首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English

学术不端论文认定及处理办法 版权转让协议 保密证明 录用稿件电子版要求 修改说明格式 更多.... 中国自动化学会 国家智能计算机研发中心 中科院合肥智能机械所 更多....

2023年 36卷 8期 刊出日期 2023-08-25 论文与报告 研究与应用   论文与报告 671 面向跨数据集指静脉识别的可快速迁移模型 黄喆, 郭成安 深度学习技术在手指静脉识别任务中展现出显著的性能优势和潜力.但是,由于其昂贵的训练开销以及不同数据集间存在的类别和分布差异,在某个数据集表现优异的模型可能难以高效应用到新数据或者在新数据上表现不佳.针对识别系统被应用到不同使用群体和设备的实际情景,为了实现模型在不同数据上的高效应用并保持其优良性能,文中提出面向跨数据集指静脉识别的可快速迁移模型,包含两个学习阶段的解决方案.首先,为了得到一个可以较好泛化到未见目标数据的深度模型,在第一阶段提出基于特征对齐和聚类的领域适应算法,引导网络提取有判别力且鲁棒的特征.然后,为了减小图像中由偏差场引起的数据集差异,提出一个偏差场校正网络,消除偏差,并调整潜在分布,使其更相似.最后,为了将模型高效迁移到目标数据并充分利用新数据的模版信息,在执行快速迁移的第二阶段中,设计具有更快学习速度的基于改进极限学习机的分类器,利用它的学习算法,加速模型的迁移训练.在四个公开指静脉数据库上的实验表明,文中模型能够在实现高效迁移的同时,取得与在目标任务上进行充分端到端训练的最佳方法同等的识别性能.对于常见的应用场景,能满足实时部署的需求,从而为深度学习技术在跨数据集指静脉识别应用提供一套可行的解决方案. 2023 Vol. 36 (8): 671-684 [摘要] ( 477 ) [HTML 1KB] [PDF 1081KB] ( 1061 ) 685 基于类相似特征扩充与中心三元组损失的哈希图像检索 潘丽丽, 马俊勇, 熊思宇, 邓智茂, 胡清华 现有的深度哈希图像检索方法主要采用卷积神经网络,提取的深度特征的相似性表征能力不足.此外,三元组深度哈希主要从小批量数据中构建局部三元组样本,样本数量较少,数据分布缺失全局性,使网络训练不够充分且收敛困难.针对上述问题,文中提出基于类相似特征扩充与中心三元组损失的哈希图像检索模型(Hash Image Retrieval Based on Category Similarity Feature Expansion and Center Triplet Loss, HRFT-Net).设计基于Vision Transformer的哈希特征提取模块(Hash Feature Extraction Module Based on Vision Transformer, HViT),利用Vision Transformer提取表征能力更强的全局特征信息.为了扩充小批量训练样本的数据量,提出基于类约束的相似特征扩充模块(Similar Feature Expansion Based on Category Constraint, SFEC),利用同类样本间的相似性生成新特征,丰富三元组训练样本.为了增强三元组损失的全局性,提出基于Hadamard的中心三元组损失函数(Central Triplet Loss Function Based on Hadamard, CTLH),利用Hadamard为每个类建立全局哈希中心约束,通过增添局部约束与全局中心约束的中心三元组加速网络的学习和收敛,提高图像检索的精度.在CIFAR10、NUS-WIDE数据集上的实验表明,HRFT-Net在不同长度比特位哈希码检索上的平均精度均值较优,由此验证HRFT-Net的有效性. 2023 Vol. 36 (8): 685-700 [摘要] ( 345 ) [HTML 1KB] [PDF 2101KB] ( 768 ) 701 双分支多粒度局部对齐的实例级草图图像检索 韩雪昆, 苗夺谦, 张红云, 张齐贤 实例级草图图像检索旨在使用草图检索图像.草图与真实图像之间存在模态差异大和特征不对齐问题,现有方法不能有效减小草图和图像之间模态差异,并且只在单个粒度上获取信息,无法有效进行特征对齐.因此,文中提出双分支多粒度局部对齐网络(Two Stream Multi-granularity Local Alignment Network, TSMLA),引入双分支特征提取器,提取模态共享和模态特异的局部特征,同时利用这两种特征计算草图和真实图像间的距离,减少不同模态间的差异.同时,提出多粒度局部对齐模块,对距离矩阵进行不同粒度的池化操作,在不同尺度上对齐局部特征,进一步解决特征不对齐问题.TSMLA能够充分利用草图和真实图像的信息,同时有效利用不同粒度特征间的联系.在多个数据集上的实验验证TSMLA的有效性. 2023 Vol. 36 (8): 701-711 [摘要] ( 320 ) [HTML 1KB] [PDF 1625KB] ( 854 ) 研究与应用 712 基于层次对比学习的半监督节点分类算法 李雅琪, 王杰, 王锋, 梁吉业 大多数用于半监督节点分类的图对比学习方法需要通过繁琐的图数据增强方式得到两个视图,而且这些数据增强方式会不可避免地改变图语义信息,限制现有图对比学习方法的效率和适用性.为此,文中提出基于层次对比学习的半监督节点分类算法.算法无需进行图数据增强,而是将图神经网络不同层次的表示作为对比的视图进行学习,从而缓解繁琐的搜索以及语义的破坏.此外,设计一种半监督对比损失,有效利用少量的标记信息和大量的无标记信息以提供丰富的监督信号和改进节点的表示.最后,在四个基准数据集上对节点分类任务的实验验证文中算法的有效性. 2023 Vol. 36 (8): 712-720 [摘要] ( 416 ) [HTML 1KB] [PDF 1049KB] ( 1010 ) 721 融合时序知识图谱的路段级交通事故风险预测 唐伟文, 郭晟楠, 陈炜, 林友芳, 万怀宇 从历史交通事故数据中探究事故发生的规律,实现准确的路段级交通事故风险预测,可以有效提升交通出行的安全与效率.然而,由于天气、交通状态等多源因素的影响、交通事故之间复杂的时空相关性和事故数据的稀疏性,实现准确的路段级交通事故风险预测面临巨大的挑战.针对上述挑战,文中提出融合时序知识图谱的双层次多视角时空图神经网络模型(Two-Level and Multi-view Spatial-Temporal Graph Neural Network by Incorporating Temporal Knowledge Graph, STGN-TKG).首先,构建交通事故时序知识图谱并设计交通事故时序知识图谱历时嵌入模型,挖掘多源影响因素数据之间的动态、高阶相关性.然后,利用空间图卷积注意力模块和时序表征模块,从两个层次、多个语义视角,充分建模交通事故之间复杂的时空相关性.最后,提出符合实际场景的事故风险传播策略,缓解数据稀疏带来的零膨胀问题.在两个真实的路段级交通事故风险数据集上的实验表明,STGN-TKG在路段级事故风险预测任务中表现较优. 2023 Vol. 36 (8): 721-732 [摘要] ( 571 ) [HTML 1KB] [PDF 914KB] ( 1006 ) 733 基于耦合协调种群状态评估的差分进化算法 封全喜, 金培源, 岑健铭, 艾武, 林彬 差分进化算法是一种基于群体内个体之间差异的全局随机搜索算法,其中变异算子是差分进化算法的重要组成部分,不同的变异算子适用于不同的种群分布情况.为了有效识别种群的进化状态,文中提出基于耦合协调种群状态评估的差分进化算法,计算四个不同等级目标函数值和个体间距离的耦合协调度,评估种群在迭代过程中所处的进化状态.根据评估结果将种群状态分为搜索、平衡、收敛三种进化状态,并针对不同的进化状态构造相应的变异算子池.此外,通过自适应调节Powell方法,提升算法的收敛速度.最后,在CEC2017测试函数集上的数值实验验证文中算法的有效性. 2023 Vol. 36 (8): 733-748 [摘要] ( 261 ) [HTML 1KB] [PDF 920KB] ( 952 ) 749 基于属性加权的概念认知学习模型 梁涛巨, 林艺东, 林梦雷, 王启君 现有概念认知学习模型往往存在忽略属性与决策间的相关性、涉及的概念空间存在冗余性、学习效果有限等问题.因此,文中提出面向属性加权的概念认知学习模型(Weighted Attributes-Based Concept-Cognitive Learning Model, WACCL).首先,探讨属性与决策之间的相关性,提出属性的加权机制.考虑到概念空间冗余性问题,探索不同概念的地位,实现概念空间压缩.然后,结合概念间的相似性,实现概念聚类,为线索的学习提供依据.最后,在13个数据集上的实验验证WACCL的有效性. 2023 Vol. 36 (8): 749-763 [摘要] ( 317 ) [HTML 1KB] [PDF 4516KB] ( 322 )

主管：中国科学技术协会 主办：中国自动化学会 　　　国家智能计算机研究开发中心 　　　中国科学院合肥智能机械研究所 出版：科学出版社

版权所有 © 《模式识别与人工智能》编辑部 地址：安微省合肥市蜀山湖路350号　电话：0551-65591176　传真：0551-65591176　Email：bjb@iim.ac.cn 本系统由北京玛格泰克科技发展有限公司设计开发 技术支持：support@magtech.com.cn