检索结果-内蒙古大学图书馆

计算机应用与软件 2025年第4期42卷 150-155,222页

作者：曹震军朱子奇武汉科技大学计算机科学与技术学院湖北武汉430065

步态识别在现实生活中有着广泛的应用。步态识别问题的关键是从行走的人的视频帧中提取出与步态相关的特征。针对现有的方法不能获得基于外观特征不变的步态特征的问题,利用解耦表示学习的方法,提出一种自编码器架构用于分解步态特征和... 详细信息

步态识别在现实生活中有着广泛的应用。步态识别问题的关键是从行走的人的视频帧中提取出与步态相关的特征。针对现有的方法不能获得基于外观特征不变的步态特征的问题,利用解耦表示学习的方法,提出一种自编码器架构用于分解步态特征和外观特征,利用基于仁义熵的联合熵最小化步态特征和外观特征之间的互信息。通过在CASIA-B、FVG数据集上的大量实验,该方法在步态识别问题中表现出了更好的解耦能力,并且识别准确率更高。

关键词：步态识别解耦表示学习仁义熵自编码器互信息

来源：评论

学校读者我要写书评

暂无评论

面向视觉数据处理与分析的解耦表示学习综述

引用

中国图象图形学报 2023年第4期28卷 903-934页

作者：李雅婷肖晶廖良王正陈文益王密武汉大学计算机学院国家多媒体软件工程技术研究中心武汉430072 日本国立信息学研究所数字内容和媒体科学研究部东京101-8430日本武汉大学测绘遥感信息工程国家重点实验室武汉430079

表示学习是机器学习研究的核心问题之一。机器学习算法的输入表征从过去主流的手工特征过渡到现在面向多媒体数据的潜在表示,使算法性能获得了巨大提升。然而,视觉数据的表示通常是高度耦合的,即输入数据的所有信息成分被编码进同一个... 详细信息

表示学习是机器学习研究的核心问题之一。机器学习算法的输入表征从过去主流的手工特征过渡到现在面向多媒体数据的潜在表示,使算法性能获得了巨大提升。然而,视觉数据的表示通常是高度耦合的,即输入数据的所有信息成分被编码进同一个特征空间,从而互相影响且难以区分,使得表示的可解释性不高。解耦表示学习旨在学习一种低维的可解释性抽象表示,可以识别并分离出隐藏在高维观测数据中的不同潜在变化因素。通过解耦表示学习,可以捕获到单个变化因素信息并通过相对应的潜在子空间进行控制,因此解耦表示更具有可解释性。解耦表征可用于提高样本效率和对无关干扰因素的容忍度,为数据中的复杂变化提供一种鲁棒性表示,提取的语义信息对识别分类、域适应等人工智能下游任务具有重要意义。本文首先介绍并分析解耦表示的研究现状及其因果机制,总结解耦表示的3个重要性质。然后,将解耦表示学习算法分为4类,并从数学描述、类型特点及适用范围3个方面进行归纳及对比。随后,分类总结了现有解耦表示工作中常用的损失函数、数据集及客观评估指标。最后,总结了解耦表示学习在实际问题中的各类应用,并对其未来发展进行了探讨。

关键词：解耦表示学习视觉数据潜在表征变化因素潜空间

来源：评论

学校读者我要写书评

暂无评论

基于解耦表示学习的人脸表情识别方法研究

基于解耦表示学习的人脸表情识别方法研究

引用

作者：莫榕云厦门大学

学位级别：硕士

人脸表情识别技术利用计算机理解人类的情绪信息,具有重要的研究意义和实际价值。但是,人脸表情图像通常包含身份、姿态和光照等多种常见的干扰因素以及发型、配饰和遮挡等潜在的干扰因素。这些干扰因素使人脸表情识别任务具有挑战性。... 详细信息

人脸表情识别技术利用计算机理解人类的情绪信息,具有重要的研究意义和实际价值。但是,人脸表情图像通常包含身份、姿态和光照等多种常见的干扰因素以及发型、配饰和遮挡等潜在的干扰因素。这些干扰因素使人脸表情识别任务具有挑战性。此外,每个人脸表情识别数据集会受到不同类型和不同影响程度的干扰。为了解决上述问题,本文提出两种有效的人脸表情识别方法: 首先,本文提出一种基于双分支干扰解耦网络的人脸表情识别方法。大多数人脸表情识别方法只考虑部分类型的常见干扰因素或者没有利用常见干扰因素的先验信息,导致模型无法全面地学习干扰信息。因此,本文提出一种新颖的基于双分支干扰解耦网络的人脸表情识别方法。该方法通过迁移学习显式地提取常见干扰特征,并基于无监督解耦表示学习隐式地学习潜在干扰特征。此外,该方法引入对抗训练来扩大表情特征和干扰特征之间的差异性。该方法在CK+、MMI、Oulu-CASIA、RAF-DB、SFEW 和 AffectNet 数据集上分别达到了 99.52%、86.30%、89.24%、88.79%、62.16%和64.77%的识别准确率。在Aff-Wild2数据集上,该方法取得了 48.01%的总分。实验结果充分验证了该方法具备优良的识别表现。其次,本文提出一种基于自适应干扰解耦学习的人脸表情识别方法。不同的人脸表情识别数据集存在不同类型的常见干扰因素,并且影响程度不同。因此,为了适应不同数据集的干扰特性,该方法在干扰子网络设计一个自适应干扰特征学习模块。同时,该方法利用互信息来衡量表情特征和干扰特征之间的相关性,从而实现这两类特征的显式分离。该方法在CK+、MMI、Oulu-CASIA、RAF-DB、SFEW和AffectNet 数据集上分别达到 99.64%、86.32%、89.44%、89.34%、62.16%和 66.20%的识别准确率。在Aff-Wild2数据集上,该方法取得49.66%的总分。七个公开数据集上的实验结果表明,该方法的性能优于其它对比方法。

关键词：深度学习解耦表示学习人脸表情识别多任务学习迁移学习

来源：评论

学校读者我要写书评

暂无评论

基于情感特征解耦学习的表情识别方法研究

基于情感特征解耦学习的表情识别方法研究

引用

作者：陈华文西安理工大学

学位级别：硕士

面部表情识别在情感计算中占有重要地位,已被广泛应用于人机交互、驾驶者异常监测、疼痛估计、远程教育等领域。人类表达情感的方式并不相同,即使传递同一种情感,面部表情也因人肤色、性别等身份属性的不同存在差异。目前常用的深度学... 详细信息

面部表情识别在情感计算中占有重要地位,已被广泛应用于人机交互、驾驶者异常监测、疼痛估计、远程教育等领域。人类表达情感的方式并不相同,即使传递同一种情感,面部表情也因人肤色、性别等身份属性的不同存在差异。目前常用的深度学习方法能够有效地提取图像语义特征完成表情识别,但由于现有的表情数据集样本偏少,仍难以学习到与个人身份无关的表情特征。本文研究了基于情感特征解耦学习的表情识别方法以解决表情特征与身份特征之间的耦合问题,主要工作包括:(1)针对表情数据集样本数少的问题,研究了基于多任务特征空间解耦的表情识别方法。利用多任务学习的隐式数据增强能力间接扩充样本空间,提高模型在少样本情况下的泛化性能;考虑到个人身份对表情识别的影响,利用属性解耦合方法,分别将表情属性和身份属性映射到不同隐空间,通过表情图像重构任务监督编码器训练,从而实现表情特征与身份特征解耦合。(2)研究了基于表情残差学习的表情识别方法。利用表情映射模型将输入表情映射生成中性表情,学习面部表情特征的解耦表示;通过表情映射获取表情残差图,针对不同特征层级的表情残差设计不同结构的基分类器;通过特征感知层自动学习特征的重要性,以减少基分类器全连接层特征冗余;最后构建多基分类器集成决策识别模型识别不同表情残差,从而降低个人身份对表情识别的影响。(3)在标准表情数据集上验证了本文提出的表情识别方法。通过在CK+、RaFD数据集的对比实验,并可视化解耦前后特征分布图,验证了基于多任务特征空间解耦的表情识别方法能够有效实现表情特征与身份特征解耦合,减弱个人身份属性对表情识别的影响,提高模型识别精度;同时设计扩展实验进一步验证了该方法的泛化性能和识别能力。通过在Oulu-CASIA和RaFD数据集上的对比实验结果,验证了基于表情残差学习的表情识别方法能够有效利用表情残差中隐藏的表情信息,提升模型识别精度;同时通过消融实验进一步验证了本文集成决策识别模型的可靠性。

关键词：表情识别解耦表示学习深度神经网络多任务学习表情残差学习

来源：评论

学校读者我要写书评

暂无评论

基于多模态特征解耦学习的情感识别

基于多模态特征解耦学习的情感识别

引用

作者：董丹阳西安理工大学

学位级别：硕士

情感识别通常利用生理信号和行为特征等多种信息源推断不同的情感类别。基于音视频的多模态情感识别技术因其鲁棒性而受到广泛关注,目前大部分研究方法没有充分考虑模态的时序性与模态信息之间的互补性,导致了不同模态特征难以高效融合... 详细信息

情感识别通常利用生理信号和行为特征等多种信息源推断不同的情感类别。基于音视频的多模态情感识别技术因其鲁棒性而受到广泛关注,目前大部分研究方法没有充分考虑模态的时序性与模态信息之间的互补性,导致了不同模态特征难以高效融合;同时识别对象的身份多样性对模型学习也产生了很多干扰因素,使得算法准确率难有较大提升。针对上述问题,本文的主要工作包括:(1)提出了一种基于注意力机制的双序列LSTM网络的多模态情感识别方法,通过在模型中添加不同类型的注意力机制来提高音视频情感识别模型对有效信息的关注度。首先,对于视频模块,通过高效的ResNeXt50网络结合协调注意力机制捕捉视频图像序列的位置信息和空间上的长时依赖信息,对于音频模块,通过加入自注意力机制的一维CNN对其进行表示学习获得语义特征。其次,将两种模态的特征分别通过嵌入自注意力机制的双序列LSTM跨模态网络,得到融合表示后最终求得情感输出,自注意力机制和双序列LSTM网络保证了模态特征间信息的互补性和完整性。通过不同的特征提取网络结合不同的注意力机制来表现出最佳特征,实现模型的高效表达。通过RAVDESS和eNTERFACE'05两个数据集上的对比实验以及消融实验,验证了该算法能够正确处理时序和互补信息,并降低融合特征中的冗余。(2)提出了基于多任务特征空间解耦的音视频情感识别方法,通过解耦出音视频特征中的身份属性相关表示降低对情感分类结果的影响。首先使用情感属性编码器与身份属性编码器将融合音视频特征映射到不同的任务隐空间,然后通过多任务训练的方式学习情感相关和身份相关的潜层表示,同时引入情感身份耦合损失函数衡量情感识别和身份识别任务中的分类损失,采用动态自适应的方式更新每个任务的权重,引导模型参数学习,从而提高分类精度。通过RAVDESS和eNTERFACE'05两个数据集上的对比实验、消融实验以及特征可视化实验,验证了基于多任务特征空间解耦的音视频情感识别方法能够有效减弱情感特征与身份特征的耦合,提升情感识别精度。

关键词：情感识别多模态注意力机制解耦表示学习

来源：评论

学校读者我要写书评

暂无评论

融合结构邻居和语义邻居的解耦图对比学习推荐模型

引用

计算机系统应用 2024年第7期33卷 149-160页

作者：杨红伟曹家晟刘学军邢卓雅南京工业大学计算机与信息工程学院南京211800 伯明翰大学计算机科学学院伯明翰B152TT

基于GCN的协同过滤模型在推荐领域取得了较好的效果,但现有的图协同过滤学习方法通常不区分用户和项目的交互关系,不易挖掘用户行为的潜在意图.因此,提出了一种融合结构邻居和语义邻居的解耦图对比学习推荐模型.首先,将用户和项目嵌入... 详细信息

基于GCN的协同过滤模型在推荐领域取得了较好的效果,但现有的图协同过滤学习方法通常不区分用户和项目的交互关系,不易挖掘用户行为的潜在意图.因此,提出了一种融合结构邻居和语义邻居的解耦图对比学习推荐模型.首先,将用户和项目嵌入投影到独立空间进行意图解耦;其次,在图传播阶段,依据用户和项目的意图特征挖掘其潜在语义邻居,根据意图相似性对结构邻居和语义邻居进行解耦表征学习,生成用户和项目的完整高阶表示.在对比学习阶段,对节点进行随机扰动并生成对比视图,构建结构和语义的对比学习任务;最后,根据多任务策略,对监督任务和对比学习任务进行联合优化.在真实数据集Yelp2018和Amazon-Book上的实验表明,提出的模型相比最优基准模型NCL在两个数据集上的Recall@20指标提高了7.54%、5.65%,NDCG@20指标提高了8.57%、6.28%.

关键词：推荐系统协同过滤图对比学习解耦表示学习

来源：评论

学校读者我要写书评

暂无评论

基于层次意图解耦的图卷积神经网络推荐模型

引用

计算机应用研究 2023年第5期40卷 1341-1345,1351页

作者：吴田慧孙福振张文龙董家玮王绍卿山东理工大学计算机科学与技术学院山东淄博255049

当前意图推荐研究提取出的用户意图趋向扁平化,忽略了意图间的层次关系。针对以上问题,提出了一种基于层次意图解耦的图卷积神经网络推荐模型(HIDR),将用户—项目交互图划分为多个动态交互子图,以刻画从细粒度到粗粒度的用户意图层次图... 详细信息

当前意图推荐研究提取出的用户意图趋向扁平化,忽略了意图间的层次关系。针对以上问题,提出了一种基于层次意图解耦的图卷积神经网络推荐模型(HIDR),将用户—项目交互图划分为多个动态交互子图,以刻画从细粒度到粗粒度的用户意图层次图。首先,在每个意图交互子图中根据节点高阶连接性自适应地聚合来自高阶邻域的信息,解耦提取用户细粒度意图表示;然后,依据低层次细粒度意图之间的相似关系在高层网络上构建粗粒度意图超节点,显式建模从细粒度到粗粒度的意图层次结构;最后,将解耦得到的层次意图向量聚合为高质量的用户和项目表示,并进行内积预测和迭代优化。在Gowalla和Amazon-book两个数据集上的实验结果表明,相较于最优基线模型CLSR,HIDR的召回率(recall)分别提升了10.82%、6.63%,归一化折损累计增益(NDCG)分别提升了14.65%、9.63%,精度(precision)分别提升了10.46%和7.73%。

关键词：推荐系统图卷积神经网络层次意图推荐协同过滤解耦表示学习

来源：评论

学校读者我要写书评

暂无评论

多兴趣尺度序列推荐算法研究

多兴趣尺度序列推荐算法研究

引用

作者：袁涛中国科学院大学

学位级别：博士

推荐系统根据大量历史行为数据，从海量信息中挖掘用户可能感兴趣的物品，为用户提供个性化服务，能够提升企业产品的智能化、用户体验及平台利益。推荐系统在电子商务、信息检索、社交网络、位置服务、新闻推送等领域都取得了成功的应... 详细信息

推荐系统根据大量历史行为数据，从海量信息中挖掘用户可能感兴趣的物品，为用户提供个性化服务，能够提升企业产品的智能化、用户体验及平台利益。推荐系统在电子商务、信息检索、社交网络、位置服务、新闻推送等领域都取得了成功的应用，已经成为工业界和学术界研究的热点。与传统推荐不同，序列推荐考虑用户与物品的交互时间，将交互历史视为一个序列，而非集合。大量研究工作表明预测物品对用户历史行为序列的依赖是多层次的，依赖于用户的长期、短期或中期兴趣，因此采用多尺度方法对用户兴趣进行细粒度建模，能够获得更加准确的推荐结果。　　经验显示用户兴趣的多尺度建模成为必然趋势。理论表明多尺度建模与当前主流的基于神经网络的序列推荐模型可以实现优势互补。从神经网络的输入层来看，多尺度兴趣的显式结构建模，能捕捉因果性，物理意义明确，但不能充分利用神经网络语义建模的优势。从神经网络的隐层来看，多尺度兴趣的隐式表示学习，能够充分发挥神经网络的优势，但物理意义不明确，可解释性不好。如何学习用户多尺度兴趣的解耦表示，同时利用两类模型的优势，得到隐式表示与对应的显式结构是面临的主要挑战。　　首先，针对多尺度兴趣的显式结构建模问题，本文提出了基于拓扑数据分析的可解释显式多尺度序列推荐方法。该方法首先提出了拓扑转换层，在拓扑空间采用持续同调将每个用户历史交互序列映射为一棵多尺度用户兴趣树。然后提出树聚合模块通过递归聚合过程学习跨尺度用户兴趣间的包含关系，得到用户多尺度兴趣树的节点表示。同时，将树聚合模块添加到普通Transformer，形成递归树Transformer来建模预测目标对不同尺度的用户兴趣特征的依赖，生成统一的用户兴趣表示，来预测用户可能感兴趣的物品。　　其次，针对多尺度兴趣的隐式表示学习问题，本文提出了时钟分组的隐式多尺度序列推荐方法。依据用户兴趣的动态变化程度不同，该方法首先借鉴CW-RNN，为循环神经网络隐层神经元分组，设计不同的更新频率，以抽取多个时间尺度的用户兴趣特征。然后，通过尺度维卷积来建模对不同尺度的用户兴趣特征的依赖，生成多尺度用户兴趣特征的统一表示，来预测用户可能感兴趣的物品。　　最后，针对多尺度兴趣的解耦表示学习问题，本文提出了基于动态层次建模的自适应解耦多尺度序列推荐方法。为了能够同时学习多尺度的隐式表示以及推断多尺度的显式层次结构，该方法首先提出了近邻块注意力机制来判断两个相邻物品块是否合并。接着，利用判断结果动态生成块掩码矩阵。然后，根据动态块掩码矩阵与自注意力机制，计算当前层的隐式表示。从所有层的动态块掩码矩阵中可以推断出对应的层次结构。　　本文的主要创新点和贡献如下:(1)将多兴趣尺度序列推荐问题形式化为序列模式挖掘问题。(2)针对多尺度用户兴趣的显式结构建模问题，提出了一种基于拓扑数据分析的多尺度序列推荐模型(TIMe)，建模目标物品对不同时间尺度的物品集合的显式依赖。(3)针对用户多尺度兴趣的隐式表示学习问题，提出了一种基于时钟分组的多时间尺度序列推荐模型(MC-RNN)，获得多尺度用户兴趣的隐式表示。(4)针对用户多尺度兴趣的解耦表示学习问题，提出了一种动态层次Transformer多尺度序列推荐模型(DHT4Rec)，能同时获得多尺度用户兴趣隐式表示与显式层次树。

关键词：序列推荐多尺度兴趣树聚合模块拓扑数据分析隐式表示学习解耦表示学习

来源：评论

学校读者我要写书评

暂无评论

结合全局信息的深度图解耦协同过滤

引用

计算机科学 2023年第1期50卷 41-51页

作者：郝敬宇文静轩刘华锋景丽萍于剑北京交通大学交通数据分析与挖掘北京市重点实验室北京100044 北京交通大学计算机与信息技术学院北京100044

基于GCN的协同过滤模型通过用户物品交互二部图上的信息聚合过程生成用户节点和物品节点的表示,预测用户对物品的偏好。然而,这些模型大多没有考虑用户不同的交互意图,无法充分挖掘用户与物品之间的关系。已有的图解耦协同过滤模型建模... 详细信息

基于GCN的协同过滤模型通过用户物品交互二部图上的信息聚合过程生成用户节点和物品节点的表示,预测用户对物品的偏好。然而,这些模型大多没有考虑用户不同的交互意图,无法充分挖掘用户与物品之间的关系。已有的图解耦协同过滤模型建模了用户的交互意图,却忽略了图全局信息,没有考虑用户节点和物品节点的本质特征,造成表示语义不完整;并且由于受到模型迭代结构的影响,意图解耦学习的过程并不高效。针对上述问题,设计了结合全局信息的深度图解耦协同过滤模型G2DCF(Global Graph Disentangled Collaborative Filtering)。该模型构建了图全局通道和图解耦通道,分别学习节点的本质特征和意图特征;通过引入正交约束和表示独立性约束,使用户-物品的交互意图尽可能唯一防止意图退化,同时提高不同意图下表示的独立性,提升模型的解耦效果。对比已有的图协同过滤模型,G2DCF能更综合地刻画用户特征和物品特征。在3个公开数据集上进行了实验,结果表明G2DCF在多个评价指标上优于对比方法;分析了表示分布的表示独立性和表示均匀性,验证了模型的解耦效果;同时从收敛速度上进行了对比,验证了模型的有效性。

关键词：推荐系统协同过滤解耦表示学习图神经网络全局信息

来源：评论

学校读者我要写书评

暂无评论

基于多视图多光谱的指部生物特征识别关键问题研究

基于多视图多光谱的指部生物特征识别关键问题研究

引用

作者：杨伟力华南理工大学

学位级别：博士

生物特征识别技术是各种社会经济活动中用于鉴定个体身份的主要技术,它利用传感器从待认证个体身上采集具有独特身份信息的生理特征、行为特征或心理生理特征,并采用合适的识别算法从这些特征数据中提取身份信息进而识别身份。安全、准... 详细信息

生物特征识别技术是各种社会经济活动中用于鉴定个体身份的主要技术,它利用传感器从待认证个体身上采集具有独特身份信息的生理特征、行为特征或心理生理特征,并采用合适的识别算法从这些特征数据中提取身份信息进而识别身份。安全、准确、便捷地识别个体身份是生物特征识别技术最核心的问题。在众多生物特征模态中,手指上的模态种类丰富、特征稳定,且手指灵巧、采集便捷人性化,因此指部生物特征得到了广泛的应用和研究。然而目前指部特征采集主要使用单视图单光谱成像方式,使所采集特征易受手指姿态变化和环境光照的影响,从而引起公共纹理缺失、纹理非线性变形和纹理对比度降低等问题,最终影响了系统的准确率。此外,现有多模态生物特征识别系统往往直接融合不同模态,却忽略了不同模态之间的相关信息。针对上述问题,本文从多模态指部特征的角度,采用多视图多光谱的成像方式去探索高准确率高安全性的多模态指部生物特征识别方法,提出了一系列新的成像方式及设备、特征重构算法和特征提取算法,有效地提高了多模态指部特征识别系统的识别精度和安全性能。本文的主要内容如下:(1)针对单视图指静脉图像易受手指姿态变化引起公共纹理缺失和纹理变形问题,本章提出一种基于三视图成像方式的实时三维指部静脉重建算法,所重建的三维指部静脉模型同时包含三维指形信息和静脉纹理信息。基于该重建算法,本章构建并公开了目前最大的三维指部静脉数据集SCUT LFMB-3DPVFV。为增强算法对手指姿态的鲁棒性,本章提出基于旋转群表示的三维指部静脉认证网络,利用所设计的旋转群来表示三维指部静脉模型,从而将旋转问题转换为置换问题,再输入由动态图卷积和多层感知机堆叠而成的网络实现对细粒度特征的聚合,最后使用全局对称操作提取旋转不变特征。该认证网络在多个公开的三维指静脉数据集上取得了最佳的认证结果。(2)单张指静脉图像没有参考图像与之对比,使算法难以有效发现单张图像中的公共纹理缺失和纹理对比度变差的问题。为此,本章采用了三种多视图指静脉成像方式,每根手指均采集三个多视图指静脉图像集,以探索静脉图像集合中身份信息的互补与融合,提升识别准确率。本章还构建并公开了首个多视图指静脉数据集SCUT LFMB-MVFV。为有效挖掘不同视角图像之间的互补信息,本文提出一种基于视图注意力机制的多视图卷积神经网络VW-MVCNN,其在MVCNN基础上嵌入视图注意力模块以动态地预测每个视图特征的融合权重,实现多视图静脉特征的有效融合。最后,我们在所构建的三个基于图像集的多视图指静脉数据集上展开了单视图识别、最佳质量图像识别和多视图识别等实验,验证了VW-MVCNN的有效性。(3)针对静脉图像对比度较差,身份判别力相对较弱的问题,本章引入皮肤模态,设计了一种多视图多光谱指部多模态特征采集系统,其用六个摄像头采集手指图像,并用蓝色可见光和近红外光照射手指,同时获得6张手指表面皮肤纹理图像和6张手指内部静脉纹理图像。本章还首次提出一种全息三维手指模型及其重建方法。基于该系统和重建算法,本章构建并公开了首个大规模三维指部多模态生物特征数据集SCUT LFMB-3DFB,该数据集包含了手指上已知的所有生物特征,既有多视图多光谱的二维指部图像还有所重建的全息三维手指生物特征。本章还设计了一套全面而科学的基准测试协议,规范了类别无关联的认证任务(Subject-independent Verification Task)和类别无关联的闭集设置的识别任务(Subject-independent Close-set Identification Task)。基于该数据集和基准测试协议,本研究展开了广泛而严格的实验和分析,验证所提系统和多模态指部特征的有效性和研究价值。(4)针对已有多模态识别系统常忽视模态之间相关信息的问题,本章提出一种指部特征解耦表示学习框架FDRL-Net,其将每种模态映射至与模态相关联的私有特征子空间和与模态无关联的共享特征子空间中。解耦后,这两个独立的子空间构成了对原模态完整的表示,而且私有特征和共享特征之间,以及两模态的私有特征之间的互补性得到提升,改善了融合识别性能;共享特征是从每种模态中提取的模态不变特征,基于该共享特征,本文首次在手指上尝试跨模态的异质识别。为解决FDRL-Net网络中同时存在两种不同模态的信息流的问题和网络中多个目标函数优化方向不一致的问题,将FDRL-Net设计为基于四流CNN的多任务学习网络,并提出一种损失分组和联合优化策略进一步解决上述问题。为获得轻量化的网络结构,并让该轻量化网络具备高效的特征解耦能力,本章提出一种纤夫多任务知识蒸馏方法以获得一个轻量化的单流FDRL-Net。本文在SCUT LFMB-3DFB数据集的六个单视图多光谱数据子集和两个重建的全视图多光谱数据集上展开广泛的对比实验和消融实验,并进行了深入

关键词：多视图多光谱指部生物特征指静脉多模态三维手指解耦表示学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：