2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩97頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、隨著智能手機(jī)的發(fā)展,以及以微信為代表的移動(dòng)社交應(yīng)用的普及,移動(dòng)互聯(lián)網(wǎng)中圖像的數(shù)據(jù)量正呈指數(shù)型增長。不僅圖像的數(shù)據(jù)量在增加,其清晰度也隨著采集設(shè)備的發(fā)展被不斷提高。高清圖像給用戶帶來更直觀、更生動(dòng)、更細(xì)膩體驗(yàn)的同時(shí),也意味著相關(guān)學(xué)習(xí)算法需要處理的特征維度更高。高維特征不僅帶來了存儲和計(jì)算等方面的代價(jià),更對傳統(tǒng)算法提出了嚴(yán)峻的挑戰(zhàn),如“維度災(zāi)難”。此外,圖像管理技術(shù)如圖像檢索(尤其是跨媒體圖像檢索)的重要性也隨著海量圖像數(shù)據(jù)的出現(xiàn)而凸顯。本

2、文圍繞圖像應(yīng)用領(lǐng)域的基礎(chǔ)問題——圖像表示和熱點(diǎn)問題——跨媒體圖像檢索,展開深入的研究。
  圖像表示是指將圖像表示成特征空間中的特征向量,用作后續(xù)算法(如:圖像聚類、圖像識別、圖像檢索等)的輸入的過程。有效的圖像表示方法不僅能降低數(shù)據(jù)存儲,傳輸和學(xué)習(xí)成本,更能刻畫圖像的潛在幾何結(jié)構(gòu)和發(fā)掘其語義信息從而提升學(xué)習(xí)效果??紤]到圖像數(shù)據(jù)集一般都可以以低秩矩陣的形式表示,本文從近年來非常流行的非負(fù)矩陣分解算法出發(fā),針對經(jīng)典非負(fù)矩陣分解算法在

3、用于后續(xù)學(xué)習(xí)時(shí)的穩(wěn)定性上的不足和其在保持?jǐn)?shù)據(jù)的局部性和稀疏性上的缺陷,提出了帶約束的非負(fù)矩陣分解算法。
  圖像檢索,尤其是跨媒體圖像檢索(如使用文本檢索圖像)對海量圖像數(shù)據(jù)管理至關(guān)重要??缑襟w圖像檢索的核心問題是不同特征空間的向量之間相似度的計(jì)算問題?,F(xiàn)有的跨媒體圖像檢索算法基本是圍繞著如何將不同特征空間中的數(shù)據(jù)映射到相同公共子空間這一研究問題而展開。在這一框架下,上文中的單模態(tài)圖像表示算法難以被有效利用?;趲Ъs束的低秩矩陣恢

4、復(fù),本文提出了一種全新的跨媒體圖像檢索算法。該算法可以充分利用單一媒體上學(xué)習(xí)得到的低維圖像表示和不同媒體間數(shù)據(jù)的關(guān)系,來同時(shí)保持?jǐn)?shù)據(jù)的全局和局部一致性。
  具體來說,本文的主要工作概括如下:
  1.稀疏編碼僅僅是傳統(tǒng)非負(fù)矩陣分解中的一個(gè)附帶功能,在大多數(shù)情況下非負(fù)矩陣分解并不能得到較好的稀疏表達(dá),以致將這類低維表示用于其他學(xué)習(xí)任務(wù)(如分類,聚類等)時(shí)并不能獲得最優(yōu)的性能。針對這一問題,我們改進(jìn)了非負(fù)矩陣分解的進(jìn)化算法——

5、概念分解算法,提出了基于局部坐標(biāo)約束的概念分解算法(Locality-Constrained Concept Factorization,LCF)。LCF在原始概念矩陣分解模型中引入了基于局部坐標(biāo)編碼約束的正則項(xiàng),該正則項(xiàng)通過約束概念(即基向量)盡量靠近數(shù)據(jù)點(diǎn)來達(dá)到每個(gè)數(shù)據(jù)點(diǎn)可以被表示為更少的基向量的線性組合的目的,即稀疏編碼的目的。我們使用和原始NMF類似的乘法更新規(guī)則對此問題求解?;谡鎸?shí)數(shù)據(jù)的聚類實(shí)驗(yàn)表明:此方法學(xué)習(xí)到的低維表示可

6、以同時(shí)具備稀疏性和局部性,具有更強(qiáng)的表示能力。
  2.目前非負(fù)矩陣分解的改進(jìn)工作都是針對非負(fù)矩陣分解這一過程本身,而很少考慮學(xué)習(xí)得到的低維表示的后續(xù)使用。我們考慮當(dāng)非負(fù)矩陣分解得到的低維表示用于統(tǒng)計(jì)分析,如線性回歸時(shí)的情況。從增強(qiáng)后續(xù)線性回歸模型的穩(wěn)定性和減小其預(yù)測誤差的角度出發(fā),我們使用了最優(yōu)化實(shí)驗(yàn)設(shè)計(jì)的方法對非負(fù)矩陣分解的低維表示進(jìn)行了約束。另外,針對NMF無法保持?jǐn)?shù)據(jù)的潛在流形結(jié)果的缺點(diǎn)。我們進(jìn)一步引入了Hessian正則

7、約束,相比于常見的拉普拉斯正則約束,它具有更好的泛化能力。最終,我們提出了一種基于A優(yōu)化和Hessian正則的非負(fù)投影算法(A-OptimalNon-negative Projection with Hessian regularization,AHNP)。AHNP不僅僅能學(xué)到基于局部且保持流行結(jié)構(gòu)的低維表示。最重要的是,此表示后續(xù)用于回歸分析時(shí),學(xué)習(xí)到的回歸模型具有更好的穩(wěn)定性,更低的預(yù)測誤差。為了求解最終的優(yōu)化問題,我們提出了基于乘

8、法更新的優(yōu)化算法。
  3.考慮到傳統(tǒng)圖像表示算法學(xué)習(xí)得到的低維表示適用于圖像分類,圖像聚類,目標(biāo)檢測,圖像檢索等諸多領(lǐng)域,而無法直接用于跨媒體檢索。我們針對跨媒體檢索提出了一種全新的基于低秩矩陣恢復(fù)的半監(jiān)督學(xué)習(xí)算法——基于低秩矩陣恢復(fù)的跨媒體成對約束傳播算法(Matrix Completion for Cross-view Pairwise Constraint Propagation,MCPCP)。MCPCP將跨媒體檢索看作關(guān)

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論