1 重庆大学 光电技术及系统教育部重点实验室，重庆400044
2 重庆科技学院 电气工程学院，重庆401331
针对元学习少样本分类样本特征鉴别能力不足的问题，提出了一种类内-类间通道注意力少样本分类方法（Intra-inter Channel Attention Few-shot Classification， ICAFSC）。ICAFSC在原型网络基础上设计了一个类内-类间通道注意力模块，该模块通过类内-类间距离度量计算通道权重实现特征加权，提高特征对类别的鉴别能力。为了克服直接在元训练阶段学习类内-类间通道注意力模块容易出现过拟合或欠拟合现象的问题，ICAFSC在原型网络的元训练之前增加一个预训练阶段。该阶段设计具有大量标记样本的分类任务，并利用这些任务充分训练类内-类间通道注意力模块，促使该模块达到较优的状态。在原型网络的元训练和元测试阶段，ICAFSC冻结类内-类间通道注意力模块的参数，分别实现少样本分类经验的学习与迁移。在MiniImagenet数据集上分别开展了1-shot和5-shot的少样本分类实验。实验结果表明：本文提出的类内-类间通道注意力少样本分类方法与原型网络相比，在1-shot和5-shot条件下分类准确率分别提高了1.93%和1.15%。
深度学习 少样本分类 元学习 原型网络 通道注意力 deep learning few-shot classification meta-learning prototypical network channel attention 光学 精密工程
2023, 31(21): 3145
1 重庆科技学院 电气与信息工程学院, 重庆 401331
2 重庆大学 光电技术及系统教育部重点实验室, 重庆 400044
提出一种基于监督保局投影(SLPP)与虚假最近邻(FNN)准则的原始特征选择方法。该方法首先将非线性原始数据映射到监督保局子空间, 消除样本数据输入变量之间的相关性; 然后, 利用虚假近邻点方法计算剔除每个原始特征前后输入样本在监督保局子空间里的相似性测度, 获得每个原始特征对类别变量不同程度的解释力; 最后, 从全特征开始逐步剔除解释能力弱的特征进而获得多组特征子集, 并建立最近邻分类器, 识别率最高且含特征数最少的特征子集即为最优特征子集。采用合成数据对该方法进行了仿真验证, 结果表明, 该方法可获得与数据集本质分类特征吻合的最佳特征子集。将该方法应用于选择真实的低阻油气层特征, 获得的最佳特征子集比全特征集合的特征数量减少了50%以上, 分类识别率高出8%。结果显示该方法具有优秀的原始特征选择能力, 是一种有效的非线性特征选择方法。
监督保局投影 虚假近邻点 特征选择 模式分类 低阻油气层识别 Supervised Locality Preserving Projection(SLPP) False Nearest Neighbor(FNN) feature selection pattern classification low resistivity hydrocarbon reservoir recognition
1 重庆大学 光电技术及系统教育部重点实验室，重庆 400044
2 重庆科技学院，重庆401331
由于方向边缘幅值模式(POEM)在剧烈光照变化情况下无法获得足够的特征描述信息，本文分析了相对梯度幅值图像特点，提出了相对梯度直方图特征描述方法。该方法根据图像的梯度方向对相对梯度幅值图像进行分解、滤波、局部二值模式编码和特征降维，形成了对光照变化，尤其是非均匀光照变化具有健壮性的低维直方图特征。在FERET和YaleB子集上的人脸识别实验证实: 在光照变化较小时，相对梯度直方图特征描述方法与方向边缘幅值模式的性能相当，均显著优于经典的局部二值模式特征; 在光照剧烈变化时，前者的识别精度比方向边缘幅值模式至少高5%，性能显著优于方向边缘幅值模式和局部二值模式，展示了相对梯度直方图特征描述方法的有效性和对光照变化的良好健壮性。
人脸识别 相对梯度直方图 局部二值模式 特征描述 face recognition relative gradient histogram local binary pattern feature description
重庆大学 光电技术及系统教育部重点实验室，重庆 400044
针对高维数据分类中鉴别特征降维方法的小样本问题和有效维度丢失问题，结合最新提出的片对齐框架和保局投影提出了样本保局鉴别分析方法。该方法通过分别构造每个样本的类内近邻图和类外近邻图，并将所有样本的类内近邻图和类外近邻图结合起来，形成了所有样本的类内近邻和类外近邻关系。然后，在使所有样本的类内近邻尽可能地聚集在一起的同时使类外近邻尽可能地分开，得到从高维输入空间到低维特征空间的最优映射关系。该方法有效避免了高维数据分类的小样本问题且扩展了鉴别分析的低维特征空间的有效维度。在ORL、FERET和PIE等人脸库上的高维数据分类实验证实，样本保局鉴别分析方法显著优于经典的鉴别特征降维方法。与基于片对齐框架提出的鉴别局部对齐方法相比，样本保局鉴别分析方法在FERET库上的分类识别精度提高了4.5%以上。
保局投影 鉴别分析 降维 模式分类 locality preserving projection discriminant analysis dimension reduction pattern classification
重庆大学 光电技术及系统教育部重点实验室，重庆 400044
研究了保局投影中近邻图的构造及更新问题，提出了一种有监督图优化保局投影(SGoLPP)特征提取方法，并应用于人脸识别。不同于传统的保局投影(LPP)算法预先设定权值矩阵并通过一次优化求解投影矩阵，SGoLPP将权值矩阵作为学习项引入到目标函数，通过交替迭代更新逐步获得最优权值矩阵和最优投影矩阵。同时，通过引入类别信息，始终对同类样本点对的权值进行更新，有效地抑制了异类样本的干扰。在UCI模拟数据集上，SGoLPP在较少的迭代次数下获得了更好的聚类和分类效果。在Yale，UMIST和CMU PIE人脸库上，SGoLPP的平均识别率比LPP、有监督保局投影(SLPP)和图优化保局投影(GoLPP)分别高出26.6%、4.8%和8.8%。实验显示本文提出的SGoLPP算法在样本可分性与鲁棒性方面具有优势，可有效地提取人脸特征。
图优化 有监督学习 保局投影 特征提取 人脸识别 graph optimization supervised learning locality preserving projections feature extraction face recognition
重庆大学 光电技术及系统教育部重点实验室,重庆 400030
针对单一保局投影(LPP)算法分类识别能力弱的问题,提出了一种随机采样子空间保局投影算法(RSSLPP)。该算法在对训练样本的主元子空间进行随机采样的基础上,利用保局投影得到了多个既有差异且又互补的保局投影子空间,测试样本被分别投影到这些保局投影子空间上,然后利用最近邻分类器进行分类识别。最后,根据多数投票原则融合多个子空间上的分类结果来确定样本所属类别。在FERET人脸图像子库上的实验表明:随机采样子空间保局投影算法的性能明显优于Eigenface、Fisherface、保局投影和鉴别保局投影等算法;和保局投影算法相比,本文所提出的方法人脸识别精度提高了10%以上。结果表明,随机采样子空间保局投影算法有效地融合了各LPP投影空间的互补信息,可以显著地提高人脸识别精度。
随机采样子空间保局投影 保局投影 子空间 人脸识别 Random Sampling Subspaces Locality Preserving Proj LPP subspace face recognition
重庆大学 光电技术及系统教育部重点实验室,重庆 400030
为提高不同光照条件下的人脸识别精度,提出了一种利用多级小波分解和样条插值进行光照补偿的方法。一般认为,光照变化会给图像中混入两种噪声:背景噪声和增益噪声。背景噪声是加性噪声,可以通过直接对图像进行多级小波分解和样条插值来估计并去除;增益噪声是乘性噪声,可以对去除了背景噪声的图像进行对数变换后,再利用多级小波分解和样条插值来估计并去除。在Yale B人脸数据库上的实验结果表明:本方法的识别率比其它方法高2%～11%,可以有效地对不同光照条件下的人脸图像进行调整,提高不同光照条件下人脸识别的精度和稳定性。
人脸识别 光照补偿 多级小波分解 样条插值 face recognition illumination compensation multi-level wavelet decomposition spline interpolation
重庆大学 光电技术及系统教育部重点实验室,四川 重庆 400044
为了研究在人脸特征选择中用支持向量机(SVM)泛化误差界作特征选择判据的有效性问题,结合过滤(Filter)和封装(Wrapper)模型构造了人脸特征选择及识别的新框架,将小波变换(WT)和核主元分析(KPCA)作为Filter模型,最小化SVM的VC维(VC)留一法(LOO)误差界及支持向量span误差界作为Wrapper模型的特征选择判据;通过递归特征排除法(RFE)在UMIST人脸图像库上进行人脸特征选择及识别实验。实验结果表明:判据为VC维的LOO误差界和支持向量span误差界时,特征维数可以分别降低到80和70,而分类识别率仍然能达到94%以上,表明本文所提出的特征选择判据和特征搜索策略是解决人脸特征选择问题的一种有效方法。
SVM泛化误差界 人脸特征选择 Filter模型 Wrapper模型 递归特征排除法 Support Vector Machine(SVM) generalization error facial feature selection Filter approach Wrapper approach Recursive Feature Elimination(RFE)
