2021年, 第34卷, 第1期　刊出日期：2021-01-25

  

• 全选
  |

• Select
  主编寄语

  郑南宁

  模式识别与人工智能. 2021, 34(1): 0-0.

  PDF全文 ( ) 可视化 收藏
综述与评论
• Select
  机器推理的进展与展望

  丁梦远, 兰旭光, 彭茹, 郑南宁

  模式识别与人工智能. 2021, 34(1): 1-13. https://doi.org/10.16451/j.cnki.issn1003-6059.202101001

  PDF全文 ( ) HTML ( ) 可视化 收藏

  机器学习算法的发展仍受到泛化能力较弱、鲁棒性较差、缺乏可解释性等问题的限制.文中介绍机器推理,说明推理对于机器学习人的知识和逻辑、理解和解释世界的重要作用.首先分析人类大脑推理机制,从认知地图、神经元和奖赏回路,扩展到受脑启发的直觉推理、神经网络和强化学习.进而总结机器推理的方式及其相互关联的现状、进展及挑战,具体包括直觉推理、常识推理、因果推理和关系推理等.最后展望机器推理的应用前景与未来的研究方向.

论文与报告
• Select
  深度多网络嵌入聚类

  陈锐, 唐永强, 张彩霞, 张文生, 郝志峰

  模式识别与人工智能. 2021, 34(1): 14-24. https://doi.org/10.16451/j.cnki.issn1003-6059.202101002

  PDF全文 ( ) HTML ( ) 可视化 收藏

  现有的深度无监督聚类方法通常局限于单网络结构设计,无法充分利用多种异构网络提取特征中蕴含的互补信息,制约深度聚类方法性能的进一步提升.为此,文中提出深度多网络嵌入聚类算法(DMNEC).首先,以端到端的方式预训练多个异构网络分支,获取各网络的初始化参数.在此基础上,定义多网络软分配,借助多网络辅助目标分布建立面向聚类的KL散度损失.与此同时,利用样本重建损失对预训练阶段的解码网络进行微调,保留数据的局部结构性质,避免特征空间发生扭曲.通过随机梯度下降与反向传播优化重建损失与聚类损失的加权和,联合学习多网络表征及其簇分配.在4个公开图像数据集上的实验验证文中算法的优越性.
• Select
  非光滑凸问题投影型对偶平均优化方法的个体收敛性

  曲军谊, 鲍蕾, 陶卿

  模式识别与人工智能. 2021, 34(1): 25-32. https://doi.org/10.16451/j.cnki.issn1003-6059.202101003

  PDF全文 ( ) HTML ( ) 可视化 收藏

  对于一般凸问题,对偶平均方法的收敛性分析需要在对偶空间进行转换,难以得到个体收敛性结果.对此,文中首先给出对偶平均方法的简单收敛性分析,证明对偶平均方法具有与梯度下降法相同的最优个体收敛速率Ο(lnt/t).不同于梯度下降法,讨论2种典型的步长策略,验证对偶平均方法在个体收敛分析中具有步长策略灵活的特性.进一步,将个体收敛结果推广至随机形式,确保对偶平均方法可有效处理大规模机器学习问题.最后,在L1范数约束的hinge损失问题上验证理论分析的正确性.
• Select
  基于多模态表示学习的知识库补全

  汪璟玢, 苏华, 赖晓连

  模式识别与人工智能. 2021, 34(1): 33-43. https://doi.org/10.16451/j.cnki.issn1003-6059.202101004

  PDF全文 ( ) HTML ( ) 可视化 收藏

  目前大多数知识图谱表示学习只考虑实体和关系之间的结构知识,性能受存储知识的限制,造成知识库补全能力不稳定,而融入外部信息的知识表示方法大多只针对某一特定的外部模态信息建模,适用范围有限.因此,文中提出带有注意力模块的卷积神经网络模型.首先,考虑文本和图像两种外部模态信息,提出三种融合外部模态信息和实体的方案,获得实体的多模态表示.再通过结合通道注意力模块和空间注意力模块,增强卷积的表现力,提高知识表示的质量,提升模型的补全能力.在多个公开的多模态数据集上进行链路预测和三元组分类实验,结果表明文中模型性能较优.
• Select
  局部协同视角下的鲁棒标记分布学习

  徐苏平, 商琳, 周宇杰

  模式识别与人工智能. 2021, 34(1): 44-57. https://doi.org/10.16451/j.cnki.issn1003-6059.202101005

  PDF全文 ( ) HTML ( ) 可视化 收藏

  已有标记分布学习(LDL)算法在一定程度上破坏不同标记间的关联性及标记分布的整体结构,同时,大多仅以提升标记分布的预测性能为目的,忽略计算代价和噪声鲁棒性在实际应用中的重要性.为了缓解上述不足,文中提出基于局部协同表达的标记分布学习算法(LCR-LDL).在LCR-LDL中,一个未标记样本可被视作由该未标记样本邻域构建的局部字典的协同表达,表达系数中的鉴别信息可用于重构未标记样本的标记分布.在15个真实的LDL数据集上的实验表明,LCR-LDL不仅可有效提升LDL的预测性能,而且具有较强的鲁棒性和轻量级的计算开销.
研究与应用
• Select
  结合自集成和对抗学习的域自适应城市场景语义分割

  张桂梅, 鲁飞飞, 龙邦耀, 缪君

  模式识别与人工智能. 2021, 34(1): 58-67. https://doi.org/10.16451/j.cnki.issn1003-6059.202101006

  PDF全文 ( ) HTML ( ) 可视化 收藏

  针对城市场景标签获取的高额成本问题,文中提出结合自集成和对抗学习的域自适应城市场景语义分割方法.对于源域和目标域的较大域间差异问题,采用风格转换的方法将源域数据集合成具有目标域风格的新数据集,作为新的源域数据集,从而有效减少源域与目标域的域间差异.对于目标域的域内差异问题,引入自集成方法,构造教师网络,利用教师网络在目标域分割图上通过一致性约束监督与指导学生网络,从而减小目标域的域内差异,提高分割精度.采用自训练的方法获得目标域的伪标签,将伪标签加入对抗学习方法中,重新训练网络模型,进一步提高模型的分割能力.在数据集上的分割实验表明文中方法的有效性.
• Select
  基于关联约束的对抗跨模态检索方法

  郭倩, 钱宇华, 梁新彦

  模式识别与人工智能. 2021, 34(1): 68-76. https://doi.org/10.16451/j.cnki.issn1003-6059.202101007

  PDF全文 ( ) HTML ( ) 可视化 收藏

  现有跨模态检索方法主要使用某一指标约束得到一个子空间,检索结果往往有差异.为了提高公共子空间的鲁棒性,文中提出基于关联约束的对抗跨模态检索方法.对抗约束通过混淆判别器使其无法分辨子空间特征来自哪个模态,从而提升不同模态特征的一致性.关联约束用于增强投影子空间关联程度.三元组约束同时考虑不同模态同一语义、相同模态不同语义样本之间的结构信息.在数据集上的实验表明文中方法的检索性能得到有效提升.
• Select
  改进Retinex-Net的低光照图像增强算法

  欧嘉敏, 胡晓, 杨佳信

  模式识别与人工智能. 2021, 34(1): 77-86. https://doi.org/10.16451/j.cnki.issn1003-6059.202101008

  PDF全文 ( ) HTML ( ) 可视化 收藏

  针对Retinex-Net存在噪声较大、颜色失真的问题,基于Retinex-Net的分解-增强架构,文中提出改进Retinex-Net的低光照图像增强算法.首先,设计由浅层上下采样结构组成的分解网络,将输入图像分解为反射分量与光照分量,在此过程加入去噪损失,抑制分解过程产生的噪声.然后,在增强网络中引入注意力机制模块和颜色损失,旨在增强光照分量亮度的同时减少颜色失真.最后,反射分量和增强后的光照分量融合成正常光照图像输出.实验表明,文中算法在有效提升图像亮度的同时降低增强图像噪声.
• Select
  基于对抗式分布对齐的跨域方面级情感分析

  杜永萍, 刘杨, 贺萌

  模式识别与人工智能. 2021, 34(1): 87-94. https://doi.org/10.16451/j.cnki.issn1003-6059.202101009

  PDF全文 ( ) HTML ( ) 可视化 收藏

  跨领域情感分类任务旨在利用富含情感标签的源域数据对缺乏标签的目标域数据进行情感极性分析.由此,文中提出基于对抗式分布对齐的跨域方面级情感分类模型,利用方面词与上下文的交互注意力学习语义关联,基于梯度反转层的领域分类器学习共享的特征表示.利用对抗式训练扩大领域分布的对齐边界,有效缓解模糊特征导致错误分类的问题.在Semeval-2014、Twitter数据集上的实验表明,文中模型性能较优.消融实验进一步表明捕获决策边界的模糊特征并扩大样本与决策边界间距离的策略可提高分类性能.