维非线性样本,传统的基于表示的分类方法无法对同一波段下的不同样本做出有效区分且会造成维数灾难,最终影响分类性能.提出一种空谱融合与协同表示的高光谱分类算法.通过交替学习空间和光谱特征构建具有判别性的特征字典,并用于空间感知协同表示.在分类过程中,计算特征字典与测试样本之间的相关系数,并将其与误差融合决策.在Indian Pines和Pavia University进行实验,整体精度分别为98.44%和99.22%,验证了本文算法的有效性.

摘要： 针对三维掌纹特征表示准确性差的问题,提出一种局部方向二值模式(Local Orientation Binary Pattern,LOBP)结合协同表示(Collaborative Representation,CR)的3D掌纹识别方法。利用掌纹主方向和方向置信度的编码来共同表达掌纹的方向信息,从而有效提高方向编码的准确性。使用表面类型编码来刻画掌纹的结构,充分表达掌纹的几何特征。最后,在分类识别时通过协同表示的方法将特征结合进而完成掌纹识别。在香港理工大学3D掌纹库上进行实验,结果表明获得的平均识别率最高可达99.55%,平均识别时间为0.8749 s。所提方法可以在保持较低识别时间的同时提高3D掌纹的识别精度。

摘要： 为提高协同表示模型的特征表达能力和鲁棒性,解决对正则参数敏感的问题,提出加权协同表示分类器(WCRC)并运用于人脸识别。基于L2范数求解最优化问题,利用训练样本的先验距离信息作为权重,将待识别图像与每类样本的距离信息作为先验信息引入到特征表示函数中,增强距离待识别样本较近的某类样本的重构权重,利用最小二乘法求解表示系数,根据待识别图像与每类训练图像的重构残差大小判断待识别图像的类别。通过实验测试以及与其它算法的对比验证了该方法的有效性。

摘要： 鉴于协同表示投影方法中只考虑通过样本间协同表示关系构造邻接图,在投影后可能导致来自不同类别的许多样本聚集在一起影响识别结果,提出一种基于区分竞争和协同表示投影方法.首先,通过数据集中所有样本竞争协同地表示每个样本,计算样本间的相似性,以构造类内图描述类内样本的紧致性,同时构造惩罚图刻画不同类样本间的可分性;在此基础上,引入标签传播算法计算出数据集中无标签样本的软标签信息,以消除无标签样本对识别结果的影响;此外,使用非线性映射替换图嵌入框架中的线性内积,以解决原始数据集中的样本在低维空间中的线性不可分问题.在ORL,AR,FERET和Yale B人脸数据集上的实验结果表明,与CRP方法相比,所提方法最大识别率提升了1%~4%,尤其在噪声和模糊干扰下提高了2%~6%.

摘要： 传统的协同表示,在光照、表情等复杂环境变化下识别效果明显下降,针对此问题提出一种基于局部通用的加权协同表示人脸识别算法。一方面通过构建通用训练集,另一方面在协同表示中设置加权约束项,增强样本在遮挡等复杂环境下的竞争性,提高同类样本的局部协同表示性能,从而更高效地对人脸进行协同表示,提高表情、遮挡等环境变化下人脸识别的准确率和鲁棒性。在公开的Extended YaleB、AR人脸数据集进行仿真实验,并与传统的算法CRC、SRC、ESRC进行对比,结果表明,改进的基于局部通用的加权协同表示人脸识别算法在这种复杂环境表现出很好的鲁棒性。

摘要： 稀疏表示分类方法在图像遮蔽、弱光等情况下具有良好的应用及识别效果,但在测试样本少的环境下仍具有一定局限.将稀疏表示分类算法联合概率协同表示分类算法,以稀疏表示系数增强概率系统表示分类算法的表示系数,采用FERET、Multi-PIE与FRGC人脸数据库进行实验测试.结果显示,稀疏增强概率协同表示分类算法能够显著提升人脸识别的准确率,相比其他传统表示分类算法的识别准确率有一定程度的提升.研究结论为复杂人脸图像识别场景的应用提供实践参考.

摘要： 提出了基于权值融合虚拟样本的LBP特征人脸识别算法.首先生成轴对称虚拟样本,再提取LBP特征进行协同表示分类,最后加权值融合,分析不同权值下的人脸识别率.实验结果显示识别率有所提高,在权值融合中原始样本作为主体成分,能最优化识别率.结果表明,提出的算法能有效提高人脸识别率.

摘要： 针对人脸图像复杂环境变化,提出了一种基于正则化协同表示的鲁棒PCA人脸识别算法.算法首先通过协同表示计算重构样本与测试样本之间的残差,根据残差选取与测试样本临近的训练样本组成新的字典;然后在该字典上通过鲁棒PCA依次进行低秩误差分解,并计算误差矩阵的平滑性、稀疏性;最后联合协同表示的残差以及低秩分解中的平滑性和稀疏性构建判别准则进行人脸图像的分类识别;在ORL、AR等人脸库的实验表明:基于正则化协同表示的鲁棒PCA人脸识别算法不仅能够在复杂环境变化下取得良好的识别性能,而且保持了协同表示的优势,大大减少运行时间.

摘要： 同一类合成孔径雷达(Synthetic Aperture Radar,SAR)车辆目标往往存在不同型号的变体,这些型号变体整体结构相似仅在目标配置存在差异,如坦克是否装备油箱,天线是否展开;装甲车是否装备炮筒等.在战场感知、精确打击等领域,实现精准的车辆目标型号识别有重要的研究价值.为提高SAR车辆目标型号的识别性能,本文提出了一种基于协同表示的高分辨率SAR车辆目标型号识别算法.首先利用所有型号车辆目标的训练样本协同编码测试样本.接着通过寻求最优重构测试样本的训练样本表示系数,减少了测试样本与同型号训练样本之间的不一致性,提高了型号识别的鲁棒性.最后依据测试样本与各型号训练样本的重构误差判定测试样本型号.在MSTAR数据集上对所提方法进行了验证,结果表明本文提出的方法在SAR车辆目标型号识别上的有效性.

摘要： 人脸性别识别是计算机视觉和机器学习的热门研究课题.但目前大多数的人脸性别识别算法对自然环境下的图像进行识别的效果并不理想,识别正确率与实际应用差距较大.为此,本文采用低秩分解和协同表示来提高人脸性别识别的正确率和鲁棒性.在提取特征前采用低秩分解配准未对齐的图像并降低污染和噪声的影响.使得提取的特征能够很好地反映图像原有的信息.识别环节,采用稀疏表示的改进算法—协同表示,其使用用l2范数替代l1范数优化问题易于求解.在实验中,选用AR,CAS-PEAL和YouTube三种数据库对算法进行测试,结果表明本文算法性能与其它主流算法相比有明显优势.

摘要： 本发明提供了置信反馈的组合核协同稀疏表示遥感影像分类方法与系统，首先，在遥感影像上直接提取光谱特征，并构造光谱核；其次，在经过主成分分析降维后的遥感影像主成分上提取形态属性特征，并构造形态属性核，然后，将这两个核加权组合得到一个组合核，采用协同稀疏表示分类器来对遥感影像进行分类；最后，在输出分类结果前使用置信反馈机制，判断是否符合设定的终止判别准则；如果没有符合判别准则，则分类器输出预分类结果图，并对其进行形态属性滤波操作，堆叠到形态属性特征上进行迭代分类，直到符合判别准则，则输出最终分类结果。本发明能够用于遥感影像及高光谱影像地物信息分类，快速有效，分类精度高，具有良好的应用前景。

摘要： 本发明公开了一种多源数据的泛化表示与协同融合方法。本发明从数据的决策影响角度，为多源数据提供了一种组合数据和数据背后知识的泛化表示，从而定义了一种可用于横向精准比较的统一数据结构。针对多源数据的泛化表示，本发明从链接角度提供了一种基于实体结点之间协同度的融合方法，实现了泛化阵列结构中实体结点的协同划分与融合。基于泛化表示的多源数据协同融合方法能够获得用于精准决策的精确、可靠和泛化的多源数据融合结果。

摘要： 本发明为一种基于分块协同表示的人脸识别方法。在实际应用中，人脸图像的信息缺失（如像素信息缺失、腐蚀块和遮挡）会影响图像的像素值，从而影响人脸识别的效果。本发明先将人脸图像库中的图像分为训练集和测试集，并寻找最佳分块方式对其图像进行分块处理，将训练样本分块后的图像构造子块字典；然后采用子块的协同表示(Cooperative representation，CR)将由人脸图像信息缺失所产生的误差与原图像分离，可有效降低缺失信息图像人脸识别结果的影响；再然后对各子块获得的稀疏稀疏进行分类；最后基于最大投票准则获取最终识别结果，可有效降低由于一个或多个子块特征求得的最小系数误差较大所导致的无效分类对整张图像识别结果产生的影响，提高识别率。

摘要： 本发明公开了一种基于深度联合稀疏‑协同表示的高光谱图像特征表示方法，首先考虑到高光谱图像各像素包含非线性信息并且其频谱间存在冗余，以及同类像素样本之间也具有很强的相关性；其次，提出了深度联合稀疏‑协同表示的高光谱图像特征表示方法，能够同时表示出像素样本内的显著信息及样本之间的相关性信息，并能够提取出高光谱图像的深层非线性特性；最后，设计了一种交替迭代算法来对深度联合稀疏‑协同表示的高光谱图像特征表示方法进行求解，得到高光谱图像特征表示形式。本发明通过采用深度网络进行非线性映射，并结合稀疏表示和协同表示，充分考虑像素样本的冗余性和非线性以及样本间的相关性，从而提取出更加具备判别性的特征。

摘要： 本发明公开了分块协同表示嵌入核稀疏表示遮挡人脸识别方法和装置，该方法包括：提取训练样本的WLD特征和测试样本的WLD特征，并生成训练样本的字典矩阵A以及待测样本的字典矩阵Y；根据训练样本的字典矩阵A获取训练样本的核矩阵K；计算训练样本的核矩阵K的特征值和特征向量，生成训练样本的核投影矩阵；根据测试样本的字典矩阵Y获取测试样本的核矩阵K'；根据A、Y、K'和K得到对应的训练样本的核训练样本A'和待测样本的核测试样本Y'；将训练样本和测试样本均划分为若干个子图像，得到加权系数矩阵W；根据加权系数矩阵W、核训练样本A'和核测试样本Y'得到分类结果。本发明的优点在于解决已有局部遮挡人脸识别中鲁棒性不强，准确性不高等问题。

摘要： 本发明涉及一种基于协同表示分类与动态匹配的遮挡人脸识别方法，属于图像处理技术领域。首先利用基于协同表示的分类方法在所有训练样本上对被测样本进行协作表示，筛选出表示误差最小的若干类人脸构造候选人脸集合。通过判断最小的两个表示误差的差值来决定是否进行后续的动态匹配步骤。动态匹配阶段需要预先对被测人脸图像和候选人脸集合中的所有人脸图像进行分块处理，构造被测人脸序列与候选人脸序列集合，并提取一阶差分特征。找到被测人脸与每类候选人脸的最优匹配路径和匹配成本。最后找到使得匹配成本最小的那一个类作为最终的分类结果。本发明可有效降低遮挡对识别的影响，提高识别率和识别速度。

摘要： 本发明公开了一种基于先验知识的概率协同表示图像集分类方法，以此来解决图像集分类中协同表示对类间差异学习不足导致的概率表示失效的问题；算法模型中，将图像集集合看作是流形空间上的一个点，通过基于样本间距离的表示方法，推导出在对称正定矩阵空间上对图像集集合模型的概率协同表示方式，并且通过对表示样本的学习，抽取出样本的先验知识，对模型的概率表示重新加权，最后推导出相应的闭式解。在不同的数据集合上对比了该算法，实验表明，模型在不平衡的数据集上有着非常出色的分类成绩表现，更加关注样本特征，解决了协同表示方法中类间模糊性导致的难以分类的问题。

摘要： 本发明公开了一种基于知识蒸馏的海洋大数据协同表示的预警方法及装置，方法包括：构造用于提取不同尺度的输入数据特征的多尺度自注意力网络，作为知识蒸馏的教师网络，分别用于预测TIWs任务以及ENSO任务；构造一单尺度网络用于预测TIWs以及ENSO任务，作为知识蒸馏的学生网络，分别利用多尺度教师网络提取两个任务数据的不同尺度的SST图的特征序列，并将特征序列聚合后连接到学生网络的主干卷积层中，进行基于特征序列的知识蒸馏；获取训练后的学生网络；基于训练后的学生网络对ENSO、TIWs现象进行预测，当超过相应的阈值时，进行ENSO、TIWs现象的预警，减少ENSO、TIWs灾难的发生。装置包括：处理器和存储器。本发明提高了TIWs和ENSO的预警精度，减少了灾难性的发生。

摘要： 本发明公开了一种基于图像‑文本多模态协同表示的病害识别系统，其特征在于，包括：图像识别模块，用于识别图像数据；文本识别模块，与图像识别模块连接，用于提取文本数据特征；知识图谱模块，与文本识别模块连接，用于为病害诊断过程提供知识性指导；模型训练模块，与知识图谱模块连接，用于获取病害类别识别结果。本发明能够有助于提升病害识别结果的精度，提高病害识别模型的鲁棒性；提高识别正确率以及进行模型解释；模型的最佳模型的识别准确率、识别精确率、模型灵敏度以及模型特异性得到了显著提高；使模型在知识的作用下对模型提取病害特征时给予干预，提高模型的可靠性。

摘要： 本发明公开了一种基于补子空间的加权协同表示非均衡分类方法，用于对非均衡数据进行分类，包括以下内容：对总类别数为c的非均衡数据集进行预处理，得到目标训练样本集X和目标测试样本集；自适应地获取所述目标训练样本集X中各类训练样本子集的权重；基于补子空间确定加权协同表示分类模型；对所述加权协同表示分类模型进行求解，得到最优表示系数，并根据所述最优表示系数重构的误差预测所述目标测试样本集的类别。本发明将更具判别性的补子空间正则项引入到协同表示建模过程中，并且根据非均衡数据集的原始类别分布信息来自适应地获取每类的权重，从而赋予了少数类更大的权重，有效解决了现有的协同表示方法无法对少数类正确分类的问题。