Toggle navigation
首页
期刊介绍
期刊简介
历史沿革
收录情况
获奖情况
引用指标
编委会
期刊在线
文章推荐
过刊浏览
专辑专刊
下载排行
阅读排行
投稿指南
组稿方向
投稿须知
论文模板
常见问题
署名变更申请
单位变更申请
版权转让协议
中图分类号
引言书写要求
参考文献著录格式
插图与表格规范
英文摘要书写要求
收费标准
学术诚信
联系我们
编辑部联系方式
位置示意图
期刊订阅办法
广告合作
English
栏目文章信息
2017年中国计算机学会人工智能会议(CCFAI 2017) 栏目所有文章列表
(按年度、期号倒序)
一年内发表的文章
|
两年内
|
三年内
|
全部
Please wait a minute...
选择:
导出引用
EndNote
Ris
BibTeX
显示/隐藏图片
Select
1.
交叉反向学习和同粒社会学习的粒子群优化算法
张新明, 康强, 王霞, 程金凤
计算机应用 2017, 37 (
11
): 3194-3200. DOI:
10.11772/j.issn.1001-9081.2017.11.3194
摘要
(
424
)
PDF
(1241KB)(
468
)
可视化
收藏
针对社会学习粒子群优化(SLPSO)算法存在的优化效率低、收敛速度慢等问题,提出了一种改进的SLPSO算法,即基于交叉反向学习和同粒社会学习的PSO算法(CPPSO)。首先,将最优解随机纵向交叉与一般反向学习以及随机反向学习构建交叉反向学习;然后,以此交叉反向学习策略更新种群中的最优粒子位置,增强探索能力,并克服SLPSO中最优粒子无更新导致效率低下的缺点;最后,对于非最优粒子,与SLPSO采用基于维的社会学习不同,均采用新型基于粒子的社会学习机制,在提高全局搜索能力同时,更提高开采能力和搜索效率。在一组不同维基准函数上优化的实验结果表明,CPPSO的优化性能、搜索效率和普适性大幅度领先于SLPSO和其他先进的PSO改进算法,如交叉搜索PSO (CSPSO)算法、自我调节的PSO (SRPSO)算法、异构综合学习的PSO (HCLPSO)算法和反向学习和局部学习能力的PSO (RLPSO)算法。
参考文献
|
相关文章
|
多维度评价
Select
2.
融合异质网络与主题模型的方面分预测
吉余岗, 李依桐, 石川
计算机应用 2017, 37 (
11
): 3201-3206. DOI:
10.11772/j.issn.1001-9081.2017.11.3201
摘要
(
623
)
PDF
(863KB)(
485
)
可视化
收藏
针对传统方面分预测模型只考虑内容信息而缺乏对评论网络结构的分析,提出了融合异质信息网络和主题模型构建方面分预测算法(HINToAsp)。首先,从意见短语角度构建了评论主题挖掘模型(Phrase-PLSA),有效整合评论信息和评分信息进行方面主题挖掘;进而,考虑用户、评论和商品之间的结构信息,提出了在"用户-评论-商品"异质信息网络上的主题传播模型模型,用于刻画用户特性、商品属性;最后,基于随机游走框架有效整合内容信息和结构信息,进行精准的方面分预测。通过在大众点评(Dianping)和TripAdvisor数据集上和四元组PLSA (QPLSA)、高斯分布的情绪评估(GRAOS)模型及情绪均衡主题模型(SATM)的准确度对比实验,证明了HINToAsp算法的有效性,可以更好地用于商品的推荐系统。
参考文献
|
相关文章
|
多维度评价
Select
3.
基于复杂学习分类系统的密度聚类方法
黄虹玮, 葛笑天, 陈烜松
计算机应用 2017, 37 (
11
): 3207-3211. DOI:
10.11772/j.issn.1001-9081.2017.11.3207
摘要
(
525
)
PDF
(779KB)(
453
)
可视化
收藏
提出一种基于复杂学习分类系统(XCS)的密度聚类方法,可以用于对任意形状且带有噪声的二维数据进行聚类分析。此方法称为DXCSc,主要包括以下三个过程:1)基于学习分类系统,对输入数据生成规则种群,并对规则进行适当压缩;2)将已经生成的规则视为二维数据点,进而基于密度聚类思想对二维数据点进行聚类;3)对密度聚类后的规则种群进行适当聚合,生成最终的规则种群。在第一个过程中,采用学习分类系统框架生成规则种群并进行适当约减。第二个过程认为种群的各规则簇中心比它们的邻居规则具有更高的密度,并且与密度更高的规则间距离更大。在第三个过程中,采用图分割方法对相关重叠簇进行适当聚合。在实验中,将所提方法与
K
-means、近邻传播聚类算法(AP)、Voting-XCSc等算法进行了比较,实验结果表明,所提方法在精度方面优于对比算法。
参考文献
|
相关文章
|
多维度评价
Select
4.
基于深度学习的小面积指纹匹配方法
张永良, 周冰, 詹小四, 裘晓光, 卢天培
计算机应用 2017, 37 (
11
): 3212-3218. DOI:
10.11772/j.issn.1001-9081.2017.11.3212
摘要
(
1047
)
PDF
(1270KB)(
767
)
可视化
收藏
针对传统的基于细节特征点的指纹匹配方法多适用于采集面积较大的指纹,在面向智能手机端的小采集面积指纹时准确率明显下降的问题,提出一种基于深度学习的小面积指纹匹配方法。首先,提取指纹图像的细节特征点信息;其次,搜索和标定感兴趣纹理区域(ROI);然后,构建并改进基于残差结构的轻量级深度神经网络,通过采用二值化特征模式优化网络和Triplet Loss方式训练模型;最后,制定一种智能手机端注册-匹配策略实现小面积指纹匹配。实验结果表明,提出方法在公开库FVCDB1与自建数据库上的等错率(EER)分别仅为0.50%与0.58%,远低于传统的基于细节特征点的指纹匹配方法,能够有效提升小面积指纹匹配的性能,更好地满足智能手机端的应用需求。
参考文献
|
相关文章
|
多维度评价
Select
5.
求解大规模优化问题的新型协同差分进化算法
董小刚, 邓长寿, 谭毓澄, 彭虎, 吴志健
计算机应用 2017, 37 (
11
): 3219-3225. DOI:
10.11772/j.issn.1001-9081.2017.11.3219
摘要
(
523
)
PDF
(1056KB)(
505
)
可视化
收藏
基于分而治之的策略,研究求解大规模优化问题的新方法。首先,基于加性可分性原理提出一种改进的变量分组方法,该方法以随机取点的方式,成对检测所有变量之间的相关性;同时,充分利用相关性学习的信息,对可分变量组进行再次降维;其次,引入改进的差分进化算法作为新型子问题优化器,增强了子空间的寻优性能;最后,将两项改进引入到协同进化框架构建DECC-NDG-CUDE算法。在10个选定的大规模优化问题上进行分组和优化两组仿真实验,分组实验结果表明新的分组方法能有效识别变量的相关性,是有效的变量分组方法;优化实验表明,DECC-NDG-CUDE算法对10个问题的求解相对于两种知名算法DECC-DG、DECCG在性能上具备整体优势。
参考文献
|
相关文章
|
多维度评价
Select
6.
低质量无约束人脸图像下的超分辨率摆正
孙强, 谭晓阳
计算机应用 2017, 37 (
11
): 3226-3230. DOI:
10.11772/j.issn.1001-9081.2017.11.3226
摘要
(
633
)
PDF
(963KB)(
442
)
可视化
收藏
针对人脸识别算法准确率受面部姿态、遮挡、图像分辨率等因素影响的问题,提出一种超分辨率摆正的方法,作用于低质量无约束输入图像上,生成高清晰度标准正面视图。主要通过估计输入图像与3D模型间的投影矩阵,产生标准正面视图,通过人脸对称性的特点,补全由于姿态、遮挡等原因所产生的面部缺失像素。在摆正过程中,为了提高图像分辨率以及避免面部像素信息丢失,引入一个16层的深度递归卷积神经网络进行超分辨率重构;并提出两个扩展:递归监督和跳跃链接,来降低网络训练难度以及缩小模型体量。在经过处理的LFW数据集上实验表明,该方法对人脸识别和性别检测算法的性能具有显著提升作用。
参考文献
|
相关文章
|
多维度评价
Select
7.
基于遗传机制和高斯变差的自动前景提取方法
陈凯星, 刘赟, 王金海, 袁玉波
计算机应用 2017, 37 (
11
): 3231-3237. DOI:
10.11772/j.issn.1001-9081.2017.11.3231
摘要
(
480
)
PDF
(1023KB)(
396
)
可视化
收藏
针对无监督或全自动前景提取这一技术难点问题,提出了一种基于遗传机制和高斯变差的自动前景提取(GFO)方法。首先,利用高斯变差提取图像中的相对重要区域,定义为候选种子前景;之后,利用原始图像和候选种子前景的边沿信息,根据连通性和凸球原则生成前景目标区域轮廓,称之为星凸轮廓;最后,构造适应性函数,选择种子前景,利用选择、交叉及变异的遗传机制,得到精确且有效的最终前景。在Achanta数据库和多个视频上的实验结果表明,GFO方法的性能优于已有的基于高斯变差的自动前景提取(FMDOG)方法,且在识别的准确率、召回率以及
F
β
指标上都取得了较好的抽取效果。
参考文献
|
相关文章
|
多维度评价
Select
8.
基于颜色的压缩层次图像表示方法
朱杰, 吴树芳, 谢博鋆, 马丽艳
计算机应用 2017, 37 (
11
): 3238-3243. DOI:
10.11772/j.issn.1001-9081.2017.11.3238
摘要
(
398
)
PDF
(1047KB)(
416
)
可视化
收藏
空间金字塔模型在每层中把图像划分成细胞单元用于给图像表示提供空间信息,但是这种方式不能很好地匹配对象上的不同部分,为此提出一种基于颜色的层次(CL)划分算法。CL算法从多特征融合的角度出发,通过优化的方式在不同层次中得到每个类别中有判别力的颜色,然后根据每层中有判别力的颜色对图像进行迭代的层次划分;最后连接不同层次直方图用于图像表示。为了解决图像表示维度过高的问题,采用分化信息理论的特征聚类(DITC)方法对字典进行聚类用于字典降维,并用压缩生成的字典进行最终的图像表示。实验结果表明,所提方法能够在Soccer,Flower 17和Flower 102上取得良好的识别效果。
参考文献
|
相关文章
|
多维度评价
Select
9.
非受限条件下的深度人脸年龄分类
张珂, 高策, 郭丽茹, 苑津莎, 赵振兵
计算机应用 2017, 37 (
11
): 3244-3248. DOI:
10.11772/j.issn.1001-9081.2017.11.3244
摘要
(
596
)
PDF
(970KB)(
478
)
可视化
收藏
针对非受限条件下人脸图像年龄分类准确度较低的问题,提出了一种基于深度残差网络(ResNets)和大数据集微调的非受限条件下人脸年龄分类方法。首先,选用深度残差网络作为基础卷积神经网络模型处理人脸年龄分类问题;其次,在ImageNet数据集上对深度残差网络预训练,学习基本图像特征的表达;然后,对大规模人脸年龄图像数据集IMDB-WIKI清洗,并建立了IMDB-WIKI-8数据集用于微调深度残差网络,实现一般物体图像到人脸年龄图像的迁移学习,使模型适应于年龄段的分布并提高网络学习能力;最后,在非受限人脸数据集Adience上对微调后的网络模型进行训练和测试,并采用交叉验证方法获取年龄分类准确度。通过34/50/101/152层残差网络对比可知,随着网络层数越深年龄分类准确度越高,并利用152层残差网络获得了Adience数据集上人脸图像年龄分类的最高准确度65.01%。实验结果表明,结合更深层残差网络和大数据集微调,能有效提高人脸图像年龄分类准确度。
参考文献
|
相关文章
|
多维度评价
Select
10.
基于关键点的服装检索
陈嫒嫒, 李来, 刘光灿, 刘青山
计算机应用 2017, 37 (
11
): 3249-3255. DOI:
10.11772/j.issn.1001-9081.2017.11.3249
摘要
(
555
)
PDF
(1166KB)(
621
)
可视化
收藏
目前,同款或近似款式服装检索主要分为基于文本和基于内容两类。基于文本算法往往需要海量标注样本,且存在人工主观性带来的标注缺失和标注差异等问题;基于内容算法一般对服装图像的颜色、形状、纹理提取特征,进行相似性度量,但难以应对背景颜色干扰,以及视角、姿态引起的服装形变等问题。针对上述问题,提出一种基于关键点的服装检索方法。利用级联深度卷积神经网络为基础,定位服装关键点,融合关键点区域低层视觉信息以及整幅图像的高层语义信息。对比传统检索方法,所提算法能有效处理视角、姿态引起的服装形变和复杂背景的干扰;同时不需大量样本标定,且对背景、形变鲁棒。在Fashion Landmark数据集和BDAT-Clothes数据集上与常用算法进行对比实验。实验结果表明所提算法能有效提升检索的查准率和查全率。
参考文献
|
相关文章
|
多维度评价
Select
11.
应用姿态估计的人脸特征点定位算法
张海艳, 高尚兵, 姜明新
计算机应用 0, (
): 3256-3260. DOI:
10.11772/j.issn.1001-9081.2017.11.3256
摘要
(
574
)
PDF
(854KB)(
406
)
可视化
收藏
针对已有鲁棒级联姿势回归算法缺少形状约束条件的现状,同时在复杂人脸及遮挡情况中定位精度较低、成功率不高等问题,提出应用姿态估计人脸特征点的新型定位算法来提高定位精度和成功率。对人脸特征点执行区域分块操作来实现形状约束条件;为提高算法性能,对部分特征点位置执行回归操作从而降低回归器规模,并引入形状索引特征进行采样先验操作。实验结果表明,所提算法针对复杂人脸及遮挡情况具备较高定位精度与鲁棒性,同时算法速度可达实时要求。
参考文献
|
相关文章
|
多维度评价
2024年 44卷 4期
刊出日期: 2024-04-10
文章目录
过刊浏览
主管:
四川省科学技术协会
主办:
四川省计算机学会
中国科学院成都分院
荣誉主编:张景中
主 编:徐宗本
副主编
:申恒涛 夏朝晖
国内邮发代号:62-110
国外发行代号:M4616
地址:四川成都双流区四川天府新区
兴隆街道科智路1369号
中科信息(科学城园区) B213
(计算机应用编辑部)
电话:028-85224283-803
028-85222239-803
网址:www.joca.cn
E-mail: bjb@joca.cn
期刊微信公众号
CCF扫码入会