针对现有标签分布学习(Label Distribution Learning,LDL)算法较少考虑标签间关联性的问题,提出一种融合结构化标签依赖性的LDL算法.算法分为扩展、学习和恢复三个阶段:在扩展阶段,结合成对标签之间的关联性,构建结构化标签依赖性;在学...针对现有标签分布学习(Label Distribution Learning,LDL)算法较少考虑标签间关联性的问题,提出一种融合结构化标签依赖性的LDL算法.算法分为扩展、学习和恢复三个阶段:在扩展阶段,结合成对标签之间的关联性,构建结构化标签依赖性;在学习阶段,结合该依赖性,构建学习框架;在恢复阶段,利用最小二乘法求解超定方程组以预测标签分布.与七种常用的标签分布学习算法相比,在八个开放数据集上进行实验,提出的算法在Euclidean距离、Sørensen距离、Squardχ2距离、Kullback‐Leibler散度、Intersection相似度和Fidelity相似度六个主流评估指标上明显占优.展开更多
输电线路航拍图像具有分辨率低、背景复杂、伪目标多等特点,使得传统图像特征描述法在解决航拍图像目标分类时效果不佳。标签分布学习(label distribution learning,LDL)算法能有效解决图像特征与标签分布的映射问题。该文提出一种基于...输电线路航拍图像具有分辨率低、背景复杂、伪目标多等特点,使得传统图像特征描述法在解决航拍图像目标分类时效果不佳。标签分布学习(label distribution learning,LDL)算法能有效解决图像特征与标签分布的映射问题。该文提出一种基于VGG网络(visual geometry group net,VGGNet)深度神经网络和客观量化标签分布学习的航拍图像目标分类方法,将基于VGGNet提取的深度特征和客观标签量化相结合,完成测试图像的标签分布预测。在相同的客观量化标签分布学习分类器参数设置下,基于VGGNet提取的深度特征对输电线路航拍图像中绝缘子、杆塔和输电线分类的错误率分别为30.3%、33.0%和37.6%,均低于基于传统特征的分类错误率。试验结果表明,基于VGGNet提取的深度特征和客观量化标签分布学习方法能更好地解决航拍图像中目标分类问题。展开更多
提出了一种融合标签局部相关性的标签分布学习(label distribution learning,LDL)算法,该算法分为3个阶段。初始预测阶段构建多层神经网络模型,将样本的原始特征作为输入、初始预测的标签分布作为输出;局部矫正阶段首先利用k⁃means聚类...提出了一种融合标签局部相关性的标签分布学习(label distribution learning,LDL)算法,该算法分为3个阶段。初始预测阶段构建多层神经网络模型,将样本的原始特征作为输入、初始预测的标签分布作为输出;局部矫正阶段首先利用k⁃means聚类算法获得不同类所描述的局部信息,然后针对不同类计算对应的协方差矩阵,利用该矩阵来矫正初始预测的标签分布,获得每个类对应的矫正标签分布;标签融合阶段对矫正后的标签分布进行加权,再与初始预测的标签分布进行融合,得到最终的预测分布。在8个公开数据集上与9种常用的LDL算法进行对比实验,结果表明本文的算法能较好地描述标签局部相关性,在多个主流评估指标上排名靠前。展开更多
细粒度表情识别任务因其包含更丰富真实的人类情感而备受关注.现有面部表情识别算法通过提取局部关键区域等方式学习更优的图像表征.然而,这些方法忽略了图像数据集内在的结构关系,且没有充分利用标签间的语义关联度以及图像和标签间的...细粒度表情识别任务因其包含更丰富真实的人类情感而备受关注.现有面部表情识别算法通过提取局部关键区域等方式学习更优的图像表征.然而,这些方法忽略了图像数据集内在的结构关系,且没有充分利用标签间的语义关联度以及图像和标签间的相关性,导致所学特征带来的性能提升有限.其次,现有细粒度表情识别方法并未有效利用和挖掘粗细粒度的层级关系,因而限制了模型的识别性能.此外,现有细粒度表情识别算法忽略了由于标注主观性和情感复杂性导致的标签歧义性问题,极大影响了模型的识别性能.针对上述问题,本文提出一种基于关系感知和标签消歧的细粒度面部表情识别算法(fine-grained facial expression recognition algorithm based on Relationship-Awareness and Label Disambiguation,RALD).该算法通过构建层级感知的图像特征增强网络,充分挖掘图像之间、层级标签之间以及图像和标签之间的依赖关系,以获得更具辨别性的图像特征.针对标签歧义性问题,算法设计了基于近邻样本的标签分布学习模块,通过整合邻域信息进行标签消歧,进一步提升模型识别性能.在细粒度表情识别数据集FG-Emotions上算法的准确度达到97.34%,在粗粒度表情识别数据集RAF-DB上比现有主流表情分类方法提高了0.80%~4.55%.展开更多
文摘针对现有标签分布学习(Label Distribution Learning,LDL)算法较少考虑标签间关联性的问题,提出一种融合结构化标签依赖性的LDL算法.算法分为扩展、学习和恢复三个阶段:在扩展阶段,结合成对标签之间的关联性,构建结构化标签依赖性;在学习阶段,结合该依赖性,构建学习框架;在恢复阶段,利用最小二乘法求解超定方程组以预测标签分布.与七种常用的标签分布学习算法相比,在八个开放数据集上进行实验,提出的算法在Euclidean距离、Sørensen距离、Squardχ2距离、Kullback‐Leibler散度、Intersection相似度和Fidelity相似度六个主流评估指标上明显占优.
文摘输电线路航拍图像具有分辨率低、背景复杂、伪目标多等特点,使得传统图像特征描述法在解决航拍图像目标分类时效果不佳。标签分布学习(label distribution learning,LDL)算法能有效解决图像特征与标签分布的映射问题。该文提出一种基于VGG网络(visual geometry group net,VGGNet)深度神经网络和客观量化标签分布学习的航拍图像目标分类方法,将基于VGGNet提取的深度特征和客观标签量化相结合,完成测试图像的标签分布预测。在相同的客观量化标签分布学习分类器参数设置下,基于VGGNet提取的深度特征对输电线路航拍图像中绝缘子、杆塔和输电线分类的错误率分别为30.3%、33.0%和37.6%,均低于基于传统特征的分类错误率。试验结果表明,基于VGGNet提取的深度特征和客观量化标签分布学习方法能更好地解决航拍图像中目标分类问题。
文摘提出了一种融合标签局部相关性的标签分布学习(label distribution learning,LDL)算法,该算法分为3个阶段。初始预测阶段构建多层神经网络模型,将样本的原始特征作为输入、初始预测的标签分布作为输出;局部矫正阶段首先利用k⁃means聚类算法获得不同类所描述的局部信息,然后针对不同类计算对应的协方差矩阵,利用该矩阵来矫正初始预测的标签分布,获得每个类对应的矫正标签分布;标签融合阶段对矫正后的标签分布进行加权,再与初始预测的标签分布进行融合,得到最终的预测分布。在8个公开数据集上与9种常用的LDL算法进行对比实验,结果表明本文的算法能较好地描述标签局部相关性,在多个主流评估指标上排名靠前。
文摘细粒度表情识别任务因其包含更丰富真实的人类情感而备受关注.现有面部表情识别算法通过提取局部关键区域等方式学习更优的图像表征.然而,这些方法忽略了图像数据集内在的结构关系,且没有充分利用标签间的语义关联度以及图像和标签间的相关性,导致所学特征带来的性能提升有限.其次,现有细粒度表情识别方法并未有效利用和挖掘粗细粒度的层级关系,因而限制了模型的识别性能.此外,现有细粒度表情识别算法忽略了由于标注主观性和情感复杂性导致的标签歧义性问题,极大影响了模型的识别性能.针对上述问题,本文提出一种基于关系感知和标签消歧的细粒度面部表情识别算法(fine-grained facial expression recognition algorithm based on Relationship-Awareness and Label Disambiguation,RALD).该算法通过构建层级感知的图像特征增强网络,充分挖掘图像之间、层级标签之间以及图像和标签之间的依赖关系,以获得更具辨别性的图像特征.针对标签歧义性问题,算法设计了基于近邻样本的标签分布学习模块,通过整合邻域信息进行标签消歧,进一步提升模型识别性能.在细粒度表情识别数据集FG-Emotions上算法的准确度达到97.34%,在粗粒度表情识别数据集RAF-DB上比现有主流表情分类方法提高了0.80%~4.55%.
