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：多模态机器学习是一种新的人工智能范式,结合各种模态和智能处理算法以实现更高的性能.多模态表示和多模态融合是多模态机器学习的2个关键任务.目前,多模态表示方法很少考虑样本间的协同,导致特征表示缺乏鲁棒性,大部分多模态特征融合方法对噪声数据敏感.因此,在多模态表示方面,为了充分学习模态内和模态间的交互,提升特征表示的鲁棒性,提出一种基于样本内和样本间多模态协同的表示方法.首先,分别基于预训练的BERT,Wav2vec 2.0,Faster R-CNN提取文本特征、语音特征和视觉特征;其次,针对多模态数据的互补性和一致性,构建模态特定和模态共用2类编码器,分别学习模态特有和共享2种特征表示;然后,利用中心矩差异和正交性构建样本内协同损失函数,采用对比学习构建样本间协同损失函数;最后,基于样本内协同误差、样本间协同误差和样本重构误差设计表示学习函数.在多模态融合方面,针对每种模态可能在不同时刻表现出不同作用类型和不同级别的噪声,设计一种基于注意力机制和门控神经网络的自适应的多模态特征融合方法.在多模态意图识别数据集MIntRec和情感数据集CMU-MOSI,CMU-MOSEI上的实验结果表明,该多模态学习方法在多个评价指标上优于基线方法.

摘要：提出一种基于协同表示的新的目标跟踪算法.在贝叶斯框架下,采用基于重构误差的观测似然函数和考虑遮挡的模型更新机制设计一个鲁棒的跟踪器.用l1范数来建模重构误差以更好地容忍奇异值,同时用协同表示对编码系数进行约束.实验结果表明,和其他算法相比,本文算法能够战胜遮挡、尺度变化、光照变化、背景混乱等干扰因素,具有较高的准确度和鲁棒性.

摘要：为进一步提高表示分类器中基原子对测试样本的表达能力,提出一种加权融合核稀疏和协同表示的高光谱影像分类算法(WKSCRC)。充分利用核函数处理非线性数据的优势,将高光谱影像数据映射到高维核特征空间;对核稀疏表示系数和核协同表示系数进行加权融合,在核融合表示系数下重构分类测试样本。在ROSIS和AVIRIS两个数据集上的仿真结果表明,该算法在精度与稳定性上优于其它传统分类算法。

摘要：基于稀疏表示的分类识别算法(SRC)在进行人脸识别处理时需要求解基于l1范数最小化问题,导致SRC方法的计算复杂度较高。基于协同表示和规则最小二乘的分类识别方法 (CRC-RLS),提出SRC算法对于分类的有效性不是取决于基于l1范数的稀疏性,而是由其内在的协同表示性所决定的,因此将基于l1范数的稀疏性约束条件简化为最小二乘约束问题,算法复杂度得到大幅降低。由于SRC和CRC-RLS算法均采用特征脸作为分类识别的特征矢量,导致识别鲁棒性不强。以人脸图像的规则化扩展Gabor特征作为特征矢量,结合协同表示的方法,提出了一种新的基于Gabor特征与协同表示的人脸识别算法(Gabor-CRC)。实验结果表明,该方法对于人脸图像的光照、表情和姿态等变化具备较强鲁棒性,算法运行速度较快。

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：在高光谱目标检测领域,基于协同表示的算法展现出优异的性能,但其一直存在异常点对背景字典的污染问题,这一定程度上影响了算法的检测性能。本文提出了一种改进的协同表示高光谱异常检测算法,设计了双层协同表示结构,首先利用第一层协同表示算法将大部分异常点检出,并用其邻域进行背景纯化,剔除已检出的异常点对背景字典的污染,然后用纯化的背景字典来预测背景,进而在第二层采用协同表示进行异常检测。仿真试验表明,通过简单的双层协同表示结构可以有效地减轻异常点对背景污染的问题。该算法的检测性能相对基础的协同表示算法有显著的提升,与现有的算法对比,具有相对较好的检测效果。

摘要：针对最近正则化子空间(NRS)算法精度受限的问题,该文设计了基于随机子空间的最近正则化子空间集成算法(RSNRS)。该算法通过采用随机子空间的集成方式有效地提升了基分类器NRS的分类效果。考虑到充分利用高光谱遥感影像丰富的空间信息,进一步提出了一种基于随机子空间和马尔科夫随机场的高光谱遥感最近正则化子空间集成学习算法(RSNRS-MRF)。该算法利用马尔科夫随机场对RSNRS的初始分类结果进行结构规则化,得到最终分类结果。实验结果表明,RSNRS和RSNRS-MRF在分类效果上比NRS有明显的提升,RSNRS-MRF相较于RSNRS具有更好的分类效果,更能有效削弱噪声。

摘要：针对CRC_RLS对光照变化、表情变化、姿态偏转的人脸识别鲁棒性不高和Gabor-CRC算法对有伪装的人脸识别识别率下降的问题,提出一种基于分块Gabor特征和加权协同表示的人脸识别算法(BG-WCRC)。对图像进行分块,分别对每块提取Gabor特征、下采样和PCA降维构成子块Gabor特征字典,利用CRC_RLS方法计算每块的类别,对各块的类别进行加权投票得到图像的最终类别。在AR、Extended Yale B和ORL人脸库上进行实验,实验结果表明,该算法具有较强的鲁棒性。