高斯过程通过概率建模能够有效地捕捉数据中的复杂关系，并提供关于预测结果的不确定性评估，是一个强大而灵活的工具．但由于矩阵求逆的较高计算复杂度，限制了模型在其他领域内的应用．本文针对高斯过程模型的矩阵求逆问题，提出了一种基于球谐函数的高斯过程近似模型（Variational Sparse Gaussian Processes based on Spherical Harmonic， SHVSGP），通过球谐函数将数据映射到超球面上，在一个不同于数据原始输入域的空间中寻找一个更紧凑的输入特征代表集，使得产生的稀疏高斯过程模型能够包含有更丰富的信息特征，同时获得诱导变量相关的对角协方差矩阵，这极大简化了矩阵运算的复杂度，节省了计算成本．本文将SHVSGP模型与当下流行的其他近似方法在大规模数据集上进行比较，结果表明SHVSGP模型可以获得高效且精确的预测.
光场图像作为一种能够捕获场景每个位置光线信息的图像类型,在电子成像、医学影像和虚拟现实等领域具有广泛的应用前景.光场图像质量评估(Light Field Image Quality Assessment,LFIQA)旨在衡量此类图像的质量,但当前方法面临视觉效果...
详细信息
光场图像作为一种能够捕获场景每个位置光线信息的图像类型,在电子成像、医学影像和虚拟现实等领域具有广泛的应用前景.光场图像质量评估(Light Field Image Quality Assessment,LFIQA)旨在衡量此类图像的质量,但当前方法面临视觉效果与文本模态间异构性的重要挑战.为解决上述问题,本文提出了一种基于文本-视觉的多模态光场图像质量评估模型.具体来说,在视觉模态方面,我们设计了多任务模型,结合边缘自动阈值算法有效丰富了光场图像的关键表示特征.在文本模态方面,基于输入噪声特征与预测噪声特征的对比,准确识别光场图像的噪声类别,并验证了噪声预测对优化视觉表示的重要性.基于上述研究,进一步提出了一种优化的通用噪声文本配置方法,并结合边缘增强策略,显著提升了基线模型在光场图像质量评估中的准确性和泛化能力.此外,通过消融实验,评估了各组件对整体模型性能的贡献,验证了本文方法的有效性和稳健性.实验结果表明,该方法不仅在公开数据集Win5-LID和NBU-LF1.0的实验中表现出色,还在融合数据集中展示出优秀的实验结果,与现有最优算法相比,本文所提方法在两个数据库中的性能分别提升了2%和6%.本文提出的噪声验证策略和配置方法不仅为图像质量评估中的噪声预测任务提供了有价值的参考,也可用于其它噪声预测类型的辅助任务.
因果推断可以帮助人们制定更加合理的决策方案,在电子商务和精准医学等领域有广泛的应用,其性能严重依赖对个体因果效应(Individual Treatment Effect,ITE)的准确估计,观察数据中存在的选择偏差与样本数量不一致问题都会影响ITE估计的准确性.对于选择偏差问题,现有的深度学习方法主要通过平衡所有协变量来进行缓解,但平衡协变量中与处理无关的噪声变量会导致对个体因果效应的估计不准确.对于样本数量不一致问题,这些方法主要通过在损失函数中添加样本权重来进行缓解,但其不能有效提升模型预测的准确性.提出一种基于深度表示学习的方法,通过g^(nn)和IPM(Integral Probability Metric)网络共同诱导神经网络得到协变量中非噪声变量的平衡共享表示,然后引入X-Net来缓解样本数量不一致问题.在半合成与真实数据集上的实验结果表明,提出的算法可以通过缓解样本选择偏差与样本数量不一致问题来提高模型ITE估计的准确性.
暂无评论