Current Location:home > Browse

1. chinaXiv:201904.00012 [pdf]

基于改进的深度残差网络的表情识别研究

何俊; 刘跃; 李倡洪; 沈津铭; 李帅; 王京威
Subjects: Computer Science >> Integration Theory of Computer Science

提出了一种基于改进的深度残差网络(residual network,ResNet)的表情识别算法。采用小卷积核和深网络结构,利用残差模块学习残差映射解决了随着网络深度的增加网络精度下降问题, 通过迁移学习方法克服了因数据量不足导致训练不充分的缺点;网络架构使用了线性支持向量机(SVM)进行分类。实验中首先利用ImageNet数据库进行网络参数预训练,使网络具有良好的提取特征能力,根据迁移学习方法,利用FER-2013数据库以及扩充后的CK+数据库进行参数微调和训练。该算法克服了浅层网络需要依靠手工特征,深层网络难以训练等问题,在CK+数据库以及GENKI-4K数据库上分别取得了91.333%和95.775%识别率。SVM在CK+数据库的分类效果较Softmax提高了1%左右。

submitted time 2019-04-01 From cooperative journals:《计算机应用研究》 Hits608Downloads285 Comment 0

2. chinaXiv:201812.00114 [pdf]

基于Spark的改进K-means算法的并行实现

杜佳颖; 段隆振; 段文影; 卜秋瑾
Subjects: Computer Science >> Integration Theory of Computer Science

针对K-means聚类算法存在的不足,提出了改进K-means来提高算法的性能,利用简化后的轮廓系数作为评估标准衡量K-means算法中k值,采用K-means++完成K-means算法初始中心点的选择。设置好k值以及初始中心点后使用形态学相似距离作为相似度测量标准将数据点归属到距离最近的中心点形成的簇中,最后计算平均轮廓系数确定合适的k值,并在Spark上实现算法并行化。通过对四个标准数据集在准确性,运行时间和加速比三个方面的实验表明,改进后的K-means算法相对于传统的K-means算法和SKDK-means算法不仅提高了聚类划分质量,缩短了计算时间,而且在多节点的集群环境下表现出良好的并行性能。实验结果分析出提出的改进算法能有效提高算法执行效率和并行计算能力。

submitted time 2018-12-13 From cooperative journals:《计算机应用研究》 Hits273Downloads170 Comment 0

3. chinaXiv:201805.00388 [pdf]

适用于迭代型去模糊算法的自适应迭代终止条件

江顺亮; 姜尹楠; 曾小霞; 唐祎玲; 徐少平
Subjects: Computer Science >> Integration Theory of Computer Science

由于缺乏有效的迭代终止条件(iterative stopping criterion,ISC),目前大多数去模糊算法简单采用固定的迭代次数实现,存在着执行效率低、去模糊效果不够理想等问题。为此,提出一种基于残差图像(迭代过程中所获得的中间估计图像和模糊核卷积后与模糊图像之间的差值)的去模糊效果度量(deblurring measure,DM),并在该DM度量的基础上设计了一种自适应的迭代终止条件(adaptive ISC,AISC)。将所提出的AISC迭代终止条件应用于经典的NCSR(nonlocally centralized sparse representation) 迭代型去模糊算法中。在均匀模糊、高斯模糊和运动模糊三种典型模糊失真类型下大量的实验数据表明,与采用固定迭代次数的原NCSR算法相比,采用自适应迭代条件后NCSR算法执行效率得到显著提升,且所复原图像在PSNR、SSIM和FSIM图像指标值上与原算法差别不大。

submitted time 2018-05-18 From cooperative journals:《计算机应用研究》 Hits262Downloads151 Comment 0

4. chinaXiv:201804.02178 [pdf]

流计算模式下概率粗糙集三支决策的快速计算

徐健锋; 王喜秋; 刘斓; 汤涛
Subjects: Computer Science >> Integration Theory of Computer Science

在流计算模式下进行三支决策的快速计算研究是一项具有挑战性的新议题。针对流计算模式中的动态对象增量与减量同步发生的现象,提出了一种概率粗糙集三支决策的快速流计算方法。首先讨论了流计算模式中决策信息系统的单对象增减更新模式的数据模式,然后基于流计算数据变化模式分别提出了数据增量与数据减量时三支决策域的变化推理,最后基于上述理论给出了一种流计算模式下的三支决策动态增减快速学习算法。通过八种UCI数据集的对比实验,证明了该算法不但在时间消耗上明显优于经典三支决策算法,而且对于三支决策阈值具有较强的稳定性。

submitted time 2018-04-17 From cooperative journals:《计算机应用研究》 Hits262Downloads183 Comment 0

  [1 Pages/ 4 Totals]