論文元數(shù)據(jù)搜索，找到相關(guān)信息共 2 條：
2016, 38(1): 23-28.
doi: 10.11999/JEIT150546
刊出日期：2016-01-19
論文為解決旋轉(zhuǎn)目標(biāo)圖像匹配問題，提出旋轉(zhuǎn)不變梯度直方圖(RI-HOG)目標(biāo)描述方法。RI-HOG描述方法首先將目標(biāo)區(qū)域等間隔劃分為多個同心圓環(huán)并統(tǒng)計每個圓環(huán)的梯度直方圖(HoG)，各圓環(huán)HoG累加的結(jié)果作為目標(biāo)區(qū)域的主方向，再將各圓環(huán)HoG根據(jù)主方向旋轉(zhuǎn)相應(yīng)角度作主方向歸一化處理，最后把旋轉(zhuǎn)后的各圓環(huán)HoG按空間順序連接后即生成RI-HOG。對實際采集圖像的仿真結(jié)果表明，基于RI-HOG的目標(biāo)匹配算法在目標(biāo)旋轉(zhuǎn)任意角度時依然能夠準(zhǔn)確檢測到目標(biāo)。RI-HOG具有很好的旋轉(zhuǎn)不變性。
2025, 47(4): 1172-1181.
doi: 10.11999/JEIT240855
刊出日期：2025-04-01
已有的深度主動聚類方法未能通過標(biāo)注樣本推理生成必須鏈接(ML)約束或不能鏈接(CL)約束，標(biāo)注成本較高。為此該文提出一種基于約束傳遞的深度主動時序聚類方法。該方法設(shè)置了標(biāo)注類簇集合(ACS)及相應(yīng)的輔助標(biāo)注集合(AAS)。通過預(yù)訓(xùn)練時序自編碼器得到時序樣本的表示向量。在深度聚類的每個訓(xùn)練輪次過程中，采樣并標(biāo)注表示空間中離類簇中心最近的樣本存入ACS，使每個ACS內(nèi)的樣本屬同一類別而ACS集合間的樣本屬于不同類別，然后從包含樣本數(shù)最小的ACS集合中隨機(jī)選取時序樣本，采樣并標(biāo)注與該樣本不屬于同一類簇且距其所在類簇中心最近的時序樣本存入AAS，使ACS與相應(yīng)的AAS中的樣本為不同類別，由ACS及對應(yīng)的AAS中的樣本推理生成ML和CL約束。由基于t-分布的類簇分布與其生成的輔助分布間的KL散度以及使?jié)M足ML及CL約束的時序樣本在表示空間距離分別變小和變大的約束損失更新時序自編碼器中編碼網(wǎng)絡(luò)參數(shù)和聚類中心。在18個公開數(shù)據(jù)集上的實驗結(jié)果表明，該方法聚類效果在較低標(biāo)注預(yù)算下平均RI值比已有的典型基線模型均提升5%以上。
